随着Corel的重大投资,Parallels赢来新机遇,提升为企业和消费者创造创新型解决方案的成熟能力
中国——2018年12月21日——Corel Corporation今天宣布收购Parallels公司,该公司作为专门提供跨平台解决方案的全球领先企业,以其在Mac上运行Windows的头号畅销软件而闻名。Corel现在能提供完整的Parallels系列产品,包括Parallels Desktop for Mac、Parallels Toolbox for Windows & Mac、Parallels Access、Parallels Mac Management for Microsoft SCCM,以及行业领先解决方案Parallels Remote Application Server(RAS)。具体财务细节没有公布。
Corel计划对Parallels业务进行重大投资,是因为从两家公司广泛的客户基础、强大的合作伙伴网络和全球知名品牌的优势中,看到了巨大的增长机会。Corel和Parallels将共同提供应用程序和服务,助力用户在自己喜欢的平台上操作,包括Windows、macOS、iOS、Android、Chromebooks、Linux、RaspberryPi和云。
Corel首席执行官Patrick Nichols表示:“我们非常高兴地欢迎Parallels员工加入Corel的全球组织架构。Corel和Parallels产品组合高度互补,商业模式和战略充分契合,双方可谓是天作之合。技术和团队双剑合璧带来的能量,不仅将推动业务持续增长,更能为客户带来成功的巨大发展机遇。”
“Parallels和Corel拥有共同的愿景、市场领导力和创新激情。作为Corel的一份子,我们期待继续为客户和合作伙伴提供一流的软件服务,”Parallels首席执行官Jack Zubarev表示。
“成为Corel的一员之后,Parallels将与一系列令人瞩目的行业领先品牌联袂,包括CorelDRAW、WinZip、ClearSlide和MindManager。作为Vector最成功的投资之一,Corel提供了一个卓越的收购平台。我们向Corel管理团队表示祝贺,并期待与他们共同努力,实现公司下一个阶段的发展,”VectorCapital常务董事RobAmen谈到。
Parallels可以让客户在任意设备或操作系统中轻松使用和访问所需的应用程序与文件。Parallels可帮助企业和个人安全、高效地使用其常用设备和偏爱的技术,无论是Windows、Mac、iOS、Android、Chromebook、Linux、RaspberryPi还是云。Parallels解决方案能够将虚拟桌面和应用程序无缝发布到任何设备,助力用户在Mac上运行Windows,使用Microsoft SCCM管理Mac,从任何设备上远程访问PC和Mac,以及通过一次单击简化单调乏味的一般PC和Mac任务,节省时间。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。