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
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。