Author: admin

行业动态更新：Qwen-Robot Suite: A Foundation Model Suite for Physical World Intelligence

The Qwen family of foundation models already gives strong perception and reasoning about the physical world. But seeing is not acting: the gap between vision and language understanding and physical control remains the central bottleneck for embodied intelligence. The Qwen-Robot Suite bridges this gap with three foundation models — Qwen-RobotNav, Qwen-RobotManip, and Qwen-RobotWorld. Nav unifies five navigation task families through a controllable observation protocol. Manip turns heterogeneous robot data into a coherent canonical space, enabling cross-embodiment training at scale. World co-trains 20+ embodiments via a natural-language action interface under one world model. Together, they enable an agentic system where general intelligence translates directly into physical action. The Qwen family of multimodal foundation models has made remarkable progress in understanding the physical world. Qwen-VL can parse complex spatial relationships, identify objects in cluttered scenes, follow multi-step visual instructions, and reason about physical configurations, giving physical agents a preliminary cognitive foundation. A VLM can already plan in language: “go to the kitchen, find the red cup, pick it up, and place it on the shelf.” But understanding the physical world is not the same as acting in it. A VLM that can plan those steps cannot produce the motor commands that execute them. This is fundamentally an alignment challenge that language instructions and physical action signals live in different representation spaces, and bridging them requires more than perception alone. What makes this harder is that the embodied data needed to close this gap is fundamentally unlike internet text. It is heterogeneous by nature, expensive to collect, and narrow in diversity. A navigation trajectory, a tele-operated grasp, and a dashcam clip live in incompatible action spaces, observation formats, and embodiments. Naively pooling them produces conflict rather than synergy. The Qwen-Robot Suite bridges this gap with three foundation models — Qwen-RobotNav, Qwen-RobotManip, and Qwen-RobotWorld — each aligning language with a different domain of physical action. We pursue generalization across language instructions and adherence to physical laws, and have achieved significant progress on both fronts. In this post, we also explore the potential of these models as low-level tools for building general-purpose agentic systems. Each has its own technical report and deep-dive blog. This post tells the story of how they fit together. Before an agent can manipulate anything, it has to get there. Mobile navigation spans tasks with fundamentally different memory requirements: instruction following demands long-horizon context while target tracking cares almost entirely about recent frames. No fixed observation strategy serves both. Qwen-RobotNav, built on Qwen3-VL, addresses this through a parameterised navigation interface with two complementary dimensions: task modes that select the navigation behaviour (instruction following, object search, target tracking, autonomous driving), and controllable observation parameters (token budget, temporal decay, per-camera weights, frame sample mode) that govern how visual history is encoded. Trained on 15.6 million samples with co-training on vision-language data to preserve grounded perception, Qwen-RobotNav unifies five task families under a single set of weights. The parameterised interface also makes Qwen-RobotNav a natural building block for agentic systems. An upper-level planner (Qwen3.7-Plus) decomposes long-horizon goals into sub-tasks and dynamically switches Qwen-RobotNav’s task mode and context strategy mid-episode, composing complex behaviours from repeated calls to the same model. This extends the system to long-horizon reasoning with persistent memory, enabling it to solve complex user intents that require multi-step navigation, evidence gathering, and grounded response generation. Benchmarking Qwen-RobotNav Deployed zero-shot on a Unitree Go2 quadruped (NVIDIA Jetson Thor, 196ms latency) using only the built-in low-resolution camera. The robot executes step-by-step verbal instructions across multiple rooms in a previously unseen apartment. We evaluate a back-and-forth navigation task in an unseen exhibition hall: the robot first navigates 21.78 m from a living room to a hospital room following language instructions, then receives a reverse command and must precisely retrace the entire route. This is particularly challenging as it requires the model to maintain spatial awareness over long distances, ground diverse visual landmarks in both forward and reverse directions, and execute accurate bidirectional position control purely from language. A single set of weights serves both legged robot navigation and autonomous driving. On NAVSIM closed-loop driving, Qwen-RobotNav-4B achieves 91.4 PDMS. Physical agents need to interact with the real world — for example, completing manipulation tasks with robot arms. Yet an industrial arm on a production line and a service arm in a kitchen may perform visually similar grasping motions while having entirely different joint configurations and action spaces. The core challenge is making heterogeneous embodiments representationally compatible, so that scaling across robots and data sources produces synergy rather than conflict. Qwen-RobotManip, built on Qwen3.5-4B VL with a flow-matching DiT action head, introduces three mechanisms to solve this. A unified 80-dimensional state-action representation is shared across single-arm, dual-arm, dexterous-hand, and mobile embodiments. Camera-frame end-effector delta pose actions make visually similar motions numerically proximate across robots, abstracting away morphological differences. In-context policy adaptation reads execution history as an implicit embodiment signature for on-the-fly adaptation. Once the representation framework is unified, the data barrier drops. We train the VLA model on 11,320 hours of open-source robot data, 1,933 hours of open-source egocentric human video, and 24,808 hours of robot demonstrations across 15 embodiments synthesized from the human video via our Human-to-Robot synthesis pipeline — totaling >38,100 hours. Using only open-source data, the model already exhibits emergent generalization capabilities, including robustness to perturbations, zero-shot instruction following, reactive error recovery, and cross-embodiment transfer. Key Finding — Alignment is the prerequisite for scale. Only models with unified cross-embodiment representations (UnifiedSpace + UnifiedEEF) exhibit clean log-linear data scaling. Without alignment, adding more data produces erratic or flat curves — scale cannot compensate for a broken formulation. A single generalist policy handles complex manipulation across diverse task categories, scenes, and objects. Following diverse unseen instructions across real-world settings (top row) and simulation (bottom row). Tasks trained on other embodiments transfer zero-shot to new ones (top row); few-shot demonstrations enable rapid adaptation to entirely new tasks (bottom row). Real-world experience is the scarcest resource in robotics. Qwen-RobotWorld addresses this by learning the world’s state transition function directly: given the current observation and a natural-language action, it predicts what the world will look like next. The key design choice is expressing all actions in natural language — this converts end-effector poses, steering commands, and navigation waypoints into a single interface, enabling 20+ embodiment types and 500+ action categories to be co-trained under the Embodied World Knowledge corpus (8.6M video-text pairs, 200M+ frames). A 60-layer dual-stream MMDiT couples Qwen2.5-VL’s semantic representations with video latents. Using a full multimodal LLM as the action encoder — rather than a lightweight text encoder — is load-bearing: it brings internalized world knowledge that arms are rigid bodies, fluids spread, and objects fall, implicitly constraining generation toward physically plausible futures. Each domain reinforces the others: manipulation teaches contact physics, driving teaches 3D geometry, navigation teaches room-scale spatial reasoning. Changing a single keyword — object, destination, or action verb — produces a correspondingly different future. The world model truly understands language, not just pattern-matches. Given a single instruction, Qwen-RobotWorld generates temporally and spatially consistent videos across multiple camera viewpoints — critical for sim-to-real transfer and multi-camera policy training. Given a human demonstration, Qwen-RobotWorld generates realistic robot execution across diverse embodiments — no teleoperation required. Driving teaches large-scale 3D geometry and multi-agent dynamics; navigation teaches room-scale spatial reasoning. Each domain reinforces the others. Each model is independently useful — but because all three expose language-first interfaces, general-purpose Qwen models can compose with them as physical-world tools, connecting general intelligence to physical action. We have an in-hourse project Qwen-RobotClaw, a robotics agent harness that allows Qwen VLM agents to call Qwen-Robot Suite models as physical-world tools while properly managing the context and memory required by long-horizon tasks, pushing physical intelligence toward more general and more complex real-world applications. Here are early examples of what this makes possible. Qwen-Omni observes the scene, randomly proposes manipulation tasks via speech, and judges execution in real time. Each video shows Qwen-RobotManip completing tasks on the fly with no pre-defined task list — demonstrating that a general-purpose multimodal model can serve as the task proposer and evaluator, while the suite model handles physical execution. We develop a VLM-driven agentic VLA system, in which the base Qwen-3.5 model serves as the high-lev

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的CN2线路服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，AI日报：高德问店上线AI能力开放调用；大众点评严打AI灌水评论

欢迎来到【AI日报】栏目!这里是你每天探索人工智能世界的指南，每天我们为你呈现AI领域的热点内容，聚焦开发者，助你洞悉技术趋势、了解创新AI产品应用

从更深层次来看，新鲜AI产品点击了解：https://app.aibase.com/zh 1、让小店用上大连锁的智能大脑，高德问店上线AI能力开放调用 高德云图宣布开放商业智能体生态，并启动‘高德问店’公开测试，为中小微商户提供大连锁品牌专享的智能经营能力

从更深层次来看，该产品围绕‘问数’‘选址’‘经营’三大方向，输出多个业务技能，覆盖门店全生命周期

值得关注的是，同时，高德问店已与多家合作伙伴达成深度合作，加速空间智能技术的商业变现，为大模型技术赋能实体经济提供范例

从更深层次来看，📍 高德问店开放智能体生态，赋能中小商户 📊 提供选址推荐、位置评估等核心技能 🤝 与网商银行、钉钉悟空等合作共建生态 2、迫于社区反对 Anthropic调整Claude Fable5 限制机制 Anthropic因Claude Fable5 的隐性限制措施遭到AI研究社区强烈反对，最终选择调整规则并公开致歉，以提升透明度和公平性

从更深层次来看，🔧 Claude Fable5 原会暗中降低竞品研发用户的模型性能，该做法引发业内反对

从更深层次来看，🙏 Anthropic就此不当举措致歉，宣布全面调整相关安全管控规则

从更深层次来看，👀 新版规则改为公开提醒、明确拒绝，所有限制措施对用户完全可见

从更深层次来看，3、大众点评重拳出击：严打AI灌水，力保真实评价生态 大众点评宣布将加大对真实内容生态的投入力度，旨在为用户提供更加可信、透明的消费决策环境

值得关注的是，平台通过激励优质用户和升级AIGC评价治理智能体，以应对AI生成低质评价的问题，从而维护社区的“真诚与互信”

业内人士指出，🛡️ 大众点评加强真实内容生态建设，提升用户消费决策环境的可信度

值得关注的是，🤖 平台升级AIGC评价治理智能体，精准识别并剔除AI生成的虚假或低质评价

业内人士指出，🤝 通过技术手段维护社区“真诚与互信”，确保用户获取真实、有价值的消费建议

业内人士指出，4、月之暗面Kimi拟发行融合算力服务的AI原生信用卡 大模型厂商月之暗面（Kimi）与银行及国际卡组织合作推出AI原生信用卡的举措，展示了AI技术在金融领域的深度融合和商业化落地的创新尝试

业内人士指出，🧠 AI算力与信用卡的结合，推动金融科技创新

业内人士指出，💼 三方合作助力精准服务科技型企业及用户群体

值得关注的是，5、苹果iOS27 健康应用重磅更新：智能营养识别与围绝经期追踪上线 苹果iOS27健康应用的更新带来了界面交互优化、视觉智能与生理监测功能的引入，显著提升了用户对个人健康的精细管理

业内人士指出，新增的营养识别功能和围绝经期追踪功能为用户提供更全面的健康管理支持，同时优化了数据同步效率和设备互联体验

值得关注的是，🍎 引入视觉智能技术，支持食物营养识别 👩‍🦱 新增围绝经期追踪功能，提升女性健康管理 🏃‍♂️ 提升数据同步速度，优化运动反馈体验 6、总规模17.5亿元

从更深层次来看，IDC首发中国智能体开发平台市场份额报告 蚂蚁数科凭借其客户基础、行业场景积累和私有化交付能力，在2025年中国智能体开发平台私有化市场中位列第四，成为排名最高的非云厂商

业内人士指出，其智能体平台Agentar在金融场景成熟应用，并逐步向多行业规模化复制

业内人士指出，IDC报告显示，智能体开发平台正在成为企业落地智能体的关键基础设施，其中私有化市场已经初具规模，公有云市场仍处于商业化试点和起步阶段

业内人士指出，🧠 蚂蚁数科在2025年中国智能体开发平台私有化市场中位列第四，成为排名最高的非云厂商

值得关注的是，💼 Agentar平台沉淀了亿级高质量金融专业数据，整合超百个核心金融MCP服务

值得关注的是，📊 智能体开发平台正在成为企业落地智能体的关键基础设施，私有化市场已经初具规模

从更深层次来看，7、SK集团拟在日本新建AI工厂 计划两三年内投产运营 SK集团计划在日本建设半导体工厂，并与英伟达合作打造海外首座AI工厂，目标是建设吉瓦级数据中心，预计在2至3年内投产

业内人士指出，同时，SK集团还寻求与日本本土企业如铠侠和Rapidus展开深度合作，以推动韩日半导体产业链的融合，提升经济安全

值得关注的是，🏭 SK集团计划在日本建设半导体工厂，落地与英伟达合作的海外首座AI工厂

值得关注的是，⌛ 该项目规划为吉瓦级数据中心，预计未来 2 至 3 年内完成建设并投入运营

从更深层次来看，🤝 SK有意携手多家日本半导体企业开展合作，推动两地半导体生态融合

值得关注的是，8、Meta旗下视频编辑应用Edits推出AI创作助手与桌面版 Meta旗下视频编辑应用Edits推出AI创作助手与桌面版，通过智能分析和全平台覆盖增强创作者内容生态，提升用户留存与转发率

从更深层次来看，🧠 AI助手打通Instagram后台数据，分析内容受众偏好并推荐创意与音频

从更深层次来看，💻 桌面版实现移动端与PC端无缝同步，提升复杂剪辑能力

值得关注的是，📊 新增Beta标签页和多维数据看板，助力创作者优化内容策略

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的香港服务器，欢迎访问 www.isclouder.com 了解更多

最新消息显示，总投资86亿元，华章宣化算力枢纽产业基地建设最新进展

近日，位于河北张家口的华章宣化算力枢纽产业基地项目正在全速推进建设

值得关注的是，该项目总投资额达86亿元，是京津冀地区大型智算中心之一

业内人士指出，一区部署了约4000个功率为12千瓦的机柜，现已开始为京津冀地区的人工智能产业提供算力支持

从更深层次来看，此外，基地的二区项目主体结构已经封顶，目前正处于机电设备安装的收尾阶段，预计将于2026年中期正式投产

从更深层次来看，同时，三区项目已于2025年底启动建设，预计将在2026年底完成主体工程完工

从更深层次来看，根据规划资料，华章宣化算力枢纽产业基地总占地面积为278.6亩，整体分为六个区域进行建设

值得关注的是，该项目作为全国一体化算力网络国家枢纽节点（张家口数据中心集群）的组成部分，旨在构建和支持东数西算算力网络布局

业内人士指出，2026 中国智算产业生态发展年会将于 6 月 30 日在深圳盛大启幕

从更深层次来看，本届大会以”AI 入场景，Token大时代”为主题，设置主论坛、供需交流会、年度评选、闪话：智算引力现场、创新成果展等多元环节，汇聚大模型企业、算力基础设施提供商（芯片、服务器等）、算力服务商、行业用户，共同探讨智算产业从建设走向应用、从技术走向生态的关键路径

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的CDN加速，欢迎访问 www.isclouder.com 了解更多

最新消息显示，Equinix投资1.9亿美元在马来西亚建设第四座数据中心

5月12日，数据中心服务商Equinix宣布，计划斥资1.9亿美元（约合7.47亿林吉特），在马来西亚雪兰莪州赛城建设一座名为KL2的新数据中心

从更深层次来看，据报道，KL2数据中心选址距离Equinix现有的KL1数据中心不到1公里

业内人士指出，该项目全面建成后，规划将提供超过2200个机柜

值得关注的是，在技术配置方面，为满足人工智能（AI）与高性能计算的需求，该数据中心的部分规划容量将支持液冷技术

业内人士指出，此外，KL2项目设定了从运营首日起即实现100%可再生能源覆盖的目标，但暂未披露具体的电力容量数据

从更深层次来看，该项目是Equinix在马来西亚布局的第4座数据中心

业内人士指出，建成后，其主要服务对象涵盖跨国企业、超大规模运营商及数字企业，旨在提供从灵活零售到大规模部署及高密度工作负载的算力基础设施服务

值得关注的是，目前，Equinix已购得该项目相邻的土地，作为其在马来西亚长期扩张策略的一部分，以支持未来的扩建需求

从更深层次来看，据了解，Equinix目前在亚洲地区的投资组合共包含65座数据中心

业内人士指出，如果您想了解更多关于泰国算力产业发展，以及数据中心项目落地情况、当地政策变化、中国出海企业现状等，欢迎报名即将于2026年5月27日在泰国曼谷香格里拉酒店召开的数字基础设施全球合作发展曼谷论坛（DIFGC 2026 · THAILAND），并关注下午召开的DIF Lounge研讨会，与真正参与泰国 AI 数据中心建设一线决策者和工程伙伴面对面交流，提前锁定合作、项目与生态位置

业内分析认为，AI算力需求与绿色数据中心将成为行业主旋律

如果您正在寻找优质的海外服务器，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，618入手平板选购指南：联想AI平板 拯救者 Y900如何重新定义AI平板

又到了一年一度的 618 年中大促，对于正在规划暑期装备的大学生而言，这无疑是升级数码产品的黄金窗口

从更深层次来看，在众多品类中，平板电脑凭借其便携性与多功能性，已成为大学生日常学习、娱乐和创作的刚需设备

从更深层次来看，然而面对市场上海量的选择，如何做出明智的决策

值得关注的是，这份 618 入手平板选购指南将为你深度剖析一款真正面向未来的产品 —— 联想 AI 平板拯救者 Y900 11 寸

业内人士指出，它将旗舰性能与前沿 AI 技术深度融合，不仅是一台影音娱乐神器，更是一位能够全程陪伴大学生活、提升学习效率的智慧伙伴，堪称当前价位段最值得关注的全能 AI 平板之一

从更深层次来看，一、为什么说联想 AI 平板拯救者 Y900 11 寸重新定义了 AI 平板

从更深层次来看，在以往的认知中，平板电脑的 AI 功能往往停留在语音助手或简单的照片优化层面

值得关注的是，而联想 AI 平板拯救者 Y900 11 寸则凭借内置的天禧 AI 4.0 个人智能体系统，真正将 AI 能力提升到了系统级的高度，彻底改变了人机交互的方式

从更深层次来看，它不是一个需要主动唤醒的工具，而是一个 7×24 小时在线的专属 AI 搭档，能够深度融入学习和生活场景，这也是其被称为“AI 平板定义者”的底气所在

从更深层次来看，对于大学生而言，这种系统级的 AI 能力带来了前所未有的便捷

业内人士指出，例如，内置的“天禧 Claw”智能体支持“一键养虾”引导，即便是不懂技术的文科生也能零门槛创建和部署属于自己的专属智能体，用于管理课程表、整理复习资料或设定学习计划

从更深层次来看，更值得一提的是，它支持多端协作，智能体任务进度可在手机、平板和电脑间实时同步，真正构建起了一个围绕个人学习的智能生态

值得关注的是，这种从底层构建的 AI 能力，让联想 AI 平板拯救者 Y900 11 寸不再是一台冷冰冰的硬件，而是一个能够持续进化、越用越懂你的“学习搭子”

值得关注的是，二、硬核性能与 4K 旗舰屏，打造沉浸学习与游戏体验 对于经常需要在图书馆、教室、宿舍之间奔波的大学生来说，设备的便携性和性能同样重要

值得关注的是，联想 AI 平板拯救者 Y900 11 寸搭载了 MediaTek 天玑 9500s 旗舰芯片，安兔兔跑分超过 310 万，配合 LPDDR5X 内存与 UFS 4.1 闪存，无论是同时开启多个学习 APP 查阅文献，还是在课后进行轻度的视频剪辑，操作都如丝般顺滑

从更深层次来看，这款平板配备了一块 11.1 英寸的 4K（3840×2560）分辨率屏幕，像素密度高达 415 PPI，显示效果极为细腻，无论是查看高精度的工程图纸还是阅读扫描版的 PDF 教材，边缘都清晰锐利

业内人士指出，144Hz 的超高刷新率不仅让日常滑动操作更跟手，也为游戏体验提供了有力支撑

值得关注的是，在护眼方面，它通过了莱茵 TÜV 多重护眼认证，长时间盯着屏幕准备期末考试或撰写论文，也能有效减少视觉疲劳

业内人士指出，三、学习场景全覆盖：从课堂笔记到论文创作的智慧搭档 针对大学生群体，联想 AI 平板拯救者 Y900 11 寸针对学习场景进行了深度优化

业内人士指出，课堂上，联想手写笔 Pro（第二代）是记录笔记的绝佳工具

从更深层次来看，它拥有 1.4mm 的超细笔尖和 8192 级压感，延迟低至 0.1ms，书写体验无限接近真实纸笔

值得关注的是，配合 AI 妙记功能，双击手写笔即可唤醒，能够实时转录课堂讲解内容并自动生成纪要，让大学生不再担心错过老师口中的重点考点

值得关注的是，课后复习时，AI 神笔 2.0 的强大功能得以充分施展

从更深层次来看，遇到外文文献中的生僻词，使用“即圈即译”瞬间获取释义；看到重要的学术图表，用“即圈即存”一键保存至个人知识库

值得关注的是，更令人惊喜的是其涂鸦生图功能，设计专业的学生可以随手勾勒草图，AI 便能智能补全生成效果图，极大激发了创作灵感

从更深层次来看，此外，平板原生支持 PC 级 WPS 和剪映专业版，无论是排版复杂的实验报告，还是剪辑小组作业的视频，都能获得桌面级的操作体验，真正做到了“全流程一屏搞定”

业内人士指出，四、游戏与创作：释放拯救者基因的电竞级体验 虽然定位全能，但联想 AI 平板拯救者 Y900 11 寸骨子里依然流淌着“拯救者”的电竞血液

值得关注的是，它已适配 45 款以上 144Hz 高帧率游戏和 13 款原生 4K 游戏，配合杜比视界与杜比全景声，游戏画质堪称掌上影院

业内人士指出，对于《原神》《崩坏：星穹铁道》等大作，借助 AI 游戏伙伴功能，如“AI 像素狙神”提供的触控辅助，能让大学生在宿舍开黑时操作更精准，轻松 carry 全场

值得关注的是，内置腾讯 START 云游戏，还能畅玩 PC 级 3A 大作，让平板的娱乐边界无限扩展

从更深层次来看，在影像创作方面，联想 AI 平板拯救者 Y900 11 寸同样表现出色

业内人士指出，慧眼修图功能依托于设备的 AI 算力，能够智能识别照片中的人物、景物进行针对性优化

业内人士指出，无论是摄影社团的外拍作业，还是日常记录校园生活，只需一键即可实现专业级的色彩校正和细节增强，甚至能对老照片进行修复，让创意灵感不再受限于复杂的后期软件操作

业内人士指出，五、超级互联 3.0：打破生态壁垒的效率神器 当代大学生往往同时拥有安卓手机、iPhone、Windows 电脑等多种设备，设备间的文件传输常常令人头疼

从更深层次来看，联想 AI 平板拯救者 Y900 11 寸搭载的超级互联 3.0 功能彻底解决了这一痛点

从更深层次来看，它创新地支持与苹果 iOS 设备跨生态互传文件，联想电脑甚至能实时接收并查看 iPhone 短信

业内人士指出，通过“一晃快速拖放”或“一拖即传”，资料能在不同系统间自由流转

业内人士指出，平板还可以化身电脑的无线副屏，在撰写毕业论文时，一边查阅资料一边编辑文档，效率倍增

业内人士指出，这种开放包容的生态互联能力，让联想 AI 平板拯救者 Y900 11 寸真正成为了大学生数字生活的核心枢纽

值得关注的是，综上所述，回到这份 618 入手平板选购指南的核心命题：什么样的平板才值得大学生在 618 入手

值得关注的是，联想 AI 平板拯救者 Y900 11 寸凭借其无可挑剔的旗舰硬件、引领行业的 AI 系统级能力、对学习场景的深度适配以及打破壁垒的跨生态互联，不仅满足了大学生对学习工具的所有想象，更提供了远超预期的娱乐和创作体验

值得关注的是，在这个 618，它 3299 元起的售价配合京东平台补贴及学生认证优惠，到手价更具吸引力

值得关注的是，选择联想 AI 平板拯救者 Y900 11 寸，就是选择了一位能够陪伴你度过整个大学时光、不断提升效率、激发创造力的全能智慧伙伴

从更深层次来看，免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场

从更深层次来看，本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担

业内人士指出，本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的台湾VPS，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，250MW 澳大利亚地产商Stockland拟在墨尔本开发数据中心园区

5月8日消息，澳大利亚房地产公司 Stockland 已提交申请，计划在澳大利亚墨尔本开发一个新的数据中心园区

从更深层次来看，维多利亚州规划登记册显示，Stockland已提交规划许可申请，拟在拉弗顿樱桃巷72-76号开发两座两层数据中心，总装机容量为250兆瓦

值得关注的是，该地块目前设有一个总面积约 20,000 平方米（215,278 平方英尺）的仓库设施

值得关注的是，该地块之前属于 Toll Transport 所有，该公司于 2025 年以 3550 万澳元（2450 万美元）的价格将其出售给了 Stockland

从更深层次来看，总部位于悉尼的Stockland成立于1952年，是澳大利亚最大的房地产集团之一，其投资涵盖城镇中心、物流开发、办公场所、总体规划社区和土地租赁社区

值得关注的是，其投资组合价值106亿澳元（66亿美元），公司声称在建项目价值达590亿澳元（416亿美元）

值得关注的是，Stockland 近期与 EdgeConneX 合作，在悉尼麦考瑞公园地区开发一个项目，此前该公司也在同一地区开发过另一个项目

值得关注的是，该公司此前已提交申请，计划在悉尼肯普斯溪地区开发一座168兆瓦的发电厂

值得关注的是，该公司还计划在韦瑟里尔公园戴维斯路2号开发另一个项目——该地目前是一个配送中心

从更深层次来看，Stockland在最近的盈利报告中表示，该公司有三个数据中心项目正在新南威尔士州政府的投资交付管理局 (IDA) 快速审批流程中推进，分别位于 Wetherill Park、Kemps Creek 和 Macquarie Park，此外还有三个现有站点，已获得总计 450MW 的电力保障

从更深层次来看，今年2 月，该公司表示已为位于墨尔本拉弗顿樱桃巷和布鲁克林配送中心的约 350 兆瓦数据中心开发项目确保了电力供应

业内人士指出，随着AI产业的蓬勃发展，百兆瓦级别已经成为新建数据中心的”起步线”

从更深层次来看，东南亚新兴的算力枢纽地区泰国，近期来就已经连续落地多个数百兆瓦的数据中心项目

业内人士指出，如果您想了解更多关于泰国算力产业发展，以及数据中心项目落地情况、当地政策变化、中国出海企业现状等，欢迎报名即将于2026年5月27日在泰国曼谷香格里拉酒店召开的数字基础设施全球合作发展曼谷论坛（DIFGC 2026 · THAILAND），诚邀您共话全球数字集成新篇章

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的站群服务器，欢迎访问 www.isclouder.com 了解更多

行业动态更新：微软承认 6 月 Win11 更新存在兼容性问题，部分第三方软件无法打开 Office 应用

IT之家 6 月 18 日消息，微软更新支持文档，承认 6 月 Windows 11 累积更新（KB5094126/KB5093998）存在兼容性问题，导致部分第三方软件无法通过 OLE 自动化启动 Office 程序

值得关注的是，IT之家注：OLE 是微软开发的技术，支持不同应用程序之间共享数据和功能

业内人士指出，而 OLE 自动化是 OLE 的扩展功能，无需用户手动交互，支持某个应用程序（客户端）通过编程方式控制另一个应用程序（服务器），执行打开文件、编辑内容、运行宏等操作

业内人士指出，根据官方公告内容，在 Windows 11 设备上安装 6 月累计更新后，包括 CCH Engagement 与 Workpaper Manager 等税务和会计软件、Dentrix 和 Softdent 牙科诊所管理方案、Zotero 文献管理工具在内，多款第三方软件无法通过 OLE 自动化方式启动 Office 应用或者打开 Office 文件

从更深层次来看，该 Bug 影响 Word、Excel、PowerPoint、Access 以及其它 Office 套件内应用，导致无法通过 OLE 自动化方式打开上述应用和文件

值得关注的是，作为临时解决方案，微软建议受影响用户直接打开 Office 应用或文档

可以预见，这一趋势将在未来深刻影响IDC行业格局

如果您正在寻找优质的美国原生IP，欢迎访问 www.isclouder.com 了解更多

据行业最新消息，史上第二大数据泄露事件被曝光：涉 240 亿条记录、8.3TB 容量

IT之家 6 月 18 日消息，科技媒体 cybernews 昨日（6 月 17 日）发布博文，发现史上第二大数据泄露事件，涉及 240 亿条记录、超过 8.3TB 容量

业内人士指出，IT之家援引博文介绍，本次事件仅次于 2024 年的“泄露之母”（MOAB）事件，当时泄露库总体积高达 12TB，包含超过 260 亿条记录

从更深层次来看，该媒体于 6 月 12 日发现一个暴露的 Elasticsearch 集群，内含 240 亿条记录，数据量超过 8.3TB

从更深层次来看，大部分记录为信息窃取软件（infostealer）日志，包含原始格式的登录凭据：邮箱地址、用户名和明文密码

值得关注的是，每条记录还标注了对应的登录 URL 以及来源

值得关注的是，数据来自 36 个不同的来源，其中 Telegram 频道贡献超过 17 亿条记录，另有约 2600 万条记录来自名称包含“Darkside”的频道

从更深层次来看，规模最大的部分来自所谓的“collections”（集合），包含 22.6 亿条记录

业内人士指出，研究人员无法确定这些记录的具体来源，可能是此前泄露的信息窃取日志合集或按服务分组的凭据

值得关注的是，此外，还有 1.5 亿条记录标注为“本地数据库转储”，可能直接从目标服务器导出

值得关注的是，研究人员无法确认重复记录数量或受影响唯一用户数，也无法确定数据的新旧程度

值得关注的是，数据所有者身份未知，可能是公司或威胁行为者

随着IDC行业的快速发展，可持续发展将成为未来竞争的关键

如果您正在寻找优质的AI算力服务器，欢迎访问 www.isclouder.com 了解更多