CNET科技资讯网 1月20日 北京消息:2016年1月20日,苏宁和中兴通讯在北京召开主题为“创新共赢 携手未来”的全球战略合作发布会,双方将在硬件开发、技术共享、内容开放、渠道整合、产品包销定制等方面展开深入的合作,涉及到云计算、大数据、智能手机、通讯设备、智能家居等多个领域。
苏宁控股集团董事长张近东和中兴通讯股份有限公司董事长侯为贵出席发布会并致辞。
作为苏宁与中兴通讯全球战略合作的第一步,2015年12月31日,苏宁旗下苏宁润东以19.3亿元投资努比亚。就在发布会现场,双方公布了努比亚手机未来3年在苏宁渠道1000万台的销售目标。与此同时,苏宁旗下PPTV也与努比亚签订了合作协议,双方将整合优势资源,联手打造定制手机,并在VR等领域展开合作探索。
苏宁中兴全面战略合作
“中兴与苏宁的战略合作,不仅仅两个企业深度合作的开端,同时也是中国零售业和高科技业紧密融合的开始。”苏宁控股集团董事长张近东说,这是两个对商业本质有清晰认知和精准把握的企业,在互联网时代,不断锻造核心能力,输出核心能力,开放共享的一次合作典范。
事实上,从苏宁润东投资努比亚开始,苏宁与中兴的全面战略合作不断升级。在当天的发布会现场,苏宁旗下苏宁云商与中兴通讯,PPTV与努比亚分别签订了合作协议。双方合作从业务、资本领域上升到战略层面,内容广泛涉及智能手机、云计算、大数据、通讯设备、智能家居等多个领域。基础设施方面,中兴作为国内政企网、智慧城市的领先厂商,将为苏宁搭建更加强健的云桌面、大数据中心、分布式数据库等云端基础设施;双方将在大数据方面深入合作,挖掘零售数据价值,拓展O2O合作空间;入口方面,联合定制的努比亚可以成为苏宁支付工具等互联网应用的一个重要的入口,未来成为万物连接的载体;同时,中兴是全球领先的IPTV/OTT基础技术提供商,苏宁有优秀的文娱内容和渠道有势,双方在智能电视、大视频内容方面将有巨大合作空间。据了解,未来双方还将有望在互联网金融、虚拟运营商、IPTV等领域展开全面密切合作。
中兴通讯董事长侯为贵致辞时表示,这是一次优势互补、创新共赢的跨界合作,也是双方在云战略层面上前景广阔的深入合作。苏宁正在致力于“云商”模式的战略转型,中兴通讯也在向M-ICT战略转型,云计算、大数据等新业务是重要一翼。通过中兴通讯的技术优势,助力苏宁云商战略目标的实现,通过苏宁云商战略目标的实现,也能让中兴通讯积累更多关于行业的经验及提供解决方案的能力。他还强调,希望将中兴和苏宁企业间的合作,树立为产业合作的典范。中兴与苏宁的跨界合作,将是中兴通讯打造M-ICT良性“生态圈”的“新常态”。
三年两个一千万
在发布会现场,苏宁、中兴和努比亚三方共同宣布,将进一步依托苏宁和中兴的资源优势,在联合营销、产品定制包销、互联网入口、生态建设、O2O渠道销售和海外市场拓展等方面进行多维度的合作。而对率先展开合作的努比亚来说,就是未来三年将实现苏宁渠道1000万台的销售目标。
在成立三年多的时间内,努比亚始终坚持用心做好手机。凭借着对科技的想象力率先带来全网通、手机摄影、无边框和FiT等技术,在技术、用户体验创新方面拥有很强的实力。
而通过与苏宁的合作,努比亚不仅可以借助苏宁的大数据优势,提前洞察市场和用户需求,提升设计和研发能力,更快、更准确地推出用户喜欢的产品;更重要的是,苏宁O2O的全渠道资源,都将优先推广努比亚。
努比亚品牌创始人、努比亚技术有限公司总裁里强表示:“苏宁对于努比亚品牌理念和发展战略上的高度认同是促成此次合作非常重要的原因。苏宁的入股将为努比亚产品研发、设计等方面提供强力资源补充,在产品层面将会注入更多新科技。借助苏宁用户大数据方面的优势,我们想像力转化成产品的周期也将大大缩减。另外,有了PPTV强大的优势资源互补,努比亚也将构建更完善的互联网生态。”
据了解,苏宁旗下的PPTV将为努比亚提供强大的内容支持,双方计划打造定制机型,深度合作布局互联网生态建设,未来3年也将实现1000万台PPTV手机的销售目标。
通过此次全球战略合作,苏宁、中兴将在线上线下O2O、物联网、大数据、智能家居等领域全方位整合资源,形成新的渠道、营销和生态模式,实现创新共赢,将为产业格局带来深远影响。
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。