至顶网CIO与应用频道 03月01日 北京消息:达索系统(巴黎泛欧证券交易所:#13065,DSY.PA)近日宣布,将从Trace Software International收购其elecworks电气与自动化设计软件产品线。Trace Software International是一家致力于工业工程领域软件解决方案和服务的开发商,通过这次交易,一支由21名技术熟练的技术人员组成的团队将加入达索系统。此举将简化并推动达索系统在3DEXPERIENCE平台上开发机电一体化解决方案,以帮助SOLIDWORKS客户解决智能产品开发过程中遇到的电气设计难题。
通过这一资产转让协议,达索系统将100%收购Trace Software的elecworks电气设计和自动化这一产品线以及知识产权。由21名软件开发人员、技术支持工程师和电气原理图的质保工程师组成的elecworks团队将加入达索系统。Elecworks软件可提供原理图设计、电气控制面板设计以及小型接线——布线——束线设计功能,这些功能构成达索系统SOLIDWORKS Electrical应用的基础,使机械与电气团队能够改进协作,并交付更精确的设计。资产收购中还包括一个由50多万电气符号以及设计中常用电气组件的制造商数据组成的信息库。
达索系统SOLIDWORKS首席执行官Gian Paolo Bassi表示:“随着人们对智能产品需求不断的增长,达索系统已准备好通过集成方法满足SOLIDWORKS用户的需求,这将简化机电一体化设计,并帮助他们充分利用3DEXPERIENCE平台的优势。Elecworks开发团队带来的众多技能已经为SOLIDWORKS Electrical应用的成功贡献出了力量。我们欢迎他们的到来。通过收购elecworks资产,我们将有机会更好地服务在当今工业复兴背景下不断进行创新的规模约4亿美元的中小企业市场。”
互联网体验,即以数字方式将真实环境中的产品、自然和生活连接起来的智能自主体验,受到不断扩大的智能互联设备市场的推动。该市场规模到2020年预计将达到300亿美元。高科技、工业设备、能源及其他行业的公司必须将新型传感器、控制与功能集成到他们的智能产品中,才能成功交付这些体验。然而,缺乏连贯性的机械与电气设计流程让产品开发工作变得复杂化。
在收购elecworks资产后,达索系统可以将最佳实践、电气设计技术和SOLIDWORKS机械应用在研发管理下结合起来,简化SOLIDWORKS Electrical应用和新电气解决方案的开发工作。广大名SOLIDWORKS用户寻求低成本的电气设计应用程序来实现其数字化转型,他们将从电气制图和文档开发、数据库驱动设计、增强型原理图到3D工作流程以及设计变更管理等功能中获益。
自1997年以来,Trace Software International一直是SOLIDWORKS的应用合作伙伴,为SOLIDWORKS客户提供电气系统设计软件。2012年,达索系统与该公司建立战略合作伙伴关系,以SOLIDWORKS Electrical应用的品牌名称来集成和销售elecworks技术。
本次资产转让交易预计将于2019年3月完成。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。