在当今“一切皆可远程”的世界中,PC 不仅仅是一种工具,它变成了工作和交流的关键连接点。员工将其作为协作性和生产力的门户,因此任何停机时间都会对公司的业务和收益造成破坏性影响。
戴尔科技集团的支持服务和安全解决方案提高了 IT部门为员工提供现代、智能和高效 PC 体验的能力。PC版ProSupport 服务套件的新增功能,以人工智能和全天候支持为基础,提供更轻松且更具专用性的 IT 服务。
“如果公司的 PC 没有生产力,那么员工也不会有。”Moor Insights & Strategy 创始人兼首席分析师 Patrick Moorhead 表示,“支持服务和安全产品必须随着员工体验的变化而向前发展,并比无处不在的各种威胁先行一步。我认为戴尔科技集团已经展开行动,推出了一些专为未来而设计的独特产品。”
PC 版ProSupport 服务套件可通过自定义及定制的 IT 支持新功能更大限度地提高生产力和正常运行时间
Forrester研究咨询公司最近的一项调查显示,有70% 的公司计划在明年加大对远程办公的投资力度 [1]。借助 PC版的ProSupport 服务套件,IT 经理现在可以自定义支持员工和优化 PC 的方式并使其自动化。新功能包括:
· 可定制的 IT 管理工具:PC版ProSupport 服务套件是为 IT 经理提供自动化的、定制的更新目录管理和部署功能的支持服务产品 [2]。现在,他们能够让戴尔 BIOS、驱动程序、固件和应用程序实现自动远程更新,还能自定义分组和管理这些更新的方式。
· 针对 PC 机群的定制的、可操作的信息集中在同一位置:让IT 经理一目了然地查看整个戴尔 PC 机群的运行状况、应用体验和安全分数 [3]。随着时间的推移,他们可以通过这些分数来识别性能趋势,并在需要时,通过远程使用戴尔科技集团的人工智能驱动服务支持软件所提供的定制建议和利用率指标来采取即时的行动。
· 定制的远程工作流:通过使用定制的规则来大规模定义和编排远程修复工作流,IT 经理还能够预先确定自动更新的接收方以及管理更新的方式。
· PC版 ProSupport 服务套件的功能可供渠道合作伙伴及其客户使用:渠道合作伙伴可以全面使用PC版 ProSupport 服务套件的 AI 驱动支持、工具和门户。合作伙伴可以使用 TechDirect 的 SupportAssist 查看和管理多个组织的支持体验,并且可以充分利用戴尔科技集团的专业知识,针对个案或者整个机群的具体情况, 克服客户带来的挑战。
“IT 能起到前所未有的重要作用。虽然使命一如既往,即保持每个人的生产力,让系统正常运行,但其背后的运营变得更为复杂,尤其随着边缘的数据量和机会的不断增加,”戴尔科技集团服务总裁 Doug Schmitt 说道,“我们的 IT 服务方法以 AI 驱动、自适应性、全天候支持为基础,同时考虑了当今的现实和未来的客户需求。归根结底,这些新功能旨在帮助 IT 领导者洞悉未来并保持领先地位,在没有故障中断的情况下,保证世界各地的员工协同工作和持续创新的能力。”
上市情况
自 10 月 19 日起,新老客户皆可直接使用或通过全球渠道合作伙伴使用PC 版ProSupport服务套件的新功能。
后疫情时代,远程办公已经成为人们的常态,IT运维在维护企业正常运转中承担了更多责任。戴尔PC 版ProSupport服务套件增强功能,通过主动式预测和自动式支持,可以减轻IT团队的工作量,并为企业降本增效。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。