不同企业的IT运维模式差别较大,这往往和企业信息化建设的模式有关。例如企业自建系统一般都会采用自己运维的模式,采用外购模式的企业往往需要产品或解决方案提供商来协助运维(即运维外包)。
不同地域、不同行业的信息化应用水平不同,企业信息系统的运维管理也不同;即使同一个企业,IT运维模式也存在差别。
目前大型企业的两种IT运维模式中,自己运维的企业占比62.5%;运维外包占比37.5%(其中云服务占3.1%)
企业信息化系统运维模式分布 (N = 127)
自己运维还是各行业大部分企业的首选,但在不同行业仍有差别。在政府行业,运维外包比率较高。另外,采用云服务建设模式的企业较少,比例也相应较低。
企业信息化系统运维模式行业分布 (N = 127)
不同的运维模式有不同的价值,大型企业要从IT能力、成本、响应度等方面来进行综合考量。
不同运维模式分析
自己运维
指企业信息化系统由企业内部人员来完成维护和升级的运维模式。自建信息化系统的企业通常会采用自己运维的模式;部分信息化采用定制开发系统的企业, 通过实施方对企业信息化人员进行培训,也能实现自己运维。这种运维模式能够快速及时地解决企业信息系统的问题,但是常常存在专业性不足、要求企业的信息化 部门相对稳定、投入成本也高。
运维外包
此模式包括系统属于自己但运维外包和直接购买云服务两种模式。外购信息化系统的企业通常采用运维外包的模式;采用云服务建设系统一定是运维外包。运维外包服务商的响应速度和服务水平直接决定着运维服务的质量。
研究小组调查发现,在运维外包模式中,云服务模式是新的运维模式,采用云建设模式的企业较少,故比率较低,仅为8.3%。
好文章,需要你的鼓励
这篇研究揭示了大语言模型强化学习中的"熵崩塌"现象——模型在训练早期迅速失去探索能力,导致性能达到可预测的上限。研究者发现验证性能和策略熵之间存在精确的数学关系:R = -a·exp(H) + b,并深入分析了熵变化的内在机制。基于这些发现,他们提出了两种简单有效的方法(Clip-Cov和KL-Cov)来缓解熵崩塌问题,显著提升了模型性能,特别是在困难任务上。这项研究为大模型强化学习的规模化应用提供了关键指导。
Skywork OR1是昆仑公司AI团队开发的开源推理大模型,通过创新的强化学习方法显著增强了语言模型的推理能力。该研究基于DeepSeek-R1-Distill模型系列,采用名为MAGIC的训练方法,在AIME24、AIME25和LiveCodeBench三大基准测试中实现了显著性能提升,32B模型平均准确率提高15.0%,7B模型提高13.9%。研究团队通过系统研究策略熵崩塌现象,提出了有效的缓解策略,并开源了全部代码、数据和模型权重,为AI社区提供了宝贵资源。
上海交通大学研究团队发现多模态大语言模型中的"啊哈时刻"(自我反思模式)虽存在但并不意味着推理能力提升。他们提出了"冷启动强化学习"两阶段方法:先用监督微调建立推理模式,再通过强化学习优化。实验表明,这种方法在多个多模态数学推理基准上表现卓越,使3B参数模型达到接近甚至超越部分7B模型的性能,为增强多模态AI推理能力提供了有效路径。
MBZUAI研究团队开发的SVRPBench是首个模拟真实物流环境的随机车辆路径问题基准测试平台。它通过建模时间依赖的交通拥堵、概率性延误和客户特定时间窗口,为500多个包含最多1000客户的测试实例注入真实世界的不确定性。实验结果显示,先进的强化学习算法在分布变化时性能下降超过20%,而传统方法表现更为稳健。该开源平台通过GitHub和Hugging Face发布,旨在推动更适应现实世界不确定性的路由算法研究。