ZDNet至顶网软件频道消息:在甲骨文SaaS服务9大类别产品中,HCM云的应用极其广泛。就记者了解,HCM及HCM云目前在全球范围内及中国本地的客户包括:德勤、康宝莱、东芝、施耐德、瑞银集团、福特汽车、ING集团、文思、拉夏贝尔、吉利汽车、华为技术、FESCO等等。据甲骨文公司JAPAC HCM产品管理副总裁John F Hansen介绍:“甲骨文要做的就是帮助客户更好的提升人才优势来应对商业挑战。”
甲骨文公司JAPAC HCM产品管理副总裁John F Hansen
在John F Hansen看来,甲骨文HCM云的最大优势包括两个方面:首先,甲骨文HCM云非常完整,包括人力资源管理、人才管理、薪酬管理、社交等等功能,而很多友商的产品只能提供人才管理,或者只能提供薪酬管理;另外,甲骨文HCM云在本地化方面非常出色。以中国为例,薪酬管理已经做到了在社保、保险方面的本地化。而薪酬管理的本地化也体现出甲骨文对中国市场的重视,在薪酬管理本地化方面,中国是甲骨文继美国之外,进行本地化的第二个市场。
面对不同客户的需求,HCM云正如甲骨文云其他产品一样,给予用户选择的自由。John F Hansen强调,如果是一个全新的客户,甲骨文会建议它选择云的解决方案,因为云代表的是一个新的世界、新的商业机会,可以实现快速部署,而且支持原来没有的功能;而如果客户已经采用了甲骨文的传统的解决方案,其完全可以采用混合云的部署方式,也就是传统与云端结合。在这方面,吉利汽车可能就是一个好的佐证。据吉利控股集团HR支持高级经理孙金方介绍,在采购了PeopleSoft作为核心人力资源系统之后,在全球化发展的推动下,吉利汽车需要面向全球招聘人才,并全方位整合招聘渠道,因此又选择了甲骨文HCM云中的Taleo云招聘产品,这是一个典型的混合云的部署场景。
正因为在客户接受方面,HCM走在前面,为此,甲骨文也制定了相应的策略。在中国,一支销售团队专门销售HCM云产品,这在甲骨文中国并不多见,另外一支销售团队是做CRM的销售,这两个产品线也正是走在最前边的两个产品。对于这两大产品线,甲骨文不仅仅通过本地合作伙伴来进行销售,而是会主动与客户沟通,进行这一市场的培养以及销售工作,从这一点来看,也足以看出HCM与CRM的重要性。
在HCM云的销售上,甲骨文公司大中华区SaaS总经理叶天禄告诉记者:“首先,过去卖软件主要是跟IT部门来谈,因为需要他们来安装、支持,但现在业务人员是最终使用者,我们的云端产品在销售的时候,已经不单单针对IT部门,最重要的是要面向业务部门;其次,传统的软件产品主要受众是大型企业,先由于云端的产品按照使用付费,中小企业也完全用得起;另外,云的渠道跟合作伙伴的数量会比现有渠道和合作伙伴多,这也是支持云端销售带来的改变。”
提及合作伙伴,叶天禄也表示:“中国是一个非常大的市场,我们在中国有很多客户,我们非常清楚甲骨文一家不可能提供所有客户需要的业务应用,所以技术开放性就显得尤为重要,因为我们是开放的,所以合作伙伴在此基础上集成其他的功能会很容易。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。