明略科技入选创业邦“2023 最值得关注的 AIGC 公司”-明略科技

首页明略研究明略科技入选创业邦“2023 最值得关注的 AIGC 公司”

明略科技入选创业邦“2023 最值得关注的 AIGC 公司”

2023-09-04

8月30日，，，，，领先的国际立异生态效劳平台创业邦举行“2023 AIGC手艺应用大会”，，，，，并于现场宣布“2023最值得关注的AIGC公司”榜单，，，，，涉及基础层、模子层、应用层三个层面，，，，，明略科技依附在人工智能和AIGC领域的探索历程和应用实践，，，，，入选该榜单。。。。。

创业邦看到了人工智能手艺给千行百业带来的重大的应用潜力，，，，，也坚信这是一个值得恒久深耕的赛道，，，，，由此启动“2023值得关注的AIGC公司”的研究，，，，，以专业的视角掘客现阶段起劲探索AIGC手艺和应用的企业，，，，，从投资价值、手艺成熟度、市场营销、生态相助、立异潜力等维度的综合体现关于提报的500多家企业举行评估，，，，，最终甄选出125家各细分领域的代表性企业。。。。。

创业邦指出，，，，，在“模子层”的企业需要兼具“操作系统”角色，，，，，加速应用层的细腻化分工，，，，，手艺积累是要害竞争力，，，，，而“应用层”的企业要深度挖掘笔直场景数据的价值，，，，，打造专业的“数字员工”随着应用层的输出形式将越来越富厚，，，，，赋能更多场景。。。。。

作为涵盖“模子层”和“应用层”的企业，，，，，明略科技正一直挖掘更大都据价值，，，，，打磨为营销领域客户打造的营销领域AI智能体。。。。。在“模子层面”，，，，，明略科技更具手艺优势，，，，，明略科技深耕人工智能领域17年，，，，，资助2000+企业在数字化转型中挖掘数据价值及商业价值，，，，，积累了大宗的营销侧数据和知识图谱富厚履历，，，，，沉淀了大宗的营销专业数据，，，，，将沉淀的笔直行业数据、行业履历，，，，，注入到明略科技为客户定制的大模子中，，，，，将打造出内容越发聚焦、更适合营销场景的营销领域AI智能体，，，，，知足客户多样化的使命和场景需求。。。。。在“应用层面”，，，，，依托于明略科技17年来沉淀下的对各行业的明确和认知，，，，，明略营销AI智能体的底层大模子通过知识库和知识图谱来增强，，，，，使得知识体现更精准、更完整，，，，，荟萃于用户触手可达的AI agent，，，，，让AIGC能力笼罩大宗事情场景，，，，，赋能用户事情流。。。。。

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，乐成率抵达40.1%。。。。。通过在线强化学习和自动数据收罗，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，显著提升了重大使命的执行能力。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，以“可信智能体+可信数据”双轮驱动，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，降低幻觉率并支持知识沉淀，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，助力企业构建可信生产力。。。。。

相识更多

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.

相识更多

上一篇：基于知识图谱的问答系统中的处置惩罚要领和装置

下一篇：AI Agent：营销大模子落地营销场景的要害桥梁

返回行业资讯

btt博天堂