人们心中常存善念,但在将善念变为善行的过程中总会面临各种阻碍:缺乏技术,规模不足,缺少支持等。
这正是思科的用武之地。企业社会责任是思科企业文化和全球业务战略的重要部分。思科通过产品、解决方案及专业知识激发创新,构建人与技术、机遇相互之间的联接,协同我们的客户,推动全球问题的解决,让越来越多的善念变为善行,造福人类、社会和环境。
就联接而言,思科有着无可比拟的优势, 一直致力于通过世界领先的技术实力及其对联接的深厚积累和独特洞察,为全球问题解决专家赋能,从而消除善念变为善行过程中的诸多障碍。
思科通过专业的技术培训,赋能未来全球问题解决专家,帮助他们提升个人能力、寻求就业机会,开创事业发展,构建起人与机会间的联接。正如行善不能单靠一个人,而是需要众人的努力完成,思科通过产品和解决方案,构建起人与人之间的联接,让全球问题解决专家以及被帮助对象间的沟通更加便捷。在公益事业中,技术会转变为强大的资源优势,在思科的支持下,人与技术相互联接,全球问题解决专家的影响力得以不断扩展。互联网时代,思科致力于技术与技术之间的整合联接,为全球问题解决专家提供协作服务,让更多善念行之高效。
思科网络技术学院作为思科规模最大、持续时间最长的企业社会责任项目,通过将有效的课堂学习与创新的基于云计算技术的课程及教学工具相结合,提供IT相关技能和职业培训。思科网院每年为超过100万名学生提供网络技术、安全、物联网等前沿科技,迄今累计培近800万名毕业生。70%的通过CCNA认证的学生收获了新工作,或取得了职业发展的新机会。截止2017财年年底,思科为全球网院提供的等值教育投入(网院课程、教师培训、教学平台、实验室等)高达26亿美金,共帮助全球180个国家解决经济发展的人才问题。
今年是思科网院进驻中国二十周年。目前,思科在中国已拥有近500所活跃网院,覆盖全国所有省份,为数千名教师提供培训,并面向学生教授最前沿的知识以及与实践相结合的IT课程,旨在为中国培养全球问题解决专家。在中国,每年超过6万名学生就读于思科网院,累计培养学生逾36万。
陈亮亮正是这逾36万名学员中的普通一员。他通过在思科网院的刻苦学习,完成了从农村少年到专业IT从业人员的转变,凭借自己的努力为父母家人添置了车和房产。陈亮亮坦言,在思科网院获得的技能不仅帮助他收获了一份职业,改变了人生轨迹,更让他有能力为妻子和孩子提供更好的生活环境,并能尽早回报父母的养育之恩。(陈亮亮个人故事详见思科网络技术学院网页。)
近年来,思科与教育部共同推动了多个项目的计划和实施,包括大学计算机公共基础课程改革项目、产学合作协同育人项目、创新创业项目等,围绕深化与中国高等院校的合作,致力于培养服务中国经济社会发展急需的创新创业人才、技术技能人才,以支持“互联网+”、“中国制造2025”、“一带一路”等国家战略的实施。2017年6月,思科与教育部在京共同签署了关于数字化创新人才培养的合作备忘录。思科计划在未来3年内为中国教育投入价值约5亿元人民币等值的课程、师资培训、教学软件、教学平台和硬件实验室等,培养40万人次以内的数字化创新人才。
正道致远,非一日之功。未来,思科也将继续秉持根植中国的坚定承诺,携手客户和合作伙伴,通过不断的业务创新,在积极回馈社会、推动产业创新、全数字化转型与可持续发展等方面不断努力,为社会、经济与环境的进一步发展做出贡献。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。