协同管理软件从诞生之初就一直在不断变化,“协同”一词最初源自军事领域,在企业管理方面是对协作、沟通类软件的统称。国外的协同软件起步较早,主要聚焦在业务协同、文档管理和信息聚合方面。国内协同管理软件最初是涵盖办公自动化的范畴,随着管理软件市场和客户业务模式的发展,现在也被赋予了企业协作、移动办公、云计算、大数据等内涵。
协同管理软件其实是企业使用频率最高、应用范围最广、涉及业务最多的管理软件,再加上其本身的协作、连接特性,它应该被定位在企业信息架构的最前端,是用户接入层的核心。协同管理软件与ERP软件不同,协同管理软件不以实现一个业务结果为目标,而是偏重于关注用户,围绕企业中不同类型的用户构建满足需求的新工作场景是其当前的首要任务。
在发现云计算、大数据、移动互联网这些新技术能够更直接地帮助客户提升价值后,金蝶协同管理软件企业也开始重新定位自己。
金蝶自云管理战略发布以来,包括OA在内的所有领域产品都在大力推进互联网加移动的变革。截至目前,几乎所有金蝶协同OA的客户,都在正式或试用移动OA产品。
金蝶K/3协同产品部产品总监张溪告诉记者,金蝶协同的移动应用发展大致分三个阶段:第一阶段是以移动设备为终端的信息推送,例如通过手机接收任务消息,达到催办、提醒目的;第二阶段是以移动设备为客户端的完整业务处理,目前仍有大量客户使用着多款金蝶协同的APP,可实现工作流审批、新闻公告、知识搜索、任务和团队管理等等;第三阶段就是金蝶OA当前进行的移动加互联网转型。据张溪透露,金蝶已经构建了一个基于“云之家”的社交化移动应用平台,已经有超过百万的用户在这个平台上沟通、分享、协作。
金蝶K/3协同产品部产品总监张溪
全面移动化是金蝶OA的产品战略,金蝶也正致力于打造一个移动的办公平台,基于企业内的人员角色和组织关系来重新设计办公自动化业务,涵盖移动门户、移动工作流、移动团队和任务管理、移动新闻公告、移动通讯录、移动费用管理、移动文档知识管理等业务。这个办公平台还提供一个轻应用框架,使得客户可以扩展并快速发布具有自己特色的移动应用。同时,企业社交化的理念将帮助客户从原来的以流程为核心转变为“规范化的工作流加社交化的团队协作”的全新工作模式。
国外厂商近年来在门户、工作流、内容管理等各类OA产品上的投入逐渐加大。但正如我们所看到的,在国内OA的市场竞争中几乎看不到国外品牌。
“国外产品对中国OA市场的理解较为片面,这导致其仍然在‘OA是ERP外延’的范畴内思考。解决方案不完整、对业务理解变形、对交付过程的不重视是导致这个结果的主要原因。”张溪对记者说。
不过,国内软件虽坐拥优势,但仍然需要在两个方面继续加强。一方面是加强自主创新能力,这是企业的核心竞争力,只有自主创新才能在OA市场竞争中保持先发优势,才能满足不断增长的用户需求。另一方面是积累和利用丰富的客户经验,这是一笔宝贵的财富,只要不断挖掘这个宝库,同国外软件之间相比所拥有的优势必将延续并不断扩大。
“金蝶本身就是一家强调技术领先的公司,有20多年的国内市场历练,有超百万家客户的服务经验。从自主知识产权的中间件到完整的ERP系统,再到自主研发的云管理平台,都将是金蝶协同OA的强大支撑。”张溪说。(《中国计算机报》于杰)
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。