2021年6月8日——全球领先的科技公司HCL Technologies (HCL)宣布,安全的企业应用开发平台Domino的最新版本V12已全面上市。最新版本是Web和移动就绪模式的,具备云原生的低代码开发能力——所有这些功能都是开箱即用的。它是一个重要的里程碑式产品,丰富了业务用户和专业IT开发人员的应用开发生态系统,并以较低的总体拥有成本提供重要的业务价值。Domino驱动超过1000万个应用程序,为全球15000多家公司的业务保驾护航,其中包括汽车、金融和零售行业的全球巨头。
“‘Domino驱动未来’,我们将利用v12继续履行承诺,确保Domino带给大家一个低代码、移动和安全的未来。”HCL软件副总裁兼负责人Darren Oberst说:“就在一年前,如果我告诉大多数首席信息官可以随时随地在任何设备上访问Domino 应用程序,他们都不会相信的。但是现在他们相信了,而我们才刚刚开始。”
HCL Domino v12的亮点包括:
“在过去的20年中,Dun & Bradstreet一直依赖HCL Domino 应用程序来完成客户文件的工作流程,”Dun & Bradstreet工程副总裁Jim Martone说:“HCL软件多年来对Domino 平台的投资和创新,使得我们能够自动执行一度需要手动运行的功能,提高了效率,加快了批处理文件的周转,因此我们的客户可以及时、安全地获得关键业务信息。”
“看到HCL软件将一个秉承强大功能之传统的成熟IT解决方案系列带入一个重新赋能的新时代,真是令人无比兴奋。” Constellation Research公司副总裁兼首席分析师Dion Hinchcliffe说:“正如我在Constellation候选名单中提到的,HCL软件是领先的企业IT堆栈供应商之一,可以为客户的数字转型奠定坚实的基础。”
如需了解更多信息,请点击此处
关于HCL Technologies
HCL Technologies (HCL) 利用未来十年的领先技术为当今全球企业提供支持。HCL通过其“Mode 1-2-3”策略、深厚的行业专业知识、以客户为中心的理念和创意创业(ideapreneurship™)企业文化,帮助企业向下一代转型。
HCL通过以下三个业务部门提供服务和产品:IT和业务服务(ITBS)、工程和研发服务(ERS)以及产品和平台(P&P)。ITBS通过应用程序、基础架构、数字流程运营和下一代数字转型解决方案,帮助全球企业实现业务转型。ERS提供产品开发和平台工程各个方面的工程服务和解决方案,HCL的P&P部门则针对全球客户的技术和行业方面的特定要求,为其提供现代化的软件产品。通过先进的合作创新实验室、全球交付能力和广泛的全球网络,HCL在金融服务、制造、技术与服务、电信与媒体、零售与包装消费品(CPG)、生命科学与医疗以及公共服务等多个垂直行业中为客户提供全面服务。
作为一家全球领先的技术公司,HCL重视多样性、社会责任、可持续发展和教育举措,并以此为豪。在2021年3月31日之前的12个月期间,HCL的合并收入为101.7亿美元。公司拥有168,977名极富创意的员工,在50个国家/地区开展业务。如需了解更多信息,请访问www.hcltech.com
前瞻性陈述
本新闻稿中的陈述为前瞻性陈述,其中涉及许多风险、不确定性、假设和其他可能导致实际结果与本前瞻性陈述中的结果存在重大差异的因素。 除历史事实陈述外,所有陈述均可被视为前瞻性陈述,包括但不限于包含“计划”、“预期”、“相信”、“战略”、“机会”、 “预期”、“希望”或其他类似词的陈述。与陈述相关的风险和不确定性包括但不限于与未决监管程序的影响、收益波动、我们管理增长的能力、IT服务、业务流程外包和咨询服务的激烈竞争有关的风险、不确定性,包括可能影响我们的成本优势、印度的工资增长、客户对我们服务的接受度、产品和费用结构、我们吸引和留住高技能专业人士的能力、我们以具有成本效益和及时的方式整合收购资产的能力、固定价格、固定期限合同的时间和成本超支、客户集中、移民限制、我们管理国际业务的能力、重点关注领域技术需求的减少、电信网络中断、我们成功完成和整合潜在收购的能力、品牌开发工作的成功、服务合同的损害赔偿责任、进行战略投资的公司/实体的成功、取消政府财政激励措施、政治不稳定、对筹集资金或收购印度境外公司的法律限制以及未经授权使用我们知识产权、其他风险、不确定性和影响我们行业的一般性经济状况。无法保证此处作出的前瞻性陈述准确无误,并且发布此前瞻性陈述不应视为公司或任何他人作出关于公司的目标和计划得以实现的陈述。本文中的所有前瞻性陈述均基于公司管理层目前可获取的信息作出,公司不承诺更新可能由公司或代表公司人士不时作出的任何前瞻性陈述。
关注【HCL 软件】官方微信公众号
了解更多精彩内容
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。