北京时间11月16日,2023小米IoT生态伙伴大会在京召开。继10月26日雷军宣布「人车家全生态」为小米集团全新战略后,此次大会小米也正式对外公布了IoT生态伙伴全面开放计划。通过Vela开源、发布小米澎湃智联技术品牌等举措,帮助智能生态伙伴、全屋产业从业者及个人开发者快速加入小米IoT生态。小米集团总裁卢伟冰表示:小米澎湃OS为未来百亿连接做好了互联的公有底座,将携手合作伙伴构建全球最大的人车家生态圈。
全球最大消费级IoT平台,人车家全生态持续引领行业发展
截止目前,小米已成为全球最大的消费级IoT平台,连接设备数已达6.55亿台,并在多个关键领域引领行业:小米电视中国第一、印度第一;小米智能音箱全渠道份额超40%,稳居行业第一;小米家用路由器销量累计全球前三等。同时小米IoT是目前覆盖品类最全的生态系统,拥有200+大类智能家电,实现覆盖95%以上的生活场景,正在为全球用户提供最极致的智能生活体验,持续推动智能化普及。
在其他领域小米势头正劲,在Canalys最新第三季度的报告中,小米手机稳居全球前三,全球市场份额达到14.1%,是排名前三的手机品牌中唯一正增长品牌,在欧洲市场份额达到23%。同时,刚刚发布的年度旗舰小米14系列,一经发布火爆市场。开售五分钟,销量达到小米13系列首销总量的6倍,四个小时打破四大电商平台国产手机首销纪录,并创造了最快百万台销量新纪录。
小米集团总裁卢伟冰表示:小米将持续加大对底层技术的投入,致力成为全球新一代硬核科技引领者。未来5年小米预计投入超1000亿研发费用,保持研发费用年复合增长率超30%,进一步覆盖芯片、机器人、OS、AI等四大技术赛道。
小米IoT生态伙伴开放计划,携手迎接万亿市场机遇与挑战
根据三方机构测算,全球IoT市场未来5年复合增长率将保持13%的双位数增长势头。目前,北美的智能化渗透率已经达到45%,面对IoT这样一个万亿级大市场,还有很多挑战。对设备企业来说,从0到1的智能化成本高企,以及从1到N的智能化鸿沟难以跨越。此次小米IoT生态伙伴开放计划旨在帮助厂商们轻松实现设备智能化,同时,借助小米IoT平台,把多个设备连接,可以轻松实现协作联动。
小米集团高级副总裁、手机部总裁曾学忠表示:截止目前小米IoT合作伙伴已超过9000家,小米拥有目前行业最丰富的智能化经验,能够给用户提供最完整、最智能的使用体验。此次IoT生态伙伴开放计划将面向智能设备伙伴、全屋产业从业者、个人开发者进一步开放电工照明、智能安防、环境清洁、运动健康等十大类别的智能设备准入,开放合作领域将覆盖95%以上的智能设备。同时推动PLC全屋智能的互联互通标准化,为用户提供前装、后装等更完整的智能生活体验。此次大会上小米还宣布面向个人开发者提供1000套免费模组开发板,帮助个人开发者发挥无限的创造力。
最小化低门槛智能解决方案,轻松拥抱智能生态浪潮
小米IoT平台数据显示,拥有5个及以上小米IoT设备的用户已超1300万,5年前此数据仅为130万。越来越多用户在选购智能家居产品时,平台生态成为用户的重要购买决策动因。同时随着用户设备持续增加,平台生态将持续加持用户粘性,实现智能生态正循环。此次大会上,小米为合作伙伴提供了最新的低门槛智能化方面,帮助合作伙伴轻松拥抱智能生态浪潮。
小米IoT低门槛智能化方案提供4个“最”的端到端智能化解决方案,即:
最低门槛:小米IoT平台提供最高自由度的开发套件,同时提供40+品类的标准化解决方案,最大程度降低智能化接入门槛;
最完备模式:小米IoT平台从合作模式上,提供从自主接入、到服务商模式的各种选择;
最高效率:基于6000余款产品接入经验的打磨,小米IoT平台拥有行业最高效的接入平台,接入周期和认证周期均为行业最短;
最有竞争力:小米的IoT模组累计出货2.3亿,规模中国第一,性能行业领先,价格行业最优。
宜家、松下等品牌与小米达成战略合作,共建人车家生态圈
此次小米还邀请到了宜家、松下参会。小米和宜家的合作从2018年开始,历经5年,从合作试点到战略合作伙伴。小米和松下的合作逐步扩大合作范围,从照明拓展到更多品类。越来越多的合作伙伴加入小米IoT生态,小米通过推动整个产业的通力合作,共同推动动智能化渗透率提升,共同做大市场。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。