学而思培优在业界率先将iPad与课堂学习结合起来,并获得巨大成功。特殊的教学模式要求每间教室覆盖高质量的Wi-Fi网络,如何保障无线网络体验,确保教学业务的正常运转,这是无线网络设计的重中之重。锐捷网络为其量身定制的无线网络解决方案,轻松解决了学而思培优所担心的可靠性、高并发访问及运维管理问题。
目前,超过8000台的锐捷无线AP,“工作”在学而思培优的30余个城市的分校、500多个校区、上万间教室,助力学而思培优创新教学。
创新教学 “好网络”才有“好未来”
致力于用科技与互联网来推动教育进步的“好未来”(NYSE:TAL),是国内首家在美国上市的中小学教育培训机构,旗下品牌包括学而思培优、学而思网校、爱智康等众多子品牌。其中,学而思培优现已成为全国范围内知名度、美誉度颇高的中小学培训机构,其在天津、上海、武汉、广州、深圳等35个城市设有分校,拥有一支超过10000人的高质量教师队伍。
学而思培优专注创新,探求教授孩子受益一生的能力,为孩子量身定制个性化学习模式,发掘孩子的学习兴趣和潜力。随着教学业务的发展,学而思培优不断尝试运用先进的科技化手段提升教学质量,例如将iPad与教学联系起来,配合现有课堂教学内容,研发出IPS(Intelligent Practice System)智能练习系统。这一创新性的教学模式将覆盖到学而思培优在全国30余个城市的分校,涉及500多个校区,上万间教室。
特殊的业务需求及场景特点,让看似简单的无线网络变得异常复杂,原因如下:
实力无线 多项难题迎刃而解
通过综合评比,学而思培优最终选择了锐捷网络。针对教学场景特点,锐捷网络为学而思培优量身定制了无线解决方案,完美解决了学而思培优所担心的可靠性、用户并发及网络管理问题。
在可靠性方面,锐捷无线解决方案将无线控制器下沉到每个教学网点,保证AC与AP在同一个局域网之内,避免由于跨广域网而导致的AC与AP连接不稳定。
在并发访问方面,采用5G高密组网,保证用户体验。学而思培优每一个教学网点的教室密度大,且每个教室的终端密度也很大。更加棘手的是,部分网点的教室之间是隔断墙,信号屏蔽效果差,干扰严重。因此,在方案设计上,锐捷网络采用了纯5G的覆盖方案,彻底摒弃2.4G,防止终端连接上2.4G网络而导致体验变差。在AP的选型上,锐捷采用了内置X-sense智能天线的无线AP,通过信号定向覆盖以及功率的动态分配策略,做到在提升并发的同时进一步减少干扰。
图1:X-sense智能天线覆盖效果
在运维管理方面,通过采用锐捷无线智能服务平台WIS,将无线运维智能化,让无线体验“看得见”。学而思培优教学网点分布于全国各地,过去对于教室内的无线效果只能听现场的老师反馈,而老师对于网络问题往往不够专业,不能准确描述网络的问题。通过部署锐捷无线智能服务平台WIS,可准确监控各个网点的终端体验,实现无线质量“看得见”。
尽管该项目涉及全国范围内的各个校区, 但如此大规模的无线网络部署并没有明显增加网络运维人员的工作,在具备智能监控和自动网优能力的WIS统一管理下,学而思培优的运维人员可以轻松完成日常管理工作。
图3:WIS总览图
智能可靠 教学变革美梦成真
锐捷网络针对学而思培优教学场景创新设计的无线网络方案,以标准化的交付、可靠的性能、便捷的运维助力学而思IPS圆满应用于教学。学而思IPS推出一年多来,上线IPS的分校激活率达90%以上,其中上海、深圳、杭州、武汉、西安、南京等地的激活率高达95%以上。
令人惊喜的是,使用学而思IPS后的学生们更加愿意学习:原先备受抵触的试卷课前测,现在却成为抢时间比排名的赛场,让学生们玩得不亦乐乎;学生回到家里也不再拖拖拉拉完成作业,而是主动完成作业提交反馈以赚取积分。
学而思IPS不仅给学生的学习带来改变,还让学而思的教学模式刮起一阵变革的风暴。例如,由于不用再组织纸质课前测验,大大减轻了教务老师的工作量;且老师们可以通过IPS系统接收批改学生的作业,轻松高效且反馈及时;家长们的手机也能实时收到孩子的学习报告,对孩子的学习情况一目了然。
锐捷网络凭借丰富的网络建设经验及对学而思培优教学场景的深刻理解,在极短时间内完成了上万间教室的无线部署,并已稳定运行一年,帮助学而思培优为学生、老师和家长提供最优的学习环境与体验。在如此大规模的校区网络建设中,锐捷网络智能化的交付方案、优质的无线网络获得学而思培优的认可,无线网络好体验获得师生的一致好评。
“学而思培优专注创新,我们不断尝试运用先进的科技化手段提升教学质量。此次将iPad与教学创新结合起来,IPS智能学习系统的上线涉及到我们在全国的所有分校,上万间教室。整个项目规模比较大,对无线网络的可靠性、高并发访问及运维管理都是很高的要求。锐捷无线网络解决方案助力我们将创新教学按预期落地,无线网络的好体验有效提升了IPS的激活率。锐捷无线智能服务平台WIS将无线运维智能化,有效简化了日常运维工作、减轻了我们运维人员的工作量。”学而思培优IT负责人如是评价。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。