日前,企业级云服务商青云QingCloud与西藏宏绩集团有限公司(以下简称“西藏宏绩集团”)建立合作,采用搭载着QingCloud云平台易捷版的超融合系统,为其旗下的酒店、旅游、商业综合体业务版块供开箱即用、便捷、高度自动化的云平台以及一站式的系统搭建、交付、使用及运维服务,满足了其在短时间内获取云计算应用开发和系统运维能力的需求。依托QingCloud私有云平台及其技术支持,集团20年来的倾力之作——藏游坛城正在发展成为拉萨的新地标,并进一步打造成为覆盖全西藏的大型商业综合体。
西藏宏绩集团1997年在西藏拉萨市成立,2010年实施集团化改制,公司及旗下企业合计注册资金13000万元,集团产业涉及工程建设、房地产开发销售、旅游产业开发经营、文化产业开发经营、物业经营管理、酒店经营管理和商贸等。集团从成立起,多次获得国家及部委组织颁发的各种先进楷模企业称号。
在近5年的业务规划中,西藏宏绩集团将酒店、景区、商业综合体和连锁超市的信息化系统管理提上了日程,集团旅游转型和旅游平台的搭建迫在眉睫,但是诸多现实条件的制约也让集团的信息化之路困难重重。
首先,西藏宏绩集团坐落于西藏地区,IT人才匮乏,如果采用传统IDC的方式构建整体架构,会导致IT成本高、运维难度大;其次,集团实体分布在西藏地区,要求所有的数据和服务都必须部署在西藏,而当地能够提供优质服务的供应商较少,其安全性、技术水平参差不齐,且容易被厂商锁定;再次,集团希望旗下酒店、旅游业、商业综合体之间在各个环节打通信息孤岛,又要最大限度地对数据进行安全隔离;最后,集团IT团队成立不久,IT基础还未成熟。这一切的限制和需求让他们将目光锁定在了私有云平台。
经过多方考察和对比,西藏宏绩集团最终选择了青云QingCloud云平台易捷版,它集成了QingCloud云平台的计算、存储、网络和安全模块,优化的超融合架构设计,以及云资源管理和调度能力,不需要人为干预即可轻松实现在本地搭建拥有QingCloud易捷云平台功能的数据中心,保证了西藏宏绩集团的数据完全存储在本地,最大限度地兼容了传统IT架构,并且最大化节省了运维成本。
此外,QingCloud云平台易捷版在底层采用智能资源调度平台,通过智能化的联机分析系统可以不断根据历史数据优化算法,保证资源调度的最优化,实现全局的负载均衡。通过图形化安装工具QingCloud Installer,云平台易捷版可实现从裸物理环境一键安装,方便后续的扩容和功能升级,亦可便捷升级到QingCloud云平台企业版。为日后西藏宏绩集团不断扩大规模奠定良好的云平台基础。
西藏宏绩集团网络信息中心张胆表示,青云QingCloud无论是在硬件、软件还是自动化运维层面都有着极大的优势,这对于在信息化建设中有着严苛要求,但在人力和时间上都比较紧迫的西藏宏绩集团来说是最佳的选择。借助QingCloud成熟的云计算平台技术,西藏宏绩集团实现了计算资源、存储资源的按需扩展能力,动态调度的应用服务能力和快速、弹性的IT资源自动化交付能力,让西藏宏绩集团在打造旅游信息平台的征途上多了一道强有力的技术保障。
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。