当前时代,新冠疫情进一步推动了全球数字经济的发展。放眼日本市场,伴随远程和线下结合的混合工作方式在企业中不断扩大,日本各企业数字化升级也在加速进行。在这种背景下,网络相关议题获得了更高的关注度。紫光股份旗下新华三集团紧抓时代机遇,凭借便捷的网络管理、VDI云桌面解决方案和Wi-Fi解决方案等产品技术优势以及可靠的全球供应能力,为日本各行各业的数字化发展提供高效支持。
近期,以技术为导向的日本知名数字媒体日经xTECH (Nikkei xTECH) 针对日本数字经济发展趋势与新华三海外发展布局等焦点议题对新华三集团日本市场总经理皮晓明进行了特邀采访。
日本加速数字化进程
全栈式创新实力,直击日本企业数字化转型痛点
皮晓明表示:“自疫情以来,客户的咨询和业务谈判急剧增加,许多日本公司都在进行全面数字化转型,对各种支持数字化的解决方案更加感兴趣,我们在日本市场的表现也有显著的增长。新华三的解决方案涵盖了广泛的ICT领域,尤其是在网络管理、VDI和Wi-Fi三个领域,受到日本市场的高度重视和欢迎。”
在其提到的三个领域中,新华三Cloudnet云简网络解决方案能够解决中小企业数字化转型中面临的网络痛点,赋能及实现极简管理和云化部署,从而提升网络管理效率,减轻运营负担。新华三“GIGA School”项目便是采用该解决方案帮助日本中小学成功实现简单管理、高速安全的校园网络覆盖,为在校师生提供了高质量的数字服务。
其次,在疫情影响下,混合工作方式逐渐成为常态。对此,新华三以UIS融合基础架构形成的HCI解决方案及VDI云桌面解决方案为用户打造了管理简便、数据安全、部署高效的工作环境,充分满足了日本各行各业对于远程办公解决方案的需求。此外,新华三最新企业级智原生Wi-Fi 7 AP产品WA7638在今年6月的Interop Tokyo 2022展会上成功斩获金奖 (Best of Show Award Grand Prize)。该产品可以实现射频管理、终端接入、业务保障及网络治愈等智能化功能,加深客户的智慧运维体验,并将信道利用率提高56%、终端接入效率提高33%、业务传输通道提升220%,使得网络运维时间整体缩短了30%。
新华三Wi-Fi 7产品WA7638斩获Interop Tokyo 2022金奖
凭借以上三个领域的优势,新华三还针对企业办公、教育、医疗、公共服务等场景,重点推出“协同办公”(Synergy Working)、“创新教育”(Innovative Education)、“高效医疗”(Efficient Healthcare) 和“可靠的公共服务”(Reliable Public Service) 四大场景化解决方案,满足了日本市场客户数字化转型的不同需求。以医疗领域为例,新华三数字解决方案已应用于日本北海道心脏中心医院,助力其成功应对在数据共享、治理和安全上的挑战。
全天候服务支持,助力各行业场景下的数字化转型
除了产品和技术,新华三强大的供应能力和服务支持同样是立足当地市场的重要优势。皮晓明指出:“作为全球数字化转型的最佳合作伙伴之一,新华三具有完备的供应链管理和应急体系,以及与上游供应商的紧密良好沟通。我们自身打造的端到端供应链协同运作体系,能够为客户提供最稳定的产品支持、确保客户项目的完美交付。此外,新华三在日本有近100个合作伙伴,每个合作伙伴都为其各自地区的客户提供24小时、365天的线上支持。无论是中小型企业,还是大型企业,新华三都能够为其提供可靠的维护和支持服务。”
在海外市场,新华三秉承与合作伙伴、客户协同发展的“三赢”合作宗旨,不断深耕细作,稳定发展,业务已覆盖了全球100多个国家和地区。同时,认证海外合作伙伴也扩展至近千家,并在24个国家和地区建立了备件中心,服务交付可以覆盖135个国家。
未来,新华三将持续深耕日本ICT市场,深化研发领域成果,促进数字化解决方案与智能平台在全行业场景内的搭建与融合,并与日本当地客户及合作伙伴携手并进、合作共赢,为日本百行百业的数字化发展注入源源不断的创新动力。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。