• Mercedes ME App 通过用户的智能手机和智能手表传递其爱车状态的实时信息。
• Mercedes ME 的构建基于 Pivotal 的原生云平台 Pivotal Cloud Foundry®和 Spring Boot,并借助 Pivotal Labs 灵敏软件开发技术达到超强性能。
• 新的数字平台支持梅赛德斯奔驰的整个数字化转型过程,提升了用户整体驾驶体验,使得数字化汽车行业迈上了新的高度
Pivotal®(一家帮助加速企业数字化转型的公司)今日宣布与梅赛德斯奔驰(以下称"奔驰")合作,为其设计推出首款具有划时代意义的汽车智能互联应用,由此进入数字化转型的新时代。这款新平台提供多种增强用户体验的新功能,旨在为驾驶员带来更加深入的驾驶体验。驾驶员可以访问汽车状态等关键信息,远程控制诸如辅助加热等功能,可以远距离开关门锁,通过 Iphone 手机和 Apple Watch进行便捷导航。
Mercedes ME 的发布进一步巩固了奔驰在当前这一万物互联时代的领导地位。近几年,数字化成为该公司在所有领域的重要策略。这次数字化转型的核心是快速开发软件,这样公司才能够在竞争中取胜,赢得奢侈汽车市场,实现宏伟蓝图。到 2020 年,所有汽车都将实现零排放,并具有自主驾驶和深层互联的特点。
奔驰公司期盼 Pivotal 实验室和 Pivotal 原生云平台,即由开发者框架 Spring Boot 提供超强性能的Pivotal Cloud Foundry所提供的敏捷开发服务可以帮助实现这些重要的目标。梅赛德斯奔驰公司现在可以极其快速地部署可高度扩展且灵活性很强的产品和解决方案,来应对日益增长的客户需求。在本项目中,Pivotal 实验室将硅谷软件开发的文化和成熟的技术带入斯图加特,帮助奔驰适应并进一步开发这一秘技。
Pivotal 总裁之一 Scott Yara 与奔驰汽车智能互联部门领导 Christoph Hartung 在法兰克福的汽车IT大会(Car IT Congress)上正式介绍这个联合项目,并解释了合作背景。
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。