万全药业集团近日采用Oracle电子商务套件(Oracle E-Business Suite(EBS))及Oracle商务智能(BI)套件,以搭建其内部统一的管理平台,让管理层能够及时了解业务线进展情况,更快发现问题、进行决策。部署后的新平台通过把集团内部的销售、财务、制造、认证以及各地分立的系统进行整合,可有效加强管控水平,提升管理效率,并为万全药业未来进一步的研发和业务营销信息化打下坚实基础,更好的支持万全药业集团的上市计划。
全药业集团是中国科技型制药企业的先锋者,也是中国新药技术产品及销售市场服务的领先提供商。除致力于新药研发外,万全药业也通过联盟合作向生产、销售、研发一体化的全方位集团发展,同时努力开拓国际医药研发外包服务市场,为海内外客户提供一站式的医药服务。身处快速变化的医药行业,万全药业需要一种全面、稳定且高灵活性高的IT平台,支撑其高速的业务发展,并应对瞬息万变的市场环境。
经过一系列的研究和比较,万全药业选择了Oracle 电子商务套件及Oracle BI套件。通过采用Oracle电子商务套件,万全药业搭建了统一的管理平台,涵盖财务、采购、销售、生产制造、库存管理等多个领域;而Oracle BI套件则帮助万全管理层及时获得各条业务线的KPI、库存周转等信息,支持其做出更快的决策。
在以Oracle电子商务套件为基础的新平台上,万全药业实现了销售订单的统一管理,对集团的财务结算进行了整合,实现了财务业务一体化。同时,各地的分立系统也被整合到新的管理平台中,加强了企业的管控能力。此外,制造环节与GMP认证也得以进行整合,方便制造成本的核算。
在甲骨文公司合作伙伴德硕公司的大力支持下,新系统已于2014年1月正式上线,目前运行情况良好。在通过对Oracle电子商务套件和BI套件的成功采用后,万全药业也计划在未来进一步推进研发和业务营销的信息化,将产品生命周期管理与销售团队进行有效结合,提高企业管理效率,强化竞争优势。
万全药业集团首席执行官郭夏表示:“作为一家制药企业,我们身处的行业格局十分复杂,而且市场动向变化万千。我们尤其需要一个稳定而富于灵活性的IT系统平台,来应对企业快速发展的步伐。甲骨文的产品全面、稳定且具有较高的灵活性,是我们的最佳选择。通过部署Oracle电子商务套件和BI套件,我们成功搭建了统一的管理平台,不仅加强了管控水平,也提升了运营效率。”
甲骨文公司大中华区应用业务总经理潘杰君表示:“作为业界领先的IT技术与解决方案供应商,甲骨文能为各行各业的客户提供全面、开放和集成的应用产品,以满足各类企业多样化的需求。我们很高兴看到万全药业采用Oracle电子商务套件和BI套件打造了全新的信息化管理平台。我们希望与万全药业未来有更多的合作,同时也希望未来有更多的中国企业能够从甲骨文先进的技术与解决方案当中获益。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。