在外部环境不确定的情况下,信创即信息技术应用创新产业被加速推进。经过多年发展,中国的芯片、网络、操作系统以及周边配套产品实现了从无到有、从可用到好用的跨越式进步。
随着信创的逐渐深入,应用软件厂商正在积极开展适配工作。目前主流的国产操作系统已经完成了对多款主流终端和服务器的设备适配,在软件方面也能兼容主流国产厂商的办公类应用、数据库、中间件、虚拟化、云桌面和安全应用。但是,对于金融、设计、制造、办公类应用的国外主流操作软件,仍需完成繁琐的兼容性认证和适配工作。
在这种背景下,思杰的应用虚拟化技术可提供信创应用兼容的过渡方案,通过思杰信创适配层技术,实现信创终端国产操作系统与金融、制造等企业级应用软件的无缝衔接。
思杰大中华区总经理于放告诉记者,思杰在虚拟化技术方面有着深厚的技术积累,而依靠应用虚拟化,可以提升信创产品的兼容适配度,让应用交付更容易。”我们能够帮助行业客户可以尽快在短期之内推动落实信创工作。“
思杰大中华区技术总监钱春江解释说,一些行业软件并没有与国产的CPU和操作系统进行适配,而借助应用虚拟化,这些应用便被发布出来,通过浏览器即可进行使用,从而解决了兼容适配问题。”与专注于信创的厂商不同,我们更多是帮助信创实现落地。“
通过与两位嘉宾的交谈,笔者对于思杰参与中国信创产业有了更为明确的认识,也就是思杰是协助企业进行信创技术和产品的落地,为其提供有益的应用兼容过渡解决方案。
众所周知,国家在推动信创产业,但是对于企业而言,他们会面临一个很大的挑战,那就在跨平台的异构复杂环境中管理各种各样的应用,因为很多应用的改造适配并不是一蹴而就的。
钱春江说,对于类似银行这样的行业客户,如果通过代码级进行信创适配,其实企业的工作量会很大。而思杰提供了一个过渡性的方案,通过在任意平台上发布应用,解决异构平台的融合问题,尽快推动落地信创工作。
随着对应用虚拟化技术探索的日渐深入,思杰始终坚持打造与其技术价值相匹配的用户体验。一方面,终端用户可以更加灵活、高效地进行工作,企业员工能够轻松实现远程或移动办公,并使用多样化的操作系统和配置的硬件设备访问桌面、应用和数据。另一方面,虚拟化技术使企业无需复杂的IT系统即可实现严格的安全管控。
目前,思杰投入了专门的资源,通过研发级的对接,正在积极推进与国产CPU和操作系统之间的兼容认证、测试工作。Citrix HTML5已经验证与飞腾(ARM架构)、鲲鹏(ARM架构)、兆芯(X86架构)、海光(X86架构)以及麒麟OS和统信UOS相兼容,而Citrix Workspace Apps也已实现与兆芯(X86架构)、海光(X86架构)以及麒麟OS和统信UOS相兼容,并在快速推进与飞腾(ARM架构)、鲲鹏(ARM架构)和统信UOS及麒麟OS的兼容认证。
其实从推动信创融合的举措,我们可以看到思杰对于中国市场的投入,于放表示,中国的云市场潜力巨大,思杰聚焦中国市场,与本土合作伙伴做了非常多的工作,帮助用户进行业务上云,实现异构环境的融合。
有数据显示,到2023年,中国信创产业市场规模将突破到3650亿美元,市场容量将突破万亿。”面对这样的市场机遇,思杰依托技术和资源优势,更好地满足客户所需,推动信创产业和市场的发展。“于放最后说。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
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。