AI与GPT碰撞 助力突破港口运营及能效边界
2023年6月13日至6月15日,场景化·新能源自动驾驶全球领导者——西井科技Westwell在荷兰鹿特丹举行的欧洲集装箱供应链展览会(TOC Europe)发布“新一代港口数智化运营平台”,推出适用于港口运营的大模型产品TerminalGPT。该模型将深入一线港口生产作业环节,可有效提升港口运营的数字化能力,赋能港口企业提质增效。
TerminalGPT 集装箱物流新型智能机器人
随着“数智化”创新发展,全球港口行业的减碳实践正在提速。TOC作为大物流行业国际型技术交流平台,今年主要提议围绕“数智化驱动可持续”展开,80多个国家超过200多家港口及供应链展商参与其中。
会上,西井正式推出“新一代港口数智化运营平台”,并发布“集装箱物流供应链大模型TerminalGPT”。它如同一个“贴身”的24小时超级业务助理,基于大模型技术基座,结合大物流场景的经验及知识,持续预训练并成为智慧港口的“专家”。
TerminalGPT,将传统的人工操作转变为机器人模式,打造了全新的智能运营专家,智能交互服务,更耦合实际生产作业场景所需。通过对WellOcean(多场景智能解决方案)、Qomolo(新能源无人驾驶及智能商用车)等各系统的链接,它打通了港口运营的车辆、人员、空间及能源等多维度的高效运营壁垒。
此外,TerminalGPT还能通过自主学习并利用大数据预测“智能推荐”,赋能各系统更“智慧”。在实际作业过程中,它通过“推荐”各项关键性的智能操作,比如“提示”精准信息,风险预测等,辅助“人”做出最优“决策”,使港口运营更高效、安全及绿色。
在TerminalGPT支持下,西井自研WellFMS车队管理调度系统能实现“智能化升级”。在路径规划上,它将助力港口运营做出更多提前预测及未来智能推荐,特别是辅助一线操作计划人员提前发现问题并预警。且它还能通过自主学习助力TOS码头操作系统进行预演以及计划辅助。这将大幅提升码头操作人员与生产系统的交互体验,改善一线员工的工作环境,突破港口运营效率及能效边界。
无人驾驶+新能源换电 驱动可持续发展
本次展会,西井携带Qomolo旗下全时无人驾驶新能源商用车Q-Truck首次亮相展会。Q-Truck颠覆性地“取消了人类驾驶室”,无需磁钉等辅助设备,即可灵活应用于海陆空港、工厂等多场景。另外,它还搭载了西井自研的PowerOnair智能能源服务,仅需5分钟完成自主高效换电,解决新能源商用车续航不足等痛点。
随着加速全球化,西井的产品及服务已落地全球18个国家和地区,服务160余家客户,其场景已覆盖海港、陆港、空港、铁路枢纽、制造工厂等多物流。西井一直走在智慧港口“创新”前列,在全球重要港口打造多个标杆案例,如助力和记港口泰国林查班港D码头成为全球首家“无人驾驶与人工驾驶”混行的智慧码头。近期,西井已与和记港口英国费利克斯托港签约超百辆Q-Truck,双方将打造迄今为止最大规模的新能源无人驾驶商用车队,同时在该港部署智能换电服务。
在完全使用绿色电能情况下,经测算,新能源Q-Truck在英国费利克斯托港等实际生产作业场景下,单车每年可减排二氧化碳50吨,将为港口“脱碳”运营做出巨大贡献。本次参展,西井希望通过TOC的国际平台链接到更多生态伙伴,共创“绿色智慧”新机遇,引领全球大物流行业高效且可持续发展。
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。