1 关于昆明航空
昆明航空由深圳航空投资控股,是云南省唯一一家本土航空企业,主要经营航空客货运输业务。随着机票分销政策改革的逐渐深入,“提直降代”(即提升机票直销、降低代理分销)已经成为国内航空公司业务变革的首要目标。“提直降代”及相应销售模式的变化,给昆明航空现有IT系统带来很多挑战,亟需创新的技术和灵活可扩展的平台作为支撑。
2 挑战
昆明航空“提直降代”私有云平台建设项目初期涉及官网、OTA(在线旅客代理)接口、微信和呼叫中心等模块,包含IBEAPI(中国航信互联网订座引擎)服务、运价/客规查询、呼叫中心行程单服务、优惠券查询使用服务、保险查询预订服务、值机服务、常旅客会员服务、支付服务、航班动态查询服务等在内的多项业务。
基于对未来可扩展性、安全性和稳定性等多方面的考虑,昆明航空信息中心将逐步对现有系统进行改造,通过拆分原有各应用系统中的公共功能,以服务的方式供各系统共享,实现系统之间的解耦合,最终实现高可用和横向扩展。此外,基于应用和业务场景的需求,昆明航空亟需一套云平台提供业务支撑。云平台要具备多种PaaS服务能力,同时具备高性能、成熟性、开放性、可扩展性、资源弹性、安全性及易用性等特性。
3 解决方案
基于昆明航空的私有云建设需求,青云QingCloud为其提供了一套完整的云计算解决方案,包括稳定可靠、集成统一、弹性伸缩、智能高效并自主可控的云基础架构平台,以及数据库集群、缓存集群、对象存储、大数据平台和容器等服务于一身的PaaS平台。其中,云基础架构平台包括IT基础设施层的所有组件,与昆明航空对云平台的需求相契合。此外,昆明航空的业务应用还可以通过QingCloud的应用编排引擎一键部署到测试、生产等多个环境中。
●简化管理
整合客户现有以及新购的计算设备,按照业务需求动态分配和共享资源,将服务器与员工之间的比例降低了80%,大大节省了成本;同时,基于动态响应的全功能管理页面、丰富的监控和分析能力、完善的资源管控功能,提高了管理运维效率。
●集成便捷
提供全功能API,同客户现有系统和服务无缝集成,帮助其实现端到端的流程穿越。同时支持用户通过API对接统一的监控与报警平台,实现企业内的管理一体化。
●加快部署
秒级创建所有虚拟资源,大幅提高资源供给速度。通过制作自有镜像和部署脚本,快速批量创建和转移服务器,部署步骤都通过标准的自动化模板统一完成,将部署周期缩短到几分钟,提高了业务快速上线的能力。
●服务稳定
通过P2P机器人智能运维系统监控所有资源,完成自动化的调度,协同保障故障无害。青云QingCloud云平台软件实现的集群高可用性,弥补了单节点硬件设备的缺陷,保护用户免受意外设备与环境故障的影响。通过技术手段确保每位用户的服务质量(QoS),以及体验的一致性,确保上层业务稳定运行,始终如一。
●开放
无硬件绑定,不依赖任何特定硬件,如集中式存储、SSD硬盘、SDN交换机、物理负载均衡器等。提供标准计算资源和中间件,无厂商锁定。无限制开放全部API,提供SDK和CLI。提供定时器、自动伸缩、应用中心等平台层API支持,用户可利用QingCloud的功能框架构方便地实现客户化需求。
●提升创新能力
从投资和运营上节约的成本,再结合业务快速上线的能力所节省的时间,业务部门将会有更多的资金和时间瞄准新市场推广新的业务。这样也就给业务部门提供了更多创新业务的空间和可能性。
4 客户评价
昆明航空IT部门表示,业务创新对昆明航空的IT建设和运营提出了更高的要求,选择青云QingCloud作为昆明航空的云服务合作伙伴,主要基于其高度成熟和产品化的云计算解决方案,满足昆明航空对私有云平台建设的全部需求。作为国内航空业云战略转型的领跑者,昆明航空希望通过与QingCloud的合作进一步提升IT的整体创新能力,加速业务的创新与转型。
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。