5月24日,在NAS私有云领域深耕超过18年的群晖发布了全新的手机APP:群晖管家。这也代表着群晖在私有云领域的服务体验再上一个台阶。而NAS这样的被个人用户列为专业的IT数码产品,借助"群晖管家"也可以让更多普通家庭用户去使用和体验。
群晖管家App上线,群晖手机应用矩阵成型
群晖NAS的DSM操作系统,让集中存储、管理数据变得简单,同时,应对不同的存储场景,如备份、同步等,也专门研发了相应的套件。但群晖在不断深入的用户调研方面,发现仍有部分用户对于NAS的初始安装和设置方面存在问题。
以往的群晖NAS安装,在完成硬盘安装,网络连接后,需要通过处于同一局域网内的电脑打开网页端进行DSM系统的安装,并设置Synology帐户与该台NAS的用户名、密码。而这一次群晖管家APP的发布,将本来需要电脑完成的工作简化到手机端操作。
现在,群晖管家已经可以下载使用。作为群晖NAS在手机端的延伸,群晖管家APP的主要功能就是,帮助新用户快速搭建群晖的NAS系统,从而更快速和顺畅地使用群晖NAS。只需5步,就能轻松完成群晖NAS的安装和帐户信息设置。
第一步:注册Synology帐户
第二步:安装硬盘,连接电源和网络
第三步:通过手机在局域网中发现新NAS,安装DSM操作系统
第四步:设定NAS登录帐号及密码
第五步:设置QuickConnect,在外网下随时连接NAS
同时,用户可以通过群晖管家实时浏览NAS的存储状态和运行状况,一旦有异常,用户就可以在手机上接收到警报。
除了群晖管家之外,群晖在手机端还有Moments、Drive等多个App,各司其职,满足用户的不同需求。
其中,群晖Moments,帮助用户实现一键备份手机照片、视频,甚至还能实现智能识别人脸,以及美食照、风景照等超过300种主题(仅特定机种支持主题识别功能),做到自动分类照片。这样就使得群晖用户的手机内存得以释放,不必再纠结于手机内存到底是16G还是256G。
想象一下,在安装了Moments之后,你可以随时将手机里拍摄的照片备份到NAS里,同时,你也不再需要费心的为你的旅行、自拍、美食、风景等设定专门的文件夹,因为这一切Moments都已经帮你做了自动分类。更有意思的地方在于,Moments可以通过AI自动实现人脸识别,如融合着孩子所有照片的成长记录,和爱人的甜蜜时光等,都可以自动进行分类。
而群晖Drive,除了可以让用户跨平台系统备份文档,还能随时随地浏览和分享文件,并且通过输入关键词来检索文件,甚至能深入查找文件中的内容。这对于一般用户来说,文件管理效率得到大大提升。
网盘随时有关停可能,你的数据就该你做主
目前国内网盘大都采用会员制的方式来向用户收费,成为会员后才可以享受相对较高的上传下载速率。而使用群晖NAS的普通用户完全不必担心掉入网盘服务商的限速套路中,更不必为了提升上网速率而支付网盘的会员费。访问速度由你自己决定!
网盘还需要用户购买会员才能使用在线解压缩、上传超大文件、备份手机视频等功能,群晖NAS不需要额外付费,全家都能享受超级会员才能使用的功能。
而更重要的是,它比市面上其他一些网盘更加安全!由于用户是使用群晖本地NAS搭建起来的私有云,数据完全掌握在自己手上,不用担心由于账户被盗而丢失数据,更不需担心网盘有关闭风险。
群晖从企业级专项应用到家用级简单存储的全覆盖
近几年,国内普通家庭用户的云存储需求在不断增加,群晖也敏锐地捕捉到了这个市场,开始将目标用户向更多家庭用户延伸。
5月24日发布"群晖管家",代表群晖向移动端的进一步尝试,也提升了终端用户的使用体验,让用户用更简单的方法就可快速搭建群晖NAS,从而享受到数据存取的便捷、安全和高效,不再为网盘关停、隐私泄露、限速等问题而烦恼。
在不久的将来, 像群晖这样的私有云解决方案,或许会如同电视一般成为智能家居的一员,成为千万家庭数据备份与存取的标准配置!
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。