北京,2019年10月16日——拥有“天空之境”美誉的青海茶卡盐湖景区,就像一面从天空坠落的镜子,镶嵌在西北干燥的大地上,为这里带来一丝别样风情。这座有着三千多年历史的天然结晶盐湖,湖面辽阔,每年的6-9月,西北雨季来临之际,茶卡盐湖干净纯粹的湖面与远方的雪山连成一体,在蓝天白云的印衬之下,美得就像是一幅画,吸引着来自五湖四海的游客。据茶卡盐湖景区的官方统计,在高峰接待的8月份,景区日均接待游客可高达50094人次,平均每小时进入景区的游客有3,340人,来自各地的自驾车达到8,616辆。
面对季节性业务量激增,茶卡湖景区所属的西部矿业集团希望在建设集团统一私有云平台的基础上,为茶卡盐湖景区打造一朵小云,在保障核心业务应用的同时,应对旺季的持续性高访问,让前来景区逐美的游客们能全程享受美好的体验。
青云QingCloud凭借自身领先的技术、卓越的产品能力和成熟的行业解决方案,成功为西部矿业搭建了集团私有云平台,还通过青立方Qing³超融合易捷版为茶卡盐湖景区化解了业务压力。这不过是青云QingCloud在西北云计算画卷上添上的一笔小小色彩。今年青云QingCloud CIC全国巡展第二站走进西北地区代表城市古都西安,致力于将全维云能力深入整个西北区域,持续促进区域内百行千业的数字化转型。
Cloud Insight Conference(CIC)云计算峰会是由青云QingCloud主办的云计算行业顶级盛会,旨在全力促进前沿科技与行业实践密切结合,以深刻的科技洞见引领科技创新风潮,至今已成功举办五届。除年度盛会,青云QingCloud自2014年开始,还开展了以技术与实践分享为主题的全国巡展活动,在过去的5年中,走遍20多个省的数十个中大型城市,获得当地IT技术从业者的一致好评。本次巡展更是将前两者的影响力聚合,在延续CIC 2019大会主题——“云无界,数未来”的基础上,走进区域,以全新的战略、高维的视角和更加贴近产业的场景打造数字未来的落地实践。
西北地区是国家高新技术产业和技术装备工业、国防科技工业的聚集地,这类企业由于行业本身对信息技术发展敏感,对新兴IT技术的需求也众多。在新时期“一带一路”科技创新思路引导下,古代丝绸之路的起点城市西安,又被赋予了对接国内外优秀科技创新资源,打造“硬科技之都”的新时期历史使命。这背后更离不开云计算的强力支撑。
青云QingCloud正是有心助力西北地区背负的科技创新使命,凭借具有“全栈”、“全态”、“全域”能力的全维云平台,已为包括陕西省国资委、陕西省“一网一池”、西部矿业、茶卡盐湖、中石油长庆、陕西科技大学、西安理工大学、乌鲁木齐卫健委、天佑医疗集团、西藏宏绩集团、晋中银行、哈密银行、陕西国际信托有限公司、山西农信、青海农担等在内,覆盖政务、旅游、能源、教育、医疗、金融行业的企业及公共事业标杆用户提供了强有力的数字化转型推动。
与此同时,青云QingCloud还在今年5月份与华泰软件达成战略合作,双方携手共同打造西安地区企业级技术生态,提供联合创新的产品与服务,从而共同推动西北地区更多行业、企业数字化转型落地。
青云QingCloud解决方案与架构副总裁沈鸥表示,青云QingCloud对于西北地区有着长期和完备的规划,在将创新技术和研发实力持续输入的同时,更希望借助生态建设的力量,加强与合作伙伴、企业客户的联动,共同推进数字化转型落地。青云QingCloud正将更多的资源倾注西北地区,也希望能够为西北的数字化建设添上浓墨重彩的一笔。
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。