物联网经过了概念炒作、回落,再到技术成熟,现在它迎来爆发增长,并向多个行业渗透,例如零售、金融、医疗、交通等。
近日,ZD至顶网总编辑高飞对话中国信息通信研究院技术与标准研究所主任工程师闵栋,谈到了物联网的标准、流派,以及物联网发展的驱动力和为行业带来的价值创新。
尤其对零售行业来说,闵栋认为,零售是对物联网有很大发展空间的一个行业,它连接商品与用户,能够在其中发挥十分重要的作用,特别是改善用户的购物体验方面,物联网技术作用巨大。随着未来像虚拟现实、增强现实等技术的引入将会对用户购物的体验带来很大的颠覆。
物联网最早应用在零售业是对物品进行编码,之后在它的运输、库存等方面进行全生命周期的管理,能够有效提升货品的流通效率、降低成本和库存。现在,物联网应用于零售业的末端、靠近用户侧发挥的价值更不可小觑,无论是VR技术、智能POS机、智能货架等销售终端的产品革新,能很大程度地提升用户的体验,并提升零售商利润、优化运营效率。
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。