今日,由全球能源管理与自动化领域的数字化转型专家慧能科技股份有限公司(以下简称“合众慧能”)董事长李贲、北京电信规划设计院有限公司施耐德电气打造的精品会谈栏目“非正式会谈”第二季第三期节目正式上线。本期会谈邀请北京合众高级工程师郑美英和施耐德电气数字能效业务智能配电和电能管理业务部北方区负责人姚文杰,就施耐德电气与合众慧能的二十载合作展开经验交流,并聚焦数据中心的前瞻发展和配电技术的应用趋势展开深度讨论,为观众分享领先的行业洞察和丰富的实践经验。
顺应配电数字化的发展浪潮,施耐德电气于2014年推出EcoXpert™合作伙伴计划,赋能合作伙伴发展,构建互通的行业生态圈。姚文杰介绍道:“EcoXpert合作伙伴计划涵盖数字配电、数字能效集成、楼宇自控、智能照明4项企业级能力认证。通过提供全方位的技能培训和认证体系,以及在项目验收流程中的全面支持与保障,助力合作伙伴实现精细化管理与精益化生产,加速构建行业生态圈,发展新质生产力。”
面对能源管理和数字化转型成为行业发展趋势,合众慧能董事长李贲表示:“在‘双碳’目标的建设和智能化技术逐渐广泛应用的背景下,用户对系统的价值提出了更高的期望,合众慧能因此选择与施耐德电气合作。携手二十载,在EcoXpert合作伙伴计划等生态圈项目的赋能下,合众慧能从仅能提供产品销售的初创企业,发展成为了能够提供完整运维解决方案的智慧能源服务商,具备了数字化软件、数字化产品的设计、部署和调试能力。如今随着人工智能、大数据等技术的蓬勃发展,合众慧能锚定数据中心行业作为重点行业,致力于为其提供一体化系统,助力其绿色化发展。”
事实上,随着数字中国的持续建设,加快构建综合算力基础设施体系已成明确发展方向,而稳定、高质的电能供应则是数据中心发展的基石。针对数据中心需求激增,郑美英对该行业发展当前面临的难点做了总结:第一,数据中心运管维监控系统复杂,需要统一化管理;第二,中压逻辑管理复杂多变,需提升数字化运维以确保安全性和容错性;第三,数据中心对电能质量十分敏感,需解决供电中断、电压骤降和谐波污染等电能质量问题。
针对数据中心的发展挑战,合众慧能携手施耐德电气为数据中心提供智能解决方案。依托EcoStruxure™的架构与平台,以PO电力监控系统和PO A5电源负载自动控制系统为监测和控制中枢管理数据中心,可实现远程监控,提升数据中心运维效率;中压市电与柴发投切系统通过IEC61850技术应用,能够实现快速部署、及时响应、高效执行的价值优势;电能质量闭环解决方案的部署,可帮助数据中心全面解决电力监测、无功补偿、谐波治理等方面问题。
携手前行,共铸辉煌,合众慧能与施耐德电气经历二十年发展,能够为客户搭建完整的智能化解决方案,成功交付了众多精品项目,成就行业典范。而随着以数据中心为代表的更多行业加速向数字化、低碳化的高质量发展迈进,施耐德电气将以助力经济社会低碳发展为己任,通过EcoXpert合作伙伴计划,赋能合作伙伴提升数字化能力,推动电气生态圈繁荣发展,助力“双碳”目标加速达成。
好文章,需要你的鼓励
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。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。