释产能，论研效提升之路

智能座机方案建设与实践

在过去的几十年里，通信领域经历了翻天覆地的变化，从早期的模拟信号到数字传输，再到如今的互联网时代，每一次技术的跃进都极大地改变了人们的沟通方式。在20世纪末，固定座机不仅是家庭通信的重要组成部分，也是企业沟通的关键基础设施。随着移动网络的发展，手机逐渐成为人们随身携带的通信设备，尤其是智能手机的普及和发展，彻底改变了通信模式，也对传统通信方式提出了新的挑战。然而，尽管通信技术取得了巨大进步，但在某些方面，固定电话的稳定和可靠性仍是不可替代的。尤其是在特定领域。

AIGC在广告创意上的实践

本次实践着重于使用AIGC生成小红书文案和汽车类广告创意图片，实践证明AIGC可以有效的降低广告创意的制作周期和成本，在未来拥有广阔的前景。同时也要充分的意识到，目前的实践仅覆盖了广告创意中的一小部分场景，一些对质量要求非常高的场景目前尚无法解决。我们将持续探索出更优的方案，覆盖更多的广告创意场景。

AI广告创意生产实践

确定创意和概念：首先，确定广告的创意和概念。可以基于品牌价值观、产品特点或目标受众的需要，根据定位和目标，选择适当的场景、主题和情感来传达广告的信息。脚本和故事板编写：根据广告的创意和概念，编写脚本和故事板。脚本用于规划广告中的文字和对白内容，故事板则用于规划广告中每个场景的构图和视觉效果。场景选择和布置：根据广告的概念和故事板，选择合适的场景来拍摄广告。可以在户外道路上、城市街道上，或者在自然风景背景下进行拍摄。根据需要，进行场景布置和装饰，以营造出符合广告要求的环境。

汽车之家人的“灵创”AI应用平台及编程助手AutoCode

在大语言模型推出后，市场上衍生出了大量的AI编程IDE插件，在调研了Github Copilot、Codearts、Comate、CodeGeeX等市场主流IDE编程插件后，结合汽车之家实际业务场景，云平台上线了汽车之家专属IDE编程插件AutoCode，支持VSCode、JetBrains IDEs、Android Studio，将有效帮助大家解决开发过程中遇到的问题，显著提升开发效率。我们相信，“仓颉灵创”将为公司员工带来更加便捷、高效的办公体验，助力公司业务的持续发展与创新。

汽车智能化多模态交互

多模态大模型相较于传统大模型使用方式一样，用户只需输入检索的问题，即可获得响应，当多模态大模型解析到用户的意图命中素材库中的图片和视频后，会进行召回展示。在AIGC视频生产方面，多模态大模型可以提供站内新车资讯、热点文章、双车对比文章，服务于内容生产，提升内容质量、解决内容供给不足等问题。基于此，我们研发了多模态大模型，结合了文本、图片、视频等信息，让用户可以轻松可以获取有效信息。可以看出多模态大模型在文本展示的基础上，会增加视频的素材，可以使用户获取信息更直观、高效和具有吸引力。多模态大模型回答结果。

大模型驱动的新范式选车引擎

通过Agent化的方式构建了大模型驱动的生成式搜索引擎GSE，并对其进行了整体评估，在选车场景中传统引擎难以有效应对的长尾问题以及复杂选车问题上，效果独立评估与相对评估（相比传统搜索）上GSE都达到了非常不错的水平，选车体验焕然一新，更加出色。业界实践中，大模型做SFT（Supervised Fine-Tuning，有监督微调）经常会遇到比较棘手的情况，领域上能力增强，但是通用上的能力变得一塌糊涂，各种任务上的评测效果都显著下降，对垂直域上的数据产生过拟合，失去了原有的泛化能力。

汽车之家质效流水线——奔向未来软件交付的关键里程碑

流水线，即产品发布流程的名词化。根据业务定义的顺序关系，流水线的执行可以定义为依次执行相应的加工或质量校验行为。目前，软件交付全生命周期随着业务的发展不断完善。敏捷概念的提出和应用，大幅提升了软件开发的效率和版本更新的速度，但是它的效果仅限于研发环节，产品发布流程陆续出现新的瓶颈。近年来 CI/CD、DevOps 理念的出现，打破了信息孤岛和沟通壁垒，加深了多岗位人员之间的协作，也加速了软件交付的速度和质量。

以终为始，依托度量指标，多种工具全面提升研发效能

经过复杂任务的拆分处理，我们将各个子任务的用例结果存储在内存中。然后，对各个任务的结果进行整合、归类和排重的处理。最终，我们将用例结果进行结构化存储。依靠领域知识库结合任务拆解，我们将大文档分割成小文档，并针对不同的文档类型和用例类型进行多维度的业务知识和技术知识填充。通过这种方式，最大限度地提升了用例生成的准确性和完整度。

利用生成式AI的产研流程：创新与效率的完美结合

在用例生成的过程中，我们需要考虑多个角度的问题。产研AI整个流程较长，其中文档评分、完善文档、召回文档片段、用例生成都会与LLM进行多次对话，要想利用AI得到预期优质的结果，Prompt 不断的调优至关重要，整个过程根据Prompt设置会经历几轮甚至几十轮对话，这里让我们来通过需求文档生成测试用例来简单介绍产研AI技术实现过程，以下是主要流程。技术领域： 针对不同的专业知识制定了一些标准规范，包括生成用例边界值的设定和性能测试用例的标准，这些规范和知识输出旨在提高AI生成的方式和方法，促进结果准确性提升。

浅谈研发数字化在汽车之家的落地实践

综上所述，高效的办公团队对企业的影响是多方面的，从市场竞争到内部运营，从用户满意度到持续创新，都能够为企业带来积极的结果。通过这一度量体系，我们能够更直观地了解和衡量研发团队在交付产品方面的能力，从而不断优化研发流程并控制成本，以提供更多、更好、性价比更高的产品和服务。此外，协作平台还可以集成更多的第三方应用和服务，提供更丰富的功能和工具，满足不同团队的需求。任务拆解完成后，各端同学就可以进行各自任务的“工时评估”和“排期”并更新到系统，然后根据各端“任务”的排期情况，就能得出这个“需求”的整体排期情况；

汽车之家页面性能监控建设实践

SYN 实施成本低，便于统一标准，相比 RUM，受运行时环境的影响更小，结果更具有可比性和可复现性，是性能监控的重要一环。基于 Lighthouse，借助 K8S 等容器编排技术，快速搭建提供基准环境的 SYN Web 服务是建设页面性能监控体系的第一阶段。该阶段以提供评估页面性能、分析慢页面等关键功能为主。虽然 Lighthouse 还存在 仅支持谷歌浏览器，代表性不足，也不能真实反映真实用户端的性能情况 这两个问题，但瑕不掩瑜，可以作为 SYN 的首选方案。

加速未来！汽车之家App应用性能优化总结与后续展望

在当今数字化时代，App已成为人们生活和工作中不可或缺的一部分。客户端性能优化成为App开发的重要任务之一。为了提升用户体验，需要持续关注并改善各项性能指标，如启动速度、页面响应速度、流畅度等。针对这些指标，我们制定了全方位的提升方向，包括工具与平台建设、专项指标体验优化、流程规范等。致力于提升App的稳定性、流畅度和响应速度，为用户带来更好的使用体验。第一时间出现内容（白屏的等待会让用户焦虑），我们在适当的时机和位置添置了骨架屏；提前业务内容出现的时间点（骨架屏只能稍微缓解用户的心情）；

汽车之家APP端到端全链路治理最佳技术实践

在移动互联网和智能化时代，手机App软件已经成为方便工作和生活的重要工具。为了提升用户体验，打造精品汽车消费者阵地，汽车之家对App服务质量问题进行了全方位的专项治理。

汽车之家铸精品工程

质量对于汽车之家整体业务、用户体验，以及每一个技术人的重要性。

从汽车之家效能平台建设看汽车行业研发数字化之路

在面向数字化转型过程中，汽车之家逐步深化布局，服务链条覆盖看车、买车、用车多场景，定位从垂直媒体转变为衔接 C 端消费者、B 端主机厂、经销商等各汽车主体的汽车交易及服务平台。

汽车行业场景化营销新方向：基于 WebGL 的网上虚拟车展

采用三角形网格表示法最大的困难是模型的精确度，即三角面与物体实际表面的差别，高质量的模型往往需要对物体表面进行更多层次的细分，同时伴随着大量的三角形产生，不幸的是这些数据都是需要进行实时传输到客户端的，一般来说Web端一台仅表示外观的3D车模型需要十兆左右的几何数据，仅仅传输这些数据就需要十秒（实测4G带宽）左右的时间，而传统的Web页面的完全展示时间绝大部分情况下不会超过一秒，这种情况会造成用户在进入3D应用时的大量流失。车展作为车市的风向标，代表着汽车发展的趋势，也是厂商展示自己、推广自己的舞台。

“3D 元宇宙技术”在汽车新零售领域的应用与实践

上海能源空间站是汽车之家用3D元宇宙技术打造的全息舱，现在看到的效果还只是刚开始，我们的研发团队一直都在加班加点对产品功能和体验持续优化和升级，以两周一个迭代的版本速度推进，同时我们还规划了更多的有趣好玩的功能等待大家的发觉。全息舱是我们主机厂产研团队历经10个月的时间从无到有一步步打磨出的一个全新的产品，我们期望能借助我们的技术真正的给业务方和客户方赋能，助力汽车之家迈向新的征程。

大数据 + VR 全景技术重塑“二手车买车场景”

汽车之家二手车针对二手车车辆数据和视觉展示进行了深度探究，建立了标准化的数据处理加工流程、方法模型以及可视化展示形式。面对海量的复杂的车辆数据，以分治思想建立估值的集成模型，极大提高了估值的准确性，使用户能够准确了解当前车辆的价值；建立标准化的车史知识模型，通过算法模型和规则方法将碰撞、维保、电池的信息结构化，特别是新能源车电池在线检测报告，在业内处于创新领导地位。

面向推荐的汽车知识图谱构建

文章主要围绕推荐，介绍了图谱构建详细流程，对其中的困难和挑战做出了分析。同时也综述了很多重要的工作，以及给出了具体的解决方案，思路以及建议。最后介绍了包括知识图谱的应用，特别在推荐领域中冷起、可解释性、召回排序介绍了知识图谱的作用与使用。...

多模态算法在视频理解中的应用

现阶段视频分类算法，主要聚焦于视频整体的内容理解，给视频整体打上标签，粒度较粗。较少的文章关注时序片段的细粒度理解，同时也从多模态角度分析视频。本文将分享使用多模态网络提高视频理解精度的解决方案，并在youtube-8m 数据集中取得较大提升。实验表明，上述几种方法均有不同程度的提高，尤其以多模态和图卷积提升比较明显。我们希望在未来探索更多的标签依赖关系。GCN 网络也被证明在这项任务中很有用，我们认为值得我们做更多的实验，将 GCN 网络与其他最先进的视频分类网络结合起来。

基于深度学习的细粒度分类研究及应用

近年来，深度学习的发展极大推动了细粒度分类在交通、医疗、工业、农业、电商等领域的落地。各种反应工业界需求的相关比赛也吸引了大量从业者参加，如专注自然物种分类的iNat Challenge 2021[20]、关于渔业资源保护的Fisheries Monitoring[21]、阿里巴巴主办的AliProducts Challenge等。数据标注：细粒度图像的标注往往需要相关专业知识（如医学等），这给标注带来了极大困难。因此，自监督学习是未来的一大趋势。

ICDAR 比赛技术分享

ICDAR2021的DIB比赛赛题是对历史文档图像进行二值化，将文字从背景中分离出来。评价指标采用PSNR、DRDM、F-Measure (FM)、pseudoFMeasure (Fps)以及Cohen’s Kappa的综合加权值。比赛难点在于历史文档图像的背景非常复杂，存在各种各样的退化因素，导致现有算法难以取得较好的效果，比如页面污渍挡住字迹，字符褪色，导致和背景太过相似，墨迹浸润，导致背面的文字浸润到正面，但真实的标签又需要把他分到背景里，以及折叠印痕，颜色较深，可能和文字弄混等。