ZDNet至顶网软件频道消息: 密歇根大学太阳能车队成功跨越位于美国北部城市明尼阿波利斯的终点线,第八次赢得了2014年美国太阳能汽车挑战赛冠军。该车队从2013年开始采用Siemens PLM Software的产品生命周期管理(PLM)软件技术作为产品设计和开发的主要工具,在历时7天的比赛中成功跑完全部赛程,穿越美国8个州,比第二名的竞争对手车队快了4个小时。该车队计划明年更多地采用西门子PLM软件来完成四轮太阳能汽车的设计、制造、测试和性能优化,备战横跨澳大利亚内陆的2015年世界太阳能汽车挑战赛。
密歇根大学太阳能车队项目经理Pavan Naik表示:“五次蝉联全国冠军不只是我们车队的巨大胜利,也是Siemens PLM Software产品价值的有力证明。要赢得世界太阳能汽车挑战赛,我们不仅要了解汽车各部件的性能,更要了解整车系统的运行方式。采用西门子的软件工具将使我们能够执行一切建模和仿真任务,为新车研发真正实现性能优化。现在,为了备战2015年的世界太阳能汽车挑战赛,我们将应用全面的PLM解决方案。”
自1990年成立以来,密歇根大学太阳能车队已先后打造了12款车型,其中包括为完成全程1,722英里的此次美国太阳能汽车挑战赛所设计的Quantum。此外,这支由将近100名成员组成的团队还为参加世界太阳能汽车挑战赛开发了Generation太阳能汽车。这两款车型的设计和制造都采用了Siemens PLM Software的解决方案,并且西门子还成为了该车队的铂金级赞助商。
西门子的PLM软件技术被全世界制造企业广泛用于开发全球最先进产品。仅仅在汽车行业,全球十五家顶级汽车原始设备制造商中的90%以上和25家一线汽车供应商中的近90%都在产品开发和制造过程中使用西门子的软件。西门子还向密歇根大学等学术机构提供软件,以支持其培养面向未来的、经过高度训练的人才。
Siemens PLM Software 全球营销副总裁Dave Taylor表示:“作为科学、技术、工程和数学(STEM)教育的大力倡导者,Siemens PLM Software非常荣幸能够助力密歇根大学太阳能车队在比赛中夺冠。我们先进的PLM 技术将继续帮助这支屡获佳绩的团队提高性能,备战未来的挑战。”
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。