2015年,IT管理员关注移动安全,聚焦Android for Work 和BYOD数据访问领域的文章。他们也浏览内部应用程序开发的新闻。
回顾2015年最受欢迎的移动计算技巧,有一件事很明确:安全问题几乎是所有IT管理员的头等大事。
几乎我们所有阅读量最高的文章中,都会谈及对于安全或隐私的担忧,从访客无线网络访问,到应对移动数据丢失。 Android for Work也是一个关注领域,因为IT管理员希望进一步了解谷歌的这一移动操作系统的安全解决方案。
回顾过去的一年,数据访问和移动应用程序开发也是关注的焦点。
5. 内部应用开发
阅读榜单上唯一不涉及安全性的文章, 是关于如何构建和部署移动应用的。内部应用允许开发人员最大化的开发个性应用。但是,这样的开发既昂贵又费时。为了简化流程,开发人员应该创建一个风格指南并选择一个通用的开发环境,比如HTML5,从而标准化流程。
一旦开发完成,管理员必须决定是否向用户推送应用,或者用户通过应用商店自行下载。IT还需要监控应用性能,以确保达到标准。
4. 平衡BYOD数据访问
当涉及到在个人设备上访问企业数据时,IT的工作就是平衡访问性和安全性。
移动内容管理(MCM)让IT能够管理用户可以在他们的移动设备上访问的数据类型,并且让IT设置适当的加密级别。MCM也能够让用户在同一个地方,同时保存工作和个人数据,并且通过任何设备进行文档编辑。
3. 如何防止移动数据丢失
恶意威胁随处可见,因此,读者都想了解能够防止移动数据丢失的不同工具。
面对恶意软件的第一步,是确立移动设备使用的政策,并安装防病毒软件。同时在所有用户的设备中使用移动设备管理(MDM)来加强政策执行。利用双角色技术,管理员可以锁定企业应用和数据,用户就无法进行任何操作。
其他工具包括使用VDI,在数据中心运行内部应用程序和数据,限定共享内容的应用,结合MDM和移动应用管理(MAM)加强容器化。
2. Android for Work的关键特性
今年早些时候,谷歌推出了Android for Work,IT管理员想要知道更多关于它的性能和具体功能。
这一系统获得了很多的关注, 因为它允许IT在用户设备上创建隔离企业和个人数据的容器。有了这些容器,IT可以在不删除任何个人信息的情况下,安全地删除企业数据。此外,容器化技术可以防止设备上与工作相关的应用与任何个人应用之间的交互。
Android for Work的其他功能,比如内含Google Slides和Google Docs应用,也很重要。
1. 如何管理访客无线网络访问
几乎每个人的口袋里,都有一个可联网设备,这意味着管理访客网络访问,对于IT部门是重大挑战。
管理员应该创建政策,把访客设定为一类用户,限定他们在网络上能够访问的,和不能够访问的,比如某些网站,打印机,等等。IT也必须针对每个用户,每次会 话更改安全密钥,而且在特定时间后,证书应该失效,以防止访客继续停留在网络上。 在任何访客访问网络之前,IT应该确保他们阅读并接受公司的政策。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。