MétaCan
Menu
Retour à la cohorte
Enregistrement W7132304290

iFLYTEK: Can the Leader in Intelligent Speech Recognition Succeed in the Era of Large Language Models?

2024· other· W7132304290 sur OpenAlexaff
Tian 朱天, 吴璠

Notice bibliographique

RevueCEIBS Institutional Repository · 2024
Typeother
Langue
Domaine
Thématique
Établissements canadiensCentre Casa
Organismes subventionnairesnon disponible
Mots-clésFeature (linguistics)Natural languageSpeaker recognitionSpeech technologyField (mathematics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

科技创新型企业在行业的爆发式发展期面临着很多关键的决策点:面临同质化的激烈市场竞争,是深耕自身的优势领域,还是尽可能多的扩张产品线和业务范围?是“单打独斗”,还是和竞争对手合作共创行业生态?科大讯飞当下的发展过程正是这些决策问题的典型呈现。本案例在回顾企业创始人刘庆峰的创业过程基础上,系统讲述了科大讯飞几次主要的商业模式迭代,从成为国内智能语音行业的领头羊,到布局通用人工智能大领域,重点描述了科大讯飞在最新的大模型行业浪潮中面临的选择和挑战。本案例将启发学生探讨科技创新型企业如何持续突破自身在业务深度和广度上的“边界”,如何在技术创新和商业化落地中保持竞争优势。同时,案例还描述了科大讯飞在最新行业形势下面临的巨大机遇和挑战,刘庆峰需要思考的是:大模型时代已来,科大讯飞在智能语音领域的先发优势还能持续多久?是继续升级和扩充智能产品的业务边界,还是收缩在市场上反应一般的产品线?讯飞选择的开放生态模式能否为自己赢来大模型时代的先机?

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,803
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0020,000
Intégrité de la recherche0,0010,004
Charge utile insuffisante (le modèle a refusé de juger)0,0010,003

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,032
Tête enseignante GPT0,282
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCEIBS Institutional RepositoryTravaux en français237 207