至顶网CIO与应用频道 09月30日 北京消息:达索系统(巴黎欧洲证券交易所:#13065,DSY.PA)今日宣布,与产品工程仿真软件全球创新企业Exa公司(Exa Corporation)(纳斯达克:EXA)签署明确的合并协议,达索系统将正式收购位于马萨诸塞州柏林顿的Exa公司。根据Exa董事会全票通过的合并协议的条款,这家达索系统的子公司将在此后10个工作日内邀约收购全部已发行的和流通的Exa普通股,每股价格24.25美元,收购完成后以现金支付,Exa的完全稀释股权价值大约为4亿美元。截止2017年1月31日其财务年度收入为7,200万美元。
Exa加盟后,达索系统的3DEXPERIENCE平台将为客户提供经验证的多样化解决方案产品组合,它整合了格子波尔兹曼(Lattice Boltzmann)流体仿真技术、Exa的全产业化解决方案以及将近350名极富经验的仿真专业人士。与传统方法相比,这套解决方案能够更快速准确地为空气动力学应用、流体声学应用、热管理应用和其他行业中日益增多的应用求解高难度流体问题。
Exa软件主要用于在整个设计流程中评估高动态流体流动,来自汽车与交通运输、航空航天与国防、自然资源以及其他行业150多个领先公司的设计师和工程师都在运用此软件。包括宝马(BMW)、特斯拉(Tesla)、丰田(Toyota)在内的近乎每一家汽车与交通运输行业制造商及美国国家航空航天局(NASA)、巴西航空工业公司(Embraer)、英国石油公司(British Petroleum)等都在运用Exa的解决方案来进行仿真气动流、空气声学和热管理。
流体流动仿真(例如发动机冷却或机翼升力)是仿真产品物理行为、性质和寿命的必备环节。对于流体流动条件迅速变化的诸多状况,仿真动态变化流是准确评估产品及其在所处环境中的行为的关键。对于上述应用,整合Exa的准确性和时效性,能提供远优于替代性流体仿真方法的结果。
在继续服务Exa客户的同时,达索系统会将Exa解决方案整合到自身已有的行业解决方案体验产品组合中。这将为多物理场和多尺度仿真树立新的行业标准。两家公司的合并将极大地增强与客户的协作,助力为客户提供一体化解决方案、并提升简化商业和技术互动的能力。客户将能够为仿真多种类型应用中的高动态流体流动迅速创建和分析流体行为模型。
达索系统董事会副主席兼首席执行官伯纳德·查尔斯(Bernard Charlès)表示:“达索系统和Exa都坚信以一体化方法聚焦科学和行业产生的价值。我们承诺交付产品、自然和生活相和谐的3DEXPERIENCE环境,它是其中关键一环。动态流体流动仿真是我们多物理场多尺度仿真战略的重要组成。凭借Exa在汽车与交通运输行业以及其他垂直行业积累的宝贵应用知识,我们将加快行业解决方案体验的交付工作,让现有的和未来的客户都大获裨益。”
Exa公司总裁兼首席执行官Stephen Remondi指出:“Exa经验证的格子玻尔兹曼(Lattice Boltzmann)仿真技术、丰富的专业技能与工业专业知识是我们一直在高动态流仿真市场处于领先地位的原因。达索系统3DEXPERIENCE平台和SIMULIA产品组合的一部分将为我们所有行业的客户创造巨大价值。”
此次交易预计于2017年第四季度完成,需满足专门的交易完成条件,包括要求通过监管部门审批。此次交易将有助于增加达索系统收益。
此次交易福罗斯(Foros)担任达索系统的财务顾问,谢尔曼·思特灵律师事务所(Shearman & Sterling LLP)担任法律顾问。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。