Telenor IoT 宣称在物联网 ( IoT ) 领域取得了重大突破,成为首批采用 GSMA SGP.32 ——为应对物联网挑战而专门开发的最新嵌入式用户身份模块 ( eSIM ) 标准的企业之一。
SGP.32 是由负责移动通信标准的行业机构 GSMA 制定的全球性、下一代 eSIM 标准,旨在为物联网设备(尤其是那些没有用户界面的设备)实现远程 SIM 配置。该标准从根本上设计用于实现大规模、无人值守的 eSIM 配置文件管理,从而使得在无需实际接触设备的情况下,物联网的部署与运营变得更加容易。
Telenor IoT 解释道,尽管消费者设备中已经应用了 eSIM 技术,但在物联网设备中管理这些数字 SIM 配置文件存在一些独特的挑战。例如,许多物联网设备缺乏用户界面,这使得手动管理 SIM 卡变得不切实际。
SGP.32 正是为了解决这些限制而设计,它在现有 eSIM 技术上进行了扩展,提出了一种更加高效的物联网连接远程管理方式。该标准允许通过集中平台对 SIM 配置文件进行远程管理,实现自动更新和配置,即使是对那种没有用户界面或部署在偏远难以接近地区的设备也同样适用。
这一标准非常适用于部署于偏远且设备量巨大的环境,例如可以高效且安全地管理大规模全球设备舰队。SGP.32 还支持轻量级配置文件,优化低功耗设备的性能,并允许在无需更换实体 SIM 卡的情况下进行网络切换。
这一新标准简化了全球物联网运营,并促进实现面向未来的部署,因为企业可以在所有市场中使用单一库存单位 ( SKU ),从而降低物流复杂度和成本,并提高部署效率。
Telenor IoT 预计将在 2025 年秋季推出一款完全标准化、面向未来的解决方案,届时将整合这一新规格,一经标准化的 SGP.32 eSIM 商业化供应即可面市。公司表示,此举将确保企业能够使其部署适应未来发展,并轻松应对不断变化的业务需求。
此外,此次发布还彰显了标准化的重要性。完全标准化的 SGP.32 解决方案确保设备间互操作性,避免供应商锁定,并保证与不断演进的技术与网络长期兼容。
Telenor IoT 表示,其现有的全球托管连接解决方案已经使客户能够在每个国家访问多个网络,从而实现规模扩展和最佳网络选择。通过将 SGP.32 融入其产品线,Telenor IoT 有信心为客户提供更大规模和更高控制力的物联网部署能力——将 AI 驱动的监控、实时分析和远程 SIM 管理整合在一项“强大”的解决方案中。
在此次发布会上,Telenor Connexion 首席执行官兼 Telenor IoT 负责人 Mats Lundquist 表示:“Telenor IoT 一直以来都善于快速采纳新标准,我们曾是首批推出物联网首个 eSIM 标准 SGP.02 的运营商之一。通过推出 SGP.32,我们正在推动通向无缝、安全及标准化物联网连接的转型,这对于物联网领域的长期成功至关重要。
“这不仅仅是一次技术升级,而是标志着全球连接发展的一次重大转变,将简化客户的运营流程,并减少长期集成方面的挑战。”
Telenor IoT 已经开始提供测试协议,帮助客户在解决方案完全商业化之前,便能提前探索 SGP.32 所带来的优势。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。