2024年7月24日,上海讯 —— 日前,“走进世界一流企业”对标SAP高级研讨班成功举办。以“引领发展战略新兴产业和未来产业,加快形成新质生产力”为主题,研讨班吸引了50多名来自中央企业、地方国有企业管理人员参加培训。SAP高管团队悉数出席,与众多央国企代表进行了为期三天的授课、体验和交流。这是SAP第三年成功承办该研讨班,SAP致力于不断深化与央国企业在数字化应用、创新发展领域的交流,持续为中国企业数字化转型保驾护航,践行新型中国企业赋能者的长远承诺。
在开班仪式上,国务院国资委干部教育培训中心有关领导强调,要扎实推动科技创新和产业创新深度融合,助力发展新质生产力,把科技创新作为“头号工程”来推动,以科技创新引领产业创新。加快建设世界一流企业,是国有企业改革的重要战略举措。同SAP共同学习交流中,国资国企可以聚焦数字化转型、供应链优化等企业发展的共性问题,开展交流学习,拓宽国际视野,探讨如何更高质量、更富效率、更大格局地创造企业价值、产业价值和社会价值。
SAP全球副总裁、SAP大中华区首席业务官骆才(Michael Locher-Tjoa)在开班仪式上表示,能够第三年承办此项活动,与央国企领导分享数字化创新应用,共同探讨高质量发展路径,SAP深感骄傲且深受鼓舞。“新”是此次研讨班的关键词,SAP将助力国资央企利用新技术,探索新发展模式,形成新质生产力,加速迈向世界一流企业。通过SAP商业AI等全球领先的技术,我们相信更多的央国企将成为全数据、全球化、全绿色的新型中国企业。
本届研讨班聚焦SAP商业AI等最前沿的创新技术,设置课程分享、参观体验和主题研讨三大核心版块。SAP中国区联席总经理姚法、SAP大中华区首席财务官柳浩伟、SAP大中华区首席数字官彭俊松带领一流的SAP行业专家团队,为学员们深入介绍了SAP如何利用以商业AI为代表的新技术,对标世界一流财务体系,助力产业实现转型升级,加速数字化创新应用,特别结合SAP在汉诺威工博会上展示的最新解决方案,分享德国工业4.0的发展与启示,以及SAP在智能制造领域推动新质生产力发展的实践案例。
学员们还来到位于上海张江的SAP中国研究院,重点参观了SAP打造的从“过去”、“现在” 到 “未来” 的创新体验三部曲之旅。以“穿越历史”数字墙为起点,从创新体验中心一路到全新的“穿越科技: 相遇2050”展厅,学员们沉浸式体验了商业AI、可持续发展的创新成果,以及元宇宙数字人、脑机接口等前沿技术,领略了SAP对科技引领未来商业的前瞻思想,为引领发展战略新兴产业和未来产业这一主题,带来更多创新灵感。此外,学员们还亲临SAP客户——上汽大众的电动车平台工厂,实地观摩大众全球最新的新能源汽车平台生产线,了解上汽大众在智能化生产、信息化与工业化融合方面的创新举措,进一步丰富学员们的战略视野与创新思路。
SAP将始终秉持“在中国,为中国”的理念,赋能云时代新型中国企业,助其成为全数据的智慧企业、全球化的协同企业、和全绿色的可持续发展企业。SAP希望携手领先的央国企业,通过SAP全球领先的技术与行业最佳实践,为他们插上数字化羽翼,推动跨跃式的创新增长,共促新质生产力发展。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。