12月22日,“中国光大集团ESBU协同核心系统1.0”正式发布,标志着光大集团战略和光大数字化发展取得又一重大进展。光大集团党委书记、董事长李晓鹏现场发布“E-SBU协同核心系统”及“光大云生活”超级APP。集团党委副书记、副董事长、总经理吴利军在发布会上致辞。集团党委副书记、监事长朱洪波出席活动。光大集团党委委员、光大银行行长刘金主持活动,集团领导付万军、于法昌、王毅出席活动。
光大集团党委书记、董事长李晓鹏
中国光大集团ESBU协同核心系统1.0是为支撑光大集团的ESBU协同战略而研发的。2018年,以建设世界一流金控控股集团作为战略目标,光大集团提出了ESBU协同战略。
中国光大集团总经理吴利军介绍,ESBU协同战略的重点是围绕着大财富+大民生打造六大ESBU。其中大财富下涵盖了财富、投资、投行三大ESBU,有效串联集团旗下各金融业务板块,体现了集团金融控股集团的基本定位;大民生下涵盖了环保、旅游、健康三大ESBU,以服务人民美好生活作为目的,有效地统领集团旗下的实业板块,体现光大集团的社会责任和产融结合的特色商业价值。
“简单地说,光大的ESBU战略是在战略业务单元的基础上发挥集团综合金融和产融合作优势,引入生态圈数字化要素,体现一个光大特色的协同发展新模式。”吴利军在发布会上表示。
为了落实ESBU协同战略,光大集团打造了场景融合、敏捷反应、业务串联、资源整合、数据驱动等五大能力,为此实施了战略优化、架构重塑、业务串联、机制创新、数字转型等五大工程。
2019年开始研发的ESBU协同核心系统正是为ESBU协同战略的落地提供数字化支撑。光大集团科技创新事业部总经理李璠表示,ESBU协同核心系统以“业务+科技+数据”为驱动,实现集团财富管理和民生服务领域的资源与能力汇聚,以系统建设和运营为抓手,打造金控集团新时代下“共建、共享、共赢”的数智化生态共同体,实现全集团的数智协同、数据共享、生态孵化。
光大集团科技创新事业部总经理李璠
“我们希望通过ESBU协同核心系统的建设,连接、汇聚、共享、协同,赋能六大ESBU和各成员企业,助力开启‘一个光大、数智光大、生态光大’新篇章。”李璠说。
据悉,“E-SBU协同核心系统1.0”分前端平台、能力中台、技术支撑后台三个部分。其中,前端平台包含“协同营销平台”与“协同管理平台”。“协同营销平台”以C端客户为切入点,通过“光大云生活”超级APP,打造线上光大超市,为客户提供一站式综合解决方案。“协同管理平台”以B端、G端客户为切入点,搭建自上而下的协同工作台,提供协同营销渠道和综合解决方案支持。E-SBU是光大集团为推动整体战略,综合金融和产融合作优势,引入生态圈、数字化要素,体现了一个光大特色的协同发展新模式。
作为“E-SBU协同核心系统”的拳头产品,光大集团本次同步发布了“光大云生活”超级APP。该款应用针对个人客户的财富管理和民生服务需求,提供包括银行理财、信用卡业务、证券开户、保险购买、信托理财等财富管理产品,以及云缴费、线上药店、家政保洁、商城购物、旅游等民生服务产品。通过集合光大系统优势名品与服务,APP为客户提供一站式光大系产融综合服务。客户只需使用超级APP,便可查询自己在整个光大体系内的全景账户、订单等信息,享受光大系统各金融和产业企业提供的名品服务。
发布会上,李晓鹏指出,“E-SBU协同核心系统是光大的“宝贝”。他说,这个系统充分体现了光大集团的民生服务和财富管理特色,展现了光大的战略定位。他表示,未来该系统还奖不断发展、不断完善,以更好服务客户。
会上李晓鹏还宣布了光大集团科技创新发展新蓝图:在2022年全面建成数字光大体系,在2025年建成智慧光大,推动若干家科技创新独角兽得到孵化,形成具有光大特色的科技集团。
近年来,光大集团持续加大科技资金、技术、人员投入,构建了数字化发展体系。制定并实施IT战略规划,将科技创新纳入建设具有全球竞争力的世界一流金控集团战略统筹推进。三年来,光大集团科技投入平均增幅28.5%;科技人员实现倍增。通过近三年的努力,光大集团科技创新实力快速提升,科技赋能显著提高,创新活力不断激发,有力支撑了强总部“战略管控+”,有效赋能了E-SBU生态协同发展,在建设一流金控集团征程中迈出了重要一步。
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。