至顶网软件频道消息:
微软针对中小型企业(SMB)的“Tenerife”ERP服务敲定了正式名称和发布日期。 Dynamics 365 Business Central (Dynamics 365商业中心)将于4月2日开始推出。
除了上述基本信息外,微软尚未透露更多有关Business Central的信息。笔者曾询问过定价、迁移和其他信息,但未收到回应。
微软Business Central网站日前发布了有关信息。网站列出了Tenerife服务的两个版本:Essentials(基本版)单用户每月70美元,Premium(高级版)单用户每月100美元。
业界一段时间来对商业中心/ Tenerife已有所了解,微软和其他方也开始给出了一些具体细节,但软件即服务产品Business Central的细节仍颇为模糊,有些细节还相互冲突。
Dynamics软件和服务其实就是ERP / CRM,但微软官员不愿意在讨论他们的Dynamics产品时使用ERP / CRM的字眼。
Business Central的根是Dynamics NAV ERP平台。2016年时微软官员曾谈起“Madiera项目”, 微软官员将其描述成在NAV平台上构建的软件即服务新产品。当时首次推出的名字是商业版Dynamics 365 Financials。
去年,微软官员决定废除Dynamics产品系列中的企业/商业版之间的区别,而是不管任何规模的客户都用CRM / ERP模块取而代之。同时,微软仍在持续更新原来的NAV、Great Plains和AXE ERP内部产品。
Business Central的最简单形式其实就是云NAV,由微软托管,合作伙伴管销售。微软从去年12月开始推出旗下最新的本地NAV版本 Dynamics NAV 2018。
微软将NAV 2018与Office 365、Dynamics for Sales、Cognitive Services(针对库存项目、联系人等的图像识别)、Power BI和Flow等整合在一起并在推广时将其作为主要卖点。Business Central和这个最新版本的NAV在很大程度上共享了相同的代码基础。
据笔者所知,一般认为Business Central就是商业版Dynamics 365 Finance 和Operations的替代品。据MSDynamicsWorld.com的资料,Business Central将提供三种版本:基本版、高级版和团队成员版。
中小企业金融/运营领域仍有容纳更多竞争对手的空间,特别是以云为中心的竞争对手。
企业应用咨询公司主管Joshua Greenbaum表示,“一个比较小众的市场是'Quickbooks之后我们做什么? “该市场一直都还有相当的规模,而且,这些公司都渴望能够以合理的理由(成本、安全性、现代化、新用户体验)转向云。”
Greenbaum 表示,“Business Central有一些有意思的竞争对手,诸如Acumatica(一些前软件人士、首席执行官Jon Roskill和董事会成员Kirill Tatarinov的本部)的公司正在利用云ERP应对该市场。Salesforce.com生态系统中的Rootstock也是这样的公司。很明显,Business Central及类似的公司也在寻找为Netsuite起始市场提供服务的机会,很多人认为该市场目前处广泛开放状态。“
Greenbaum补充表示,微软面临的最大挑战和任务之一是就旗下Dynamics 365计划和策略改善与客户、合作伙伴和分析师/记者社区的沟通方式。笔者十分同意这一点。
在本文完稿前,微软发言人就关于Business Central的几个问题给出了答案:
微软多久更新Business Central一次?用户是否必须立即进行所有的更新?
答:微软计划每个月进行一次小更新,每六个月进行一次大更新。
相同的 NAV 2018的插件/自定义功能是否也适用于Business Central?
答:基于自定义的扩展及为NAV解决方案构建的扩展直接适用于Business Central。这个是NAV的发展,并非完全不同的平台。
Business Central是否使用/依赖通用数据服务(Common Data Service)?Business Central是否使用/依赖微软 Graph呢?
答:Business Central会把数据写入通用数据服务。Dynamics 365将使用通用数据服务API的数据,微软 365服务的数据将使用微软Graph API的数据。这两个API将共存。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。