ZD至顶网CIO与应用频道 04月18日 北京消息:2017年4月14日,国内领先的基础软件开发平台与解决方案提供商普元信息,受邀出席于上海隆重举行的第五届中国核电信息技术高峰论坛。在此次以“聚焦核电信息化顶层设计,以两化融合促核电企业安全”为主题的行业权威峰会上,普元公司电力事业部副总经理王程志发表题为《“自服务大数据资产管理中心”支撑智慧核电建设--是智慧核电大数据分析应用的前提准备》的演讲。
演讲中,王程志结合普元在中核运行、中广核、国家电网、新奥能源等众多电力能源企业的大数据平台建设实施经验,分享普元助推智慧核电大数据分析应用有效实现“管的标准、用的便捷”的解决方案,以及普元如何帮助核电企业建设支撑智慧核电的可控的大数据创新应用。
智慧核电建设大势所趋,普元对大数据的管、用痛点剖析获众多专家认同
众所周知,2017年,国家能源局、国家发改委将国家能源应用技术研究及示范项目“智慧核电运营系统研究及示范项目”建设内容纳入了《能源技术创新 “十三五”规划》,我国智慧核电建设加快了建设步调。智慧核电建设作为“国家政策指导”和“行业发展战略”的共同要求,是核电产业传统运作模式拥抱大数据时代的大势所趋。
在拥有超过十年的电力、石油、燃气等能源行业平台产品与解决方案规划与设计经验的王程志看来,智慧核电建设与运营的关键支撑之一就是大数据的分析应用。他在演讲中指出,随着普元实践项目对大数据分析应用的深入,发现核电大数据在“管”和“用”方面存在诸多问题与挑战,比如数据资产目录的自助化管理、数据自助查询分析、数据的运营管理监控等等。
王程志通过分析强调,对于包括设计、建造、运营全过程多维度的核电数据管不“准”和用不“畅”成为制约智慧核电大数据分析应用的瓶颈,并最终导致业务技术之间的严重壁垒,数据应用不畅。这些痛点的强调,获得了很多与会专家的认同。
普元“自服务大数据资产管理中心”一站式解决方案支撑智慧核电建设
针对智慧核电大数据应用中的痛点问题,普元提出了“自服务大数据资产管理中心”一站式解决上述“管和用”方面诸多挑战,在大数据平台之上实现“管”和“用”方面的提升。
普元对“自服务大数据资产管理中心”从“自助化、自动化、自进化”三个方面进行解读。首先,“自助化”体现在自助化的数据资产目录管理、检索查找资产,自助化的数据查询分析、数据探索挖掘,自助化的数据质量管控与应用监控;其次,实现自助化的关键支撑之一是“自动化”的数据资产元数据采集、数据内容获取、数据质量检核等;最后,通过数据分析应用,实现系统自进化,建成智慧核电。
会上多位核电企业领导专家对普元“自服务大数据资产管理中心”表示了肯定,并积极与王程志交流。他们认为,普元提供的“自服务大数据资产管理中心”解决方案,在大数据平台之上实现了“管”和“用”方面的提升,为核电信息化标准化建设提供了有力支撑,通过“自助化”的手段实现了对数据资产的目录管理、便捷应用、运营监管。而全球最权威的 IT 咨询公司Gartner的数据也有力印证了普元解决方案的实践有效性。Gartner预测,到2019年,数据自服务的市场需求年复合增长率将达到16.6%。
在具体实践上,普元目前已帮助众多电力能源企业开展大数据平台建设,打造智慧能源企业,如国家电网、中广核、中核运行、国电集团、新奥能源等。
丰富的经验是优良的资质,
拥有“中核集团合格供应商证书”的普元,已有多款产品在核电这一国家战略行业进行供应服务。王程志还在本届核电信息技术高峰论坛上坦言,普元将进一步提升云数据平台、数字化企业云平台等智慧核电建设的关键支撑平台,用普元在国产信息化领域的多年实践积累助力智慧核电建设的进一步发展。
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。