思杰现代化数字空间解决方案为上汽通用赋能安全、高效的远程办公新体验
在疫情的持续催化下,越来越多的企业将移动或远程办公定位成战略部署的一部分。企业IT部门在这样的形势之下所面临的一个重要问题是:如何在保证企业数据、设备安全的环境中,实现业务的高效运转并提高员工的生产力?中国汽车行业市场的领军者之一上汽通用选择了与思杰合作。
上汽通用使用集成了思杰技术和解决方案的企业远程虚拟化平台,以应对分布式IT与工作模式所带来的挑战。思杰虚拟应用和桌面即服务(Desktop as a Service)解决方案在搭建这一平台过程中扮演着“保驾护航”的重要角色,使上汽通用公司及泛亚汽车技术中心实现了对移动办公和远程协作的全面覆盖。远程虚拟化平台满足了广泛的办公需求,承载了包括汽车设计、IT软件开发以及办公自动化应用和呼叫中心等多条业务线,为2,600个桌面并发用户提供服务。同时,企业员工能够在各个工作渠道、设备、地点高效、安全地维持业务的连续性,享受现代办公协作新体验。
在企业全面实现数字化的过程中,守护好企业数据资产的“安全”是重中之重。首先,思杰解决方案通过将数据存储在数据中心而不是设备上来保护宝贵的数据。正因为如此,重要的信息不可能被破坏、丢失或被盗。其次,思杰虚拟桌面提供对角色挖掘、访问控制以及相关自定义策略的支持。也就是说,通过判断访问用户的角色与对应权限,达到对访问资源数据这一过程的安全控制,使企业安全、合规的要求得到满足,由此提高安全性。其中,Citrix Gateway能够根据用户的位置、风险状况等因素控制会话所使用的认证机制,并支持FIDO2、无密码访问、基于生物识别或OTP的常规认证机制,动态地进行安全策略的部署。通过一系列覆盖从核心应用、办公和后台系统,到移动办公、云就绪桌面和应用的解决方案,上汽通用已经拥有强大的安全保护系统并有能力应对潜在的安全威胁。
在保证安全的基础之上,思杰现代数字化工作空间解决方案能够帮助企业核心业务高效、灵活地进行。在汽车行业的研发项目中,抢占进入市场的先机是至关重要的,这将直接影响到新产品未来的成功或失败。设计和开发工作尤其关键,在分布式办公环境下,企业要避免这样的核心任务停滞运营。疫情期间,上汽通用汽车公司和泛亚汽车公司的工程师首次通过远程办公推行重点项目。事实证明,思杰Citrix Virtual Apps & Desktops(CVAD)解决方案和安全访问控制解决方案彰显出独特的价值,员工们可以随时向同事传达最新的进展,并共同推广创新应用。在“双管齐下“的数字化举措的助力之下,上汽集团通用汽车和泛亚汽车的设计和工程团队的一系列设计研发工作得以高效、灵活并且有条不紊地进行。
不以牺牲员工体验感为代价,思杰为企业和员工打造“双赢”的数字化环境。利用虚拟技术创建的现代数字工作空间能够实现高效的移动和远程协作办公,同时也为员工提供了良好的办公体验。在实践中,虚拟桌面可以通过几个简单的步骤进行配置,使用户可以随时随地轻松工作。为适应员工远程移动办公的场景,平台内还支持不同设备类型的平滑漫游,以保证连续工作的实现。也就是说,用户可以在他们的个人苹果电脑上访问公司标准的Windows系统,或者他们可以在不同类型的设备上(如手机、平板电脑等)灵活安全地按需使用内部应用程序,而切换设备不会造成任何连续服务的中断。
在思杰数字空间解决方案的帮助下,上汽通用迅速升级其IT远程虚拟平台,为特殊时期下的日常办公和管理工作的正常运行打下了坚实的基础。未来,思杰将继续赋能企业的智慧愿景,为更多中国本地企业“保驾护航”,助力他们在智能数字化的道路上“扬帆起航”。
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。