至顶网CIO与应用频道 10月16日 北京消息:“ 借着华为软件开发云的东风,在华为多年研发经验的基础上,我们中小软件企业,能够将更多的精力集中于业务开发。能以更高的效率,更好的质量,让客户和公司受益。
站在巨人的肩膀上,跟随华为研发的脚步,我们不再是一个小团队在孤立奋战,十分感谢华为软件开发云带给开发者的便捷和方法指引。”
——星汉网络研发总监 姜忠岩
近年来随着酒行业的不断扩大和销售额的快速增长,酒类商品紧跟互联网的浪潮, “触网”已经成为常态。但是在东北市场上,受到其商品本身特性的制约和人们传统购物观念的影响,酒类电子商务平台发展一直比较缓慢。
为了打破东北地区酒类电子商务平台发展壁垒,让消费者在足不出户就可以买到放心酒,大连星汉网络有限公司(以下简称星汉网络)联合酒行业地区性经销商,采用线上线下相结合的方式,共同打造“搜酒坊”本地O2O电商平台。线上下单,酒品直接送货上门,最快20分钟即可送到。
“搜酒坊”产品逻辑示意图
星汉网络是通过国家级企业资质认定的APP和软件产品专业研发公司。公司与多所高校保持良好的研发合作关系,拥有产品策划、程序开发、设计制作等业内一线人才,拥有自主知识产权,具备强大的产品研发和自主创新能力。
项目开发遇障碍
“搜酒坊”本地O2O电商平台在一期项目开发阶段遇到了很多障碍,影响了项目的有效进展。主要有以下几个方面的问题:
·异地协同难实现
随着开发项目的增多,业务和开发分开两地办公,沟通不方便,没有统一的软件系统支撑,信息传递非常零散。项目过程管理越来越吃力。通过分散的文档和即时通信工具,总是造成信息的丢失,时而出现需求不匹配问题。导致开发做了很多无用功,费时费力。同时对于项目的进度,疏于控制,导致前松后紧,项目后期,开发人员大量加班。
·开发水平参差不齐
团队开发人员水平不同,加上刚入职的新员工还较多,虽然有相关的编码规范文档约束,但是缺乏有效的代码检查策略,导致代码中经常出现各类低级错误。人工检视成本高,而且效果也十分不理想。对于项目的整体质量,留下了隐患。
·测试管理不规范
项目使用第三方的测试管理工具,效果一直不理想。测试问题通过文档和即时通讯工具传递信息,经常出现重复、漏测的问题,导致项目后期管理混乱,新需求、功能特性和缺陷,任务分配杂乱无章。而且穿插各种文档,经常丢失测试问题,导致部分项目的客户满意度下降。另外,由于安卓碎片化严重,导致APP发布测试,需要耗费大量的人力、物力以及工时的投入。
因此,在二期项目规划开发之际,团队担心在开发过程中再次出现一期的问题,十分苦恼。
华为软件开发云直击开发痛点
在大连软交会上,星汉网络了解到华为软件开发云的相关信息。申请应用资格后,开发组迅速投入试用。在华为技术专家的现场指导下,星汉网络逐步把软件开发云推广到整个项目团队。
华为专家(左一、左二)现场讲解、交流
·有效的项目管理方法
通过华为开发云的工作项管理,结合敏捷的开发过程,项目经理将项目的开发任务、新需求和客户反馈的缺陷,通过项目管理模块统筹安排。项目管理过程中的需求、任务和问题,以及开发人员的工作内容,变得清晰准确。责任到人,管理者还可以统一监控整个项目的进度,及时调配人力,查看开发队伍人员的工作量。
·项目代码的检查自动化
结合华为研发多年的经验,软件开发云提供了1200余条代码检查规则集,并给出详细的修订建议。再根据自身需要进行了必要的筛选,代码责任到人,极大地降低了代码中的风险项比例。项目的开发代码,有了规则约束,对于开发代码的整体质量,有了很大的提升。
·项目测试管理正规化
测试管理模块对于项目过程中的测试问题,进行了有效管理。测试人员有的放矢,按部就班地执行测试任务,不再随意地进行项目测试工作,根据模块的重要程度,提前进行测试用例分析设计,并有效地按照用例执行,有力地保障了项目最终的开发质量。测试管理模块提供的APP兼容测试功能,可以进行APP兼容自动化测试,并会输出详尽的测试文档,大大缩减了企业成本,同时加快了APP的研发效率,项目的整体质量有了很大的改观。
云平台支撑星汉网络发展
项目开发引进华为开发云后,整个团队的工作目标,都变得清晰起来。业务、开发、测试包括客户,对于项目的任务和进度,有了统一的认识。
华为软件开发云,有效地保障了整个项目的开发质量,同时降低了沟通成本,使项目整体的开发效率,得到极大的提升。搜酒坊二期项目的开发投入时间,仅仅用了一期的一半, 结果让整个团队欣喜不已。
姜忠岩表示:“华为软件开发云为中小规模软件企业,提供了完善的一站式项目开发解决方案。借着软件开发云的东风,我们能够更加专注于具体业务逻辑的实现,保证了软件产品的整体质量。”
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。