ZD至顶网CIO与应用频道 03月24日 人物访谈(文/王聪彬):提到江苏常熟,就不得不提到纺织服装,80年代常熟就有衣摆天下的美誉,现在的常熟已经成为中国最重要的纺织服装集散地之一。2016年常熟纺织服装产业实现了产值900多亿元,常熟服装城去年交易额达到了1378亿元。
在传统服装行业的运营模式下,大数据带来了新的发展契机和战略机遇。3月23日,常熟京云数据科技有限公司和京东云签订合作协议,双方将在“大数据+服装产业”领域强强联手打造的“云尚工坊”服装产业大数据分析应用平台。
服装产业结缘大数据
江苏常熟作为全国著名的纺织服装之乡具有深厚的产业基础。近年来,随着互联网的发展和外贸大环境的变化,传统服装企业受到巨大的冲击,发展形势不容乐观。
以生产为依托,以制造设计为重点是常熟服装企业一个比较大的特点,在江苏龙达飞投资实业有限公司总经理陶欢看来,常熟服装企业主要面临品牌塑造、营销上缺乏相应工具和方法。
所以在地方政府引领下,常熟希望链接京东的大数据、云计算能力,将大数据的实时、感知与预测等特点同服装产业结合。最初实现目标客户去的锁定和精准营销,对设计开发款式进行预测等,随着应用的深入,延伸到服装企业内部的设计、生产、物流等各个环节。
在这个过程中京东也将把在电子商务行业十几年积累的数据和常熟服装企业数据对接,运用数据分析能力让已经相对固化的产业焕发出新的活力。
常熟市京云数据科技有限公司董事长刘鑫认为合作才刚刚开始,未来我们会围绕服装产业打造一个全流程的闭环。同时“云尚工坊”还可以把数据同常熟市其他相关数据融合,更好的判断消费者的喜好和行为。
常熟市政府未来也会提供优质资源、资金,来扶持“云尚工坊”的发展和推广,推动当地服装产业转型升级,从技术角度分析解决服装企业面临的问题,找到一条又新又好的发展路径。
“云尚工坊”全产业链的精准化
“云尚工坊”服装产业大数据分析应用平台,重点是将服装企业的生产数据、产品数据、经营数据、及实体零售店的场景数据、顾客行为数据等与京东电商大数据相整合,通过数据建模、挖掘、分析帮助服装企业预判市场需求及优化资源配置,帮助企业深度挖掘数据价值,实现精准化营销、精益化客户服务和柔性化生产。
在具体的对接上有着一整套解决方案,线上依靠京东的大数据,线下是门店的数据,消费者行为数据、会员数据等,将两方面数据进行融合。
京东一直擅长线上数据的分析,但在未来分析还将要延伸到生产环节,在设计打版、生产、打包、装箱、物流等每一个环节,在传统的操作模式下发现问题。
京东云电商云事业部总经理任成元表示,京东对于用数据构建用户画像有着丰富的实践,其实整个生产数据也是一个数据资源,京东可以通过人工智能的决策模型找到不同产业、不同场景、不同细分领域的关系。
京东认为,未来云计算、大数据和人工智能是推动产业的三个核心关键,将产业的能源转换成动力,让服装行业更加规范化、自动化、智能化。
目前,常熟市的传统服装企业龙达飞,已经使用云尚工坊分析平台提供的用户画像分析系统和休闲男装智能分析系统指导产品设计和市场销售,实现更加精准地定位,不断打造特色产品和服务,实现转型升级。过去一年,龙达飞的销售、利润均有大幅度的提升,公司的整体销售额提升了15%,公司利润率提升了5%,根据云尚工坊平台预测的流行趋势及消费热点而设计的服装款式销售非常火爆。
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。