据国外媒体报道,IBM和苹果将扩大合作,前者推出了新的企业服务来帮助其它企业部署使用Mac电脑。
目前,有超过100名IBM员工在苹果加州库比蒂诺园区帮助多家IBM客户开发iPhone和iPad应用。那些客户包括花旗银行、Sprint和日本邮政公社。
IBM内部看起来也不一样了。这家以往采用Wintel电脑和黑莓手机的公司,如今有望成为全球最大的MacBook电脑企业用户。周三,该公司开始传授它学到的部署使用苹果产品的经验,推出一项服务来帮助其它的企业采用Mac。
在全球规模达9810亿美元的信息技术服务市场与行动快速的硅谷创业公司竞争上,员工数高达38万的IBM面临着一项独特的挑战。据该公司的首席信息官杰夫·史密斯(Jeff Smith)称,公司面临的那个问题是:“我们在创新上能否匹敌最优秀的、最小的或者与IBM规模相当的公司?能否找到途径将文化转变成竞争优势?”
与苹果建立友好合作关系也许是那个问题的答案的一部分。该合作是IBM旨在重塑公司适应新时代发展的计划的一部分。当前,IBM的重要产品线营收全线下降——事实上,总营收已经连续13个季度呈现下滑——在智能手机和云计算时代,该公司在竭力争取属于自己的一席之地。为此,它增加了多个领域的投资,如数据分析、安全、移动计算和云服务。它还联手多家挺酷的科技公司,包括苹果、Box、Facebook和Twitter。
现在说IBM能否利用好这些合作还言之过早。不过,它正在第一次给内部员工提供硅谷标准规格的计算设备。
FBR Capital Markets分析师丹尼尔·艾维斯(Daniel Ives)指出,“对于苹果和IBM的合作,我想它将会随着时间的推移变得更加重大,更加重要。当下,IT行业正发生各种重大变化,像IBM和甲骨文这样的传统巨头必须要进行适应调整。”
3年前,由于担忧数据安全问题,IBM禁止内部使用苹果iPhone的语音助手Siri。很显然,IBM内部是有苹果迷的;据史密斯称,IBM在5月首次给员工提供Mac的时候,有18.5万名员工看到了内部公告,“那触及了IBM员工的神经。”
IBM于2014年7月宣布与苹果达成应用合作协议。在此后的6个月内,它开始给销售团队配备4.3万部iPad。现在,它在内部支持的苹果设备(包括iPad、MacBook和iPhone)超过11万部。史密斯预计,到今年年底,光是MacBook,IBM的管理数量将达到5万部。他跟苹果说该数字最终可能将增长到20万部。
IBM周三发布的服务旨在帮助企业客户大范围(成千上万部的级别)部署使用Mac电脑。那些服务可以说是IBM自身部署经验的直接副产物。IBM在如何让员工使用Mac上的认识,大多数从苹果那里学来。IBM去年秋季派遣其工作场所即服务副总裁弗莱彻·普雷文(Fletcher Previn)到苹果总部,以进行为时一周的浸入式学习,了解苹果在给自家员工提供Mac上的处理方式。普雷文说道,苹果为自家员工形成的流畅使用经验令人惊叹。
“看到他们是如何以远少于传统PC环境的资源管理大量员工的设备,的确大开眼界。”普莱文说。
他补充道,“我们两家公司各有所长。苹果拥有着很好的设备部署经验,打造了世界上最好的一些设备。我们则非常清楚很多大企业具体需要些什么。”
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。