北京,2023年12月4日—猎豹移动(纽约证券交易所代码:CMCM)(“猎豹移动”或“公司”)今日宣布,公司已通过两家全资子公司增持了北京猎户星空科技有限公司(“北京猎户星空”)合计35.17%的股权。就该增持,公司向北京猎户星空的出售股东合计支付现金对价约3760万美元。在本次增持完成之前,公司持有北京猎户星空37.74%的股权。
公司董事会(“董事会”)和审计委员会批准了该增持。增持完成后,公司在北京猎户星空的持股比例增至72.91%,控股猎户星空。因此,公司将自2023年12月起将北京猎户星空的财务业绩并入其合并财务报表。
猎户星空是一家以人工智能技术研发为核心的服务机器人提供商,总部位于北京,由傅盛先生创建。自2016年起即大规模投入人工智能技术研发,自研了包括语音识别、视觉识别、室内导航等在内的全链条人工智能技术,同时积累了服务机器人操作系统研发、应用开发能力以及服务机器人全栈硬件设计制造能力。基于以上自研的技术能力,猎户星空推出了交互接待类、智能递送类和双臂协作类等服务机器人产品矩阵,推向全球市场。在2022北京冬奥会上中标5款产品,成为中标最多的服务机器人企业,递送及语音交互机器人在中国市场积累了一定规模的销售网络。2021年猎户星空开始拓展国际化业务,与日韩重要客户签订了战略合作协议,深度开拓相关市场,同时与欧洲、美国多家代理商建立了合作关系。
2023年初,猎户星空基于大模型技术推出了大模型应用“聚言”,为企业客户提供大模型咨询与AI服务一站式解决方案,助力企业应用大模型技术,落地数字化员工,提高经营效率,已有多家客户签约。同时,猎户星空正在自主研发大模型,并将大模型技术赋能自身机器人业务,智能服务机器人家族升级为大模型服务机器人,助力实体经济和场景的数智化发展。
猎豹移动董事长兼首席执行官傅盛先生表示:“我们非常高兴地宣布完成对猎户星空的控股,通过此次控股,猎豹移动将以猎户星空积累的AI技术为基础,打通从AI大模型到场景终端和应用的业务链条,完成核心业务从PC时代的猎豹浏览器、移动时代的猎豹清理大师向AGI时代AI原生应用的跃迁。此次控股基于四个考虑。第一,从行业大背景来说,目前正值AI大模型技术范式爆发一周年,行业处在向AI应用和产品化转变的关键阶段,猎豹移动需要继续在AI赛道上全力以赴,毫不动摇。第二,从两家公司基因来说,猎豹移动和猎户星空各有所长,可以强强联合;猎豹移动擅长于做工具应用,需要从PC、移动向AGI时代升级,猎户星空在AI技术研发上坚持了7年,有自研全链条人工智能技术的充分积累,在场景上有自己的实践探索和理解,形成了一定规模的To B销售网络。第三,从当下的竞争环境来说,在众多公司大举投入AI赛道环境下,猎豹移动控股猎户星空,可以进一步集中资源,是将自身优势进一步放大并发挥到最大的有力举措,确保自身在AGI时代竞争中拥有相应的行业地位。第四,我们看好大模型时代服务机器人市场的巨大潜力,AI大模型为服务机器人的‘大脑’进行了升级,使其更好的完成在具体场景里客户要求的重复性工作,我们相信服务机器人更大的市场机遇已经到来。综上所述,猎豹移动对猎户星空的整合,将为公司装上大模型时代的长期增长引擎。”
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。