近日,通明智云(北京)科技有限公司(简称:通明智云)宣布完成数千万元A+轮融资,由全聚合与信公投资联合投资,明论资本担任本轮融资独家财务顾问。本轮融资资金将主要用于NJet云原生应用引擎、信创应用交付网关等核心技术研发及产品上下游产业布局、市场拓展、人才队伍和软硬件平台建设等。
通明智云成立于2021年,主营业务聚焦在负载均衡、应用交付、云原生应用引擎等软硬件技术的研发和产品解决方案销售。致力于通过革命性的技术, 帮助客户打通云、管、边、端, 构建以客户为中心的可持续性+可观测性的数字化应用发布平台,成为数字经济增长的新引擎。
通明智云联合创始人兼总经理吴若松表示,“以容器、微服务、DevOps等为核心的云原生技术和理念推动着云原生产业生态蓬勃发展。随着企业深入上云用云,业务应用走向全面云化,企业对云原生的需求升级,需要一个底层的云原生应用引擎来支撑业务应用的快速云化改造。在业界各方的帮助和支持下,通明智云将全力推进具有自主知识产权、自主创新的下一代云原生应用引擎。”
NJet 云原生应用引擎实现了NGINX 不具备的在云原生架构下提供东西向的应用流量控制能力、增加国密算法的 SSL 通信能力、兼容Kubernetes 容器编排和 Istio 服务治理框架,具体包括:基于云原生服务网格的透明流量劫持技术、高性能低能耗、精简型引擎内核设计、多形态部署等关键技术。云原生开源应用引擎OpenNJet 1.0版本已经成为开放原子开源基金会的孵化项目。
在布局云原生产业生态的同时,通明智云不断提升自身在信创企业市场的竞争力。通明智云联合创始人兼首席运营官吴静涛表示,“在数字化转型的过程中,企业从传统IT架构向云原生架构过渡,在企业内部形成了云原生、信创和传统IT架构等多元并举的态势。企业实现应用可持续性发展,需要站在架构的战略高度,通过统一的配置界面、统一的管理平台、统一的大数据采集分析,以及统一的服务平台等关键要素,来保证企业技术迭代创新过程中的应用可持续性和技术选型灵活性,尤其是实现核心信创的可靠过渡。”
通明智云创始团队主要来自神州数码、F5等知名企业。董事长郭为是神州数码创始人,专注数字科技产业30余年;总经理吴若松具有26年应用交付从业经验,曾任F5中国区销售总经理、思科/IronPort大中华区总经理;首席运营官吴静涛具有24年应用交付从业经验,曾任F5大中华区CTO、Citrix中国区销售总监。创始团队将持续通过技术创新、行业应用、人才培养等方面的努力,不断提升公司的整体竞争力。
通明智云成立至今,在产品技术、销售市场、生态合作等方面一直保持高速增长渐入佳境,已累计获得发明专利5项,软件著作权25项。为金融、政府、军工、能源、公共服务等重要行业用户提供优质的产品、解决方案和服务。
通明智云在成长的过程中,秉承 “让应用永远在线”的愿景,始终以客户为中心,不断提升技术和产品的创新,以服务用户为导向深耕行业客户,不断凝聚上下游生态伙伴,在数字经济的浪潮中,走出一条适合于自身发展的创新之路。
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。