2021年9月9日,北京——在近日于线上举行的第七届联想创新科技大会(Lenovo Techworld 2021)上,英特尔与联想共同展示双方最新合作成果——新一代超能云桌面解决方案。基于双方此前在联合市场推广、产品与解决方案研发等方面积累的丰硕果实,此次联合推出的超能云桌面解决方案代表了英特尔与联想在商用IoT领域的合作得到进一步的深化。
联想超能云桌面解决方案基于英特尔® 超能云终端解决方案(Ultra Cloud Client)TCI透明终端架构(Transparent Client Infrastructure)所打造,且同时结合了基于联想边缘计算平台所构建的云边端一体化安全办公解决方案,能够满足行业用户对IoT终端设备统一部署、数据安全、集中管控等核心需求。
作为新一代云桌面解决方案,该方案可以在千兆网络环境下做到高速批量操作系统部署、应用分发和用户数据保存,拥有离线连续计算、强大本地计算性能、I/O设备/软件全兼容、集中镜像与数据管理四大特性。相较于传统VDI解决方案,超能云桌面在用户体验、兼容性、管理便捷性、终端利旧率和总投入成本方面都具有较大的优势。
诸如联想在今年推出了云终端ECC-T30,便适用最新的超能云桌面解决方案。T30搭载了英特尔酷睿处理器,支持Windows 7、Windows 10操作系统,配置了原生打印接口、PS2口,提供双显输出(VGA+HDMI),具备强大外设接入能力,可广泛应用于金融柜台、医疗办公等行业场景中。
而支持联想新一代云桌面解决方案的TCI透明终端架构(Transparent Client Infrastructure)则是英特尔在2020年推出的超能云终端解决方案架构之一。通过端到端的部署,TCI在本地计算、集中管理、外设兼容性及账户个性化配置方面具备强大优势。值得一提的是,英特尔® 超能云终端发布一年以来,已经取得了多项重大进展:完成了TCI两个版本的迭代,帮助领先客户成功完成试用和商业化部署;完成了针对IDV的基于英特尔GVT-g技术的显卡虚拟化,并将于2022年实现基于硬件的显卡虚拟化。与此同时,超能云终端还完成了TCI与IDV的管理端融合,未来还将完成二者的客户端融合,实现端到端打通,更加灵活地实现边云协同效应。此外,超能云终端已经向中国市场客户开启了全面的本地化支持,并已在多个领域实现落地部署。
此外,针对联想在商用IoT领域实践的又一技术成果——联想边缘计算平台方案LECP,英特尔TCI技术还能够与其融合,形成优势互补,支持从端、边、云各层级构建智能垂直行业解决方案。以金融窗口解决方案为例,联想在TCI客户端上部署LECP轻边缘套件,实现服务窗口的设备互联和集中管控,保证数据安全性和保密性。LECP还可为TCI提供后台服务自然扩展云原生能力,提供性能应用保证、数据可靠存储和全面系统的高可用性。在教育场景中,LECP可对TCI客户端实现智能运维,通过端边云协同打通每所学校和每间教室,实现无缝跨校漫游,公有云教学资源的访问和共享,全局边缘应用的推送与更新。
英特尔® 超能云终端发布一年以来,实现了在教育、医疗、金融、电信、制造等不同行业场景的落地部署,极大扩展了其应用边界。而此次英特尔与联想的合作将为商用IoT注入强劲动力,加速商用IoT在各行各业的部署应用。未来,英特尔将继续携手众多行业生态合作伙伴,最大化利用英特尔产品,以推出更能满足不同行业应用场景需求的超能云终端类解决方案,引领行业智能化变革。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。