明略科技荣获“中国零售金融立异?实践大奖”人工智能手艺应用奖-明略科技

首页明略研究明略科技荣获“中国零售金融立异?实践大奖”人工智能手艺应用奖

明略科技荣获“中国零售金融立异?实践大奖”人工智能手艺应用奖

2021-03-24

克日，，，，，，，由《零售银行》杂志社团结腾讯云举行的中国零售金融立异实践大奖在深圳举行，，，，，，，明略科技依附行业领先的知识图谱手艺及履历沉淀的金融行业“Know-how”，，，，，，，在此次评选中脱颖而出，，，，，，，荣获“人工智能手艺应用奖”。。。。。奖项评选遵照“社会征集、总行推荐、同业调研和案例证实”四大原则，，，，，，，评选出最佳立异案例和公司，，，，，，，中国建设银行、平安银行、招商银行、中国农业银行等银行机构在各自领域获奖。。。。。

多年来，，，，，，，明略科技深耕数据中台及知识图谱手艺，，，，，，，通过突破古板金融营业系统中的信息孤岛，，，，，，，资助客户将小我私家客户、账户、企业客户通过社会关系、企业关系、资金来往等关系举行关联，，，，，，，在实现金融全量信息关联融合的基础上，，，，，，，形成面向金融剖析的多维视角。。。。。并使用前沿算法能力和富厚的产品开发安排履历，，，，，，，在危害洞察、智能查证预警、智能营销与运营、反诓骗、反使用、反洗钱等多个营业场景普遍落地，，，，，，，辅助金融机构营业和治理决议。。。。。

明略科技在明确自身手艺在金融业态赋能偏向后，，，，，，，已争先在现实应用中推进。。。。。2020年11月，，，，，，，明略科技与浦发银行签署战略相助协议，，，，，，，并建设金融认知工程团结实验室。。。。。双方配合推动金融认知工程要领论研究与理论系统建设，，，，，，，完善金融认知智能系统，，，，，，，构建海内领先的认知智能平台基础设施，，，，，，，提升用户洞察、感知互动等能力，，，，，，，为用户及中小微企业提供全方位效劳。。。。。在此之前，，，，，，，明略科技也被科技部授予营销智能建设国家新一代人工智能开放立异平台，，，，，，，推动营销智能手艺在金融行业的落地。。。。。

除了银行机构外，，，，，，，明略科技的客户也笼罩了包括羁系机构、包管、券商等在内的金融细分客群，，，，，，，现在已为包括中国人民银行、中国建设银行、中国邮政储备银行、交通银行、光大银行、平安银行、南京银行、宁波银行、中国人保财险、中国人寿、招商信诺、上海证券生意所、海通证券、兴业证券等在内的金融客户乐成落地了大数据及人工智能手艺解决计划。。。。。明略科技坚持钻研大数据和人工智能手艺，，，，，，，继续助力金融机构举行更智能的决议，，，，，，，赋能组织更高效的运转，，，，，，，加速立异。。。。。

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.

下一篇：一种搜索优化要领及装置

返回行业资讯

btt博天堂