中国北京,2021年1月5日——企业低代码应用开发全球领导者Mendix,a Siemens business近日被Gartner评为企业低代码应用平台魔力象限领导者。凭借其愿景的完整性和强大的执行能力,Mendix已连续第二次在Gartner魔力象限报告中被评为市场领导者,同时也是最具“前瞻性”的低代码应用平台企业。
Gartner在《2025年十大应用预测》一文中指出:“到2024年,65%以上的应用将通过低代码工具开发。”低代码应用开发目前正在企业中快速普及,其原因有二:一是数字化企业对应用的需求速度和数量大增;二是企业在数字化转型中需要更多非专业开发者参与应用开发。
这是继Mendix在Mendix World 2.0线上峰会面向全球发布首个多合一低代码平台Mendix 9之后的又一喜讯。Mendix凭借新品发布再次拓展了产品覆盖的领域和学科,进一步巩固了其在综合低代码开发平台领域的领导者地位。
Mendix首席执行官Derek Roos表示:“Mendix不断证明着低代码在企业应用开发中占有非常重要的一席之地。低代码不仅能应对企业数字化进程中最复杂的挑战,还可以帮助非专业开发者打造针对特定领域的解决方案。我们十分高兴看到Gartner对企业低代码应用平台市场给予的认可,也很自豪能再次成为这一领域的领导者。”
此前,凭借出色的表现,Mendix已连续两次获评Gartner“多体验开发平台(MXDP)魔力象限领导者”。多体验开发平台(Gartner Magic Quadrant for Multiexperience Development Platforms,MXDP)是一个基础开发平台,可以开发出能实现多种互动模式的跨设备数字应用来供客户、合作伙伴和员工使用。产品开发团队可以通过平台把“多种体验”整合到前端用户体验层,带来更具创新性的应用,这也符合Gartner对未来应用的定义。
此外,在Gartner发布的多体验开发平台(MXDP)关键能力报告中,Mendix在渐进式Web应用(Web/Progressive Apps)应用、可穿戴物联网应用以及移动应用排名中分别名列前三。该报告共评估了16家MXDP供应商,涉及五个使用场景。
为企业描绘数字化蓝图
Mendix的企业战略将抽象化和自动化应用到数据集成和工作流程等新的领域和学科,并不断改进多渠道用户体验,而Mendix 9多合一平台则是这一战略的最新成果。Mendix 9能帮助制造商解决新的问题、杜绝冗余流程,为各种技能类型的开发者提供支持。除了Mendix 9之外,Mendix还针对不同行业发布了“开箱即用”产品,可以让相应行业的客户快速开发定制化解决方案。
此外,Mendix还让更多类型的用户群体有机会使用这样的平台,并且在设定范围的前提下给予用户可自行解决问题的更大空间。云原生Mendix平台包含了多种关键功能,可进一步降低复杂性并提高软件开发的速度:
助力客户快速获得解决方案
Mendix的客户表示,在Mendix开发平台的帮助下他们能更快收获成果。Trane Technologies借助低代码开发,让公司内部有着丰富业务经验的专家(非专业开发者)也为应用开发做出相应的贡献,成功实现了二者的有机结合。
Trane Technology集成架构总监Miroslav Samoylenko博士表示:“我们团队曾经以.NET开发为主,但现在已不再局限于此。我们把Mendix平台作为内部的一项变革技术来使用,很快它就成了IT部门乃至整个公司最受欢迎的技术。Mendix强大的快速应用开发工具不仅以让IT部门更快地开发出应用,也加强了我们和其他各业务部门非专业开发者的联系,Mendix真的是我们的战略合作伙伴。”
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。