至顶网CIO与应用频道 11月08日 北京消息:11月5日,北京 —— 首届中国国际进口博览会上,国家主席习近平指出,为了更好发挥上海等地区在对外开放中的重要作用,决定将支持长江三角洲区域一体化发展并上升为国家战略。2018年恰逢中国改革开放40周年,中国经济转型升级进入关键时期,而长三角地区作为我国最具经济活力、开放程度最高、创新能力最强的区域之一,是“一带一路”和长江经济带的重要交汇点,其在高质量区域一体化发展中的探索和实践,将为其他地区提供宝贵的经验。
在国家和长三角三省一市的战略布局规划中,大力推进数字经济发展已经成为重要的战略目标,而区域人才一体化也将成为推动技术创新、产业协同、城市共融、制度创新的核心驱动力。日前,领英携清华大学经济管理学院、上海科学技术政策研究所发布《长三角地区数字经济与人才发展研究报告》。报告突出展示了长三角整体的人才特点和各个核心城市的人才优势,将有利于长三角地区进一步发挥集聚效应、分工效应、协作效应和规模效应,促进区域数字经济的高质量协调发展。
报告发现,长三角区域各地数字经济发展差异化,各有重心分工明确。其中,上海的高水平人才和数字人才在行业分布上比较均衡,在长三角地区的人才和产业发展方面处于引领地位。浙江省表现出基础型和融合型数字经济并重的特点,各城市呈现差异化发展。杭州以发展ICT基础型产业为主,宁波以制造业数字化转型为目标,金华则偏向于消费品、零售等小商品产业。江苏省高水平人才和数字人才在传统产业的占比更高,以制造业为主的融合型数字经济发展突出。安徽省的高水平人才和数字人才的储备则仍然具有发展空间。
“随着国家改革开放的深入,尤其是进博会这类大型国际活动在上海的召开,未来,预计国际人才和国内人才将继续向长三角流动。” 领英中国公共事务总经理王延平表示,“长三角具备适合工作和学习的特点,职场人士将在这里得到良好的滋养。在此过程中,由于个人的兴趣、技能和特点能够得到有效的发挥,他们将对未来的发展路径产生更清晰的认知。人才的流动,也将促进行业、城市和区域的协调发展。”
从长三角地区内各城市之间人才流动的维度来看,对高水平人才吸引力最高的城市是上海,其次是金华。南京和合肥的人才流入/流出比最低,人才流失比重较高。对长三角地区内数字人才吸引力最高的城市是杭州,数字人才流入/流出比达到1.68,另一个数字人才净流入的城市是苏州,其他城市均处于数字人才净流出状态。南京、合肥和常州的数字人才流入/流出比较低,流失比重较高。
从人才职位等级流动的维度来看,杭州市充当着人才中转站的作用,引入国际及港澳台的优秀人才,并将自身的优秀人才输出到国内其他地区;南京市主要承担输送初级人才的重任,但比较缺乏人才进一步成长的环境;苏州市在国际及港澳台流动人才、国内流动人才和长三角区域内流动人才这三类流动人才的职位等级分布上都比较均衡。上海在人才的成长过程中起着重要作用,为其他地区的人才结构优化提供了重要支撑。
清华大学经管学院互联网发展与治理研究中心主任陈煜波教授表示:“长三角地区无论在数字经济规模还是增长速度上都大大领先于全国水平,是全国经济发展重的‘风向标’。长三角地区的探索和实践将为其他地区提供宝贵的经验。”
上海科学技术政策研究所所长杨耀武研究员表示:“长三角地区作为数字经济发展的示范引领区域,需要重视跨区域人才战略的整体规划和部署,通过制定有效的政策措施进一步加强区域内高水平人才的培养和提升,促进人才的高效汇聚和流动。”
作为全球领先的职场社交平台,LinkedIn(领英)专注于从会员大数据中洞察人才发展的趋势,从而为中国经济发展提供人才领域的建议。报告从人才的角度入手,结合近五年的劳动力就业数据和领英人才大数据库的人才样本,对长三角地区高水平人才和数字人才的就业现状、行业分布、人才特征和流动特点等维度进行深入分析洞察,并据此为数字经济转型下的区域一体化探索和人才战略布局建言献策。
领英入华近5年,逐渐丰富的用户群体也折射出中国更多元、更开放的人才发展趋势和经济发展格局。目前,领英中国用户数增长超过10倍,已逾4,400万;同时,有超过1,000家企业和政府客户携手领英招募优质人才,打造商业和雇主品牌。未来,领英将继续致力于与政府、学术机构和企业紧密合作,在产业、技能、人才流动等方面提供有深度的洞察,从人才角度助力中国经济发展。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。