国产成人亚洲综合无码,免费看久久妇女高潮a,日韩av无码一区二区三区

首頁明略研究 Gartner發布虛擬化和數據與分析中國市場趨勢報告明略科技入選值得關注廠商

Gartner發布虛擬化和數據與分析中國市場趨勢報告明略科技入選值得關注廠商

2021-01-22

近日，全球權威的技術研究和分析公司Gartner發布了《市場趨勢：中國企業級用戶日益青睞于虛擬化和數據與分析的本土供應商》報告（Market Trends: Chinese Enterprise Buyers Increasingly Prefer LocalProviders for Virtualization and Data and Analytics），其中關于數據科學和現代商業智能平臺市場，明略與阿里云等廠商被評為值得關注的廠商。

此前，明略入選了Gartner 2020年中國ICT技術成熟度曲線報告的數據中臺樣本供應商，2020人工智能技術成熟度曲線報告的知識圖譜樣本供應商和2020圖譜技術Cool Vendor報告，其中，2020圖譜技術Cool Vendor報告全球僅4家供應商入選，明略是唯一的中國廠商。

Gartner預測，到2024年，中國本土廠商將擁有中國數據科學和現代商業智能平臺市場85%的份額，高于2019年的79%。到2024年，中國數據科學和現代商業智能平臺市場規模將達3.26億美元，2020年至2024年的年均增長率為27.64%。中國本土廠商將繼續從非本土廠商那里獲得市場份額，到2024年，中國本土廠商的市場份額5年合計將增加7%，以2019年的市場份額為基點，相當于到2024年向中國本土廠商轉移2200萬美元。

Gartner判斷，到2024年，中國本土產品的主要局限性將被基本克服。中國政府的資助和越來越多開源解決方案的采用，將繼續鼓勵中國本土初創企業和現有的中國供應商進軍數據科學和現代商業智能平臺市場。到2024年產品成熟度的差異日漸縮小。而產品成熟度的提高和數據引力（Data Gravity）的改善，將初步推動數據安全敏感行業（如政府、金融和保險）對本土產品的采用。以資產為中心的行業，如零售業和制造業，將對本土廠商的產品表現出更大的阻力。

Gartner分析，服務型數據科學的舉措將推動中國用戶更多依賴本土供應商。通常，數據科學在項目開始時就需要供應商提供實施和服務，這對于首次進行原型設計和希望通過軟件投資增加數據素養的中國企業尤為重要。許多中國供應商可提供豐富的實施和服務。相反，大多數領先的非中國本土數據科學和機器學習軟件提供商并沒有正式進入中國，由于其合作伙伴扶持計劃不完整，他們的本土合作伙伴通常只能提供最低限度的實施和服務。總體而言，合作伙伴生態系統還很薄弱，一些合作伙伴只是作為代理或分銷商來解決支付問題。因此，像銀行或制造業這樣需要端到端服務的行業，從戰略和規劃到概念驗證以及最終的實施和管理服務，將更傾向于本土供應商。

Gartner指出，擁有行業知識的本土云服務提供商的崛起提供了一個理想的孵化環境。中國企業通常將高級分析定位為創新舉措，并將其與整體云戰略相結合。擁有零售、供應鏈和金融專業知識的本地云服務提供商預建的解決方案，并為中國本土用戶提供 “沙盒 “環境，以進行快速原型設計。這將使更多從事類似行業需要端到端數據科學和機器學習解決方案的中國企業向本土供應商采購。

明略科技，此次被Gartner評為數據科學和現代商業智能平臺市場值得關注的廠商，憑借知識圖譜、自然語言處理、機器學習、智能推薦等技術，已為包括北京上海等多城市地鐵、建設銀行、中國人壽、平安銀行、多個城市大數據局、國網某電力公司等2000余個客戶提供基于數據智能賦能產業轉型升級的服務。

推薦閱讀

全球雙榜SOTA！明略科技專有大模型 Mano開啟GUI智能操作新時代

2025-09-28

明略科技推出的GUI大模型Mano在Mind2Web和OSWorld兩大基準測試中取得了創紀錄的SOTA成績，成功率達到40.1%。通過在線強化學習和自動數據采集，Mano為GUI智能體領域提供了可擴展的新范式，顯著提升了復雜任務的執行能力。該技術的突破不僅推動了自動化邊界的擴展，也為企業智能化轉型提供了強有力的支持

了解更多

官宣！明略科技推出專有大模型產品線DeepMiner，可信商業數據分析智能體終于能用了！

2025-09-22

明略科技推出專有大模型產品線DeepMiner，以“可信智能體+可信數據”雙輪驅動，解決企業智能體落地中幻覺率高、過程不透明等痛點。該產品通過多智能體協同架構、企業級數據整合及全流程透明化設計，降低幻覺率并支持知識沉淀，其自研Mano和Cito模型分別實現精準執行與深度推理，助力企業構建可信生產力。

了解更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

下一篇：明略科技吳明輝：服務型組織如何實現數字化轉型？

返回行業資訊