沃达丰为其英国移动网络体系建立了一套3D数字孪生,这样工程师们无需离开办公桌就能查看可视化指标,据此制定网络改进或扩展策略。
这套数字孪生副本包含用Esri UK的GIS(地理信息系统)软件绘制的超4000万个环境特征,包括建筑物、山丘、山谷和树木。
工程师们现在可以通过安全连接,在笔记本电脑或移动设备上直接访问移动网络体系的360度虚拟视图。他们可以高效规划新的移动基站位置,并确定哪些装置需要升级或调整位置,从而满足客户不断增长的流量需求、或者应对新增建筑及林地变化对信号传播造成的影响。
沃达丰地理信息系统负责人Rebecca King博士解释道,“客户的手机信号经常会在因众多因素的互相影响下中断,这可能是因为新建成的建筑物阻断了信号传播,也可能是因为树木的季节性生长干扰了信号强度。我们以数字格式将这些因素全面可视化,以确保能更好地规划、并据此扩展我们的网络。”
数字孪生包含天线等能够直观呈现的约50万个网络特征,外加数十亿行网络性能数据。只需点击几下,工程师们就能远程检查移动基站的组件,再决定要不要亲自前往现场开展下一步调查或调整工作。
目前,沃达丰公司正寻求其他合适的场景来测试类似的数字孪生技术,包括德国和土耳其。此外,沃达丰还有意用同样的方式将固网宽带体系也纳入到模型中来。
服务于数据科学家的《我的世界》
沃达丰公司首席架构师Boris Pitchforth表示,“数字孪生让我们对于整个英国的移动网络有了前所未有的了解——它就像是服务于数据科学家的我的世界。”
“我们能够更智能、更快速地了解应如何/在何处部署5G基站,同时精确规划目标容量。另一个额外的好处,就是减少我们的碳足迹。因为我们的工程师们不用每次都亲自赶赴现场,这一点对于地处偏远的基站意义尤为重大。”
沃达丰与Esri英国分公司合作,使用卫星数据绘制地形图,直观体现农作物、交通线路和邻近物体的高度数据等实地信息。Boris Pitchforth强调,“数字孪生并不需要精确重现现实中的物体,比如建筑物上的每一块砖,它只需要把整体外形表现出来,我们就能调整信号发射角色、提升客户获得的连接质量。地图构造越简单,加载速度就越快。”
大规模数字孪生
沃达丰还用到Esri提供的ArcGIS Enterprise平台。该平台将网络制图、图像开发、实时数据处理、大批量分析和空间数据科学融合为一体。
Rebecca King博士解释道,“使用ArcGIS Enterprise,我们得以将空间维度添加至已经使用的大量数据当中,从而将位置智能达到新的高度。通过我们的数字孪生,现在数据可以通过3D形式实现可视化,并与多个团队轻松共享。”
除了向其他国家/地区引入数字孪生之外,沃达丰还计划借此支持新的网络容量部署。例如,Massive MIMO技术能够在单一蜂窝基站中交付更多网络容量,用以满足快速增长的联网设备需求。预计到2025年,全球移动设备总量将增长至300亿台,这些新基站该部署在哪里自然要听取数字孪生的建议。
Boris Pitchforth总结道,“几年之前,这种类型的国家级数字孪生模型根本就没有可行性。但ArcGIS Enterprise与AWS的结合,意味着大规模数字孪生完全可以成为现实,为企业数据可视化及地理空间分析提供安全、可扩展的云选项。以往,公共事业层面的类似项目只能侧重于小片区域,而现在我们想要真正在国家规模上管理整个网络体系。”
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。