ZDNet至顶网软件频道消息:戴尔Boomi提供用于集成各种应用和进程的云服务,戴尔宣布,Boomi现在提供4.5亿项集成,且它的数据池将能够更快速地解决问题。
戴尔Boomi从技术上讲是一个集成平台即服务(iPaaS),将添加一项名为Resolve的功能。Boomi Resolve旨在通过一个自动罗列相关补丁的标签来解决常见的集成错误。
这项建议性的修复是通过Atomsphere的数据池——将集成错误与Boomi用户社区知识库之间连接起来——进行编制的。Boomi Resolve的目标是从截止于2014年4月的1670万条错误信息以及100个最常见错误中进行学习。
Boomi是戴尔软件战略中的一次关键收购和重要组成部分,目前累计拥有2000家企业客户,更新率达到94%。
这次春季发布的其他关键信息和更新内容包括:
戴尔Boomi表示,它的目标是在解决集成问题方面更有预见性和前瞻性。Boomi的Predictive Assistance工具利用客户使用指标以及动态整合,将其整合到客户关系管理系统中。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。