融合多种深度学习模型的航片智能解译技 术 超图低空智能服务引擎 百万级遥感样本 交互式图斑修整 系列通用 Al 模型 分布式快速解译 GISTC P15 海量全国典型地貌区域遥感解译样本集 P16 地类分割样本集 变化检测样本集 建筑物语义分割 道路语义分割 多地类语义分割 无人机航片解译样本模型 面向多领域多场景的系列遥感影像 智能监测模型 GISTC

参数以优化模型性能，并监控训练过程中的损失变化。通过单元测试， 集成测试等方式测试各模块之间的协同工作能力，确保数据流和逻辑 软件工程智能化标准体系建设指南（2025 年） 24 的一致性；测试阶段，构造多样化的测试样本，覆盖不同场景下的输 入情况，确保测试用例具有代表性。测试各模块之间的协同工作能力， 识别系统瓶颈并评估其在高负载下的表现。模拟真实业务场景，评估 Agent在准确率和资源消耗等方面的实际效果。检查数据安全、合规 最终结论是否评测通过 记录每条样本的执行分值 每条样本的评测结果，各项指标的具 体分数，方便做问题追溯 计算方式 各个指标的详细计算方式，包括计算公 式，系数取值等 清晰透明地公开展示评测指标的计算 过程 统计分析 各指标在不同分数区间（5%）的样本个 数 各指标在设定阈值（5%递增）下的样本 通过个数 各指标在设定阈值（5%递增）下的样本 通过率 展示各类指标在样本的分布情况，了 解样本的群体特征 BAD CASE 评测不通过（关注指标低于设定阈值） 的 CASE 便于研发排查问题，也可以用以评估 当前判定样本评测是否通过的标准是 否合理 问题归因 原因分析框架（问题分解图、因果图） 影响因素（技术、数据、算法等各方面） 改进建议（基于归因分析得出的建议） 通过原因分析框架，识别在评测过程 中出现的问题的根本原因，包括技术 瓶颈、数据质量、设计缺陷等，对改 进进行指导 软件工程智能化标准体系建设指南（2025

挖掘数据内在价值，不能满 足某些场景应 用 效果要求 人工智能平台优势 2 Par t 模型共享不便 传统工具局限 人工智能服务能力介绍 2 Par t 人工智能平台： ① 数据资产管理能力：数据、模型、样本、 特征全生命周期管理 ② 多算法库兼容能力：主流算法库支持，多 开发语言支持，模型构建与算法集成。 ③ 完整的 AI 算法开发能力：提供多框架支持， 提供从模型开发、训练、部署一整套服务。 应 用 ⑤ 平台能力开放：支持平台服务、应 用 、模 型开放，与三方平台灵活对接 ⑥ 开发管控能力：实现模型开放全流程管控、 日志审计 数据 资产 管理 样本管理 元数据管理 样本标注 算力 资源 管理 预训 练模 型 模 型 管 理 外部 算法 引入 模 型 评 估 流 程 管 理 流程制定 工作流管理 任务管理 调 度 引 擎 u 提供标准化的流程引导，把高大上的算 法生产变成流程化操作 u 提供算法开发插件，提供面向不同业务 场景的建模开发工具，快速构建模型 uCPU 、 GPU 资源统 一 调度管理 u 样本数据共享 u 算法模型复用 人工智能—— AI 平台能 力 2 Par t 知识图谱构建： 将通过互联网爬取的不同类型、不同结构的信息进行，基于不同行 业 的元数据（ Metadata ），基于基于深度学习构建领域知识图谱

标管理与挂钩机制 Step1- 行业样本选择  市场化样本选择。 根据企业发展阶段及实际情况，按照“四同原则”选取外部调研样本， 建立市场化 业绩 和薪酬的对应关系（由于行业特殊性，联交所按“两同原则”） Step2- 业绩指标筛选与对标  参照《四川省国有企业负责人经营业绩考核办法（试行）》与行业专业指标作 为业绩 对标指标  根据筛选样本，对各业绩指标行进高低分位值划分，以作 对标基础 Step3- 薪酬水平对标与调节  根据筛选样本，对各行业薪酬水平行进高低分位值划分  结合业绩对标结果，选取各子企业职业经理人所对应薪酬水平分位值  考虑企业调节因子，对对标后薪酬水平进行调节，以保证过渡期的适用性 Step4- 业绩测算与薪酬测算  根据企业年度 目标，进行业绩 测算，  业绩测算结果对接薪酬进行测算，  加入 α 调节因子，确定 2013 行业分类可比：结合公司中长期主营 业务分类，筛选外部市场样本，形成 整体样本及行业样本； 业务规模可比  业务地域可比：结合企业业务分布地 域及各业态分布地域，筛选可参照对 比的企业样本；  股东背景可比：结合股东所有制 结构 与参股结构相类似的企业作 为参考 样 本；  业务规模可比：企业发展阶段与企业 规模处在上升期，需结合发展战略与 定位，预计发展规模，筛选样本。 通过设置以上原 则，筛选外部样

标管理与挂钩机制 Step1- 行业样本选择  市场化样本选择。 根据企业发展阶段及实际情况，按照“四同原则”选取外部调研样本， 建立市场化 业绩 和薪酬的对应关系（由于行业特殊性，联交所按“两同原则”） Step2- 业绩指标筛选与对标  参照《四川省国有企业负责人经营业绩考核办法（试行）》与行业专业指标作 为业绩 对标指标  根据筛选样本，对各业绩指标行进高低分位值划分，以作 对标基础 Step3- 薪酬水平对标与调节  根据筛选样本，对各行业薪酬水平行进高低分位值划分  结合业绩对标结果，选取各子企业职业经理人所对应薪酬水平分位值  考虑企业调节因子，对对标后薪酬水平进行调节，以保证过渡期的适用性 Step4- 业绩测算与薪酬测算  根据企业年度 目标，进行业绩 测算，  业绩测算结果对接薪酬进行测算，  加入 α 调节因子，确定 2013 行业分类可比：结合公司中长期主营 业务分类，筛选外部市场样本，形成 整体样本及行业样本； 业务规模可比  业务地域可比：结合企业业务分布地 域及各业态分布地域，筛选可参照对 比的企业样本；  股东背景可比：结合股东所有制 结构 与参股结构相类似的企业作 为参考 样 本；  业务规模可比：企业发展阶段与企业 规模处在上升期，需结合发展战略与 定位，预计发展规模，筛选样本。 通过设置以上原 则，筛选外部样

性、不滥用，不窃取。 模型及样本传输场景 模型导入：AI 模型训练方(如 集团总部，及各租户三方子 公司)，需将模型导入训练资 源池，以及将训练好的模型 推理到边，涉及模型传输。 数据资产安全：数据提供者如 何控制数据资产不被滥用。 模型资产安全：面向模型训练 方，是否能追溯模型训练过程， AI 全生命周期的责任追溯。 20 样本传输：AI 大模型训练需 要大量数据样本(包括集团 总部及租户数据)，送到算力 总部及租户数据)，送到算力 平台训练，涉及数据传输。 通过对如上典型场景及业务流分析，训练场景中模型样本即 数据，以及算力均属于高价值核心资产，数据被泄露、算力被盗 用或破坏，将是 AI 大模型场景面临的两大关键威胁。因此，构 建零信任连接、网存联动防数据泄漏、网算联动防入侵的体系化 安全架构，是打造高安全 AI 大模型智算网的关键。 一是基于零信任连接，为模型拥有者及使用者提供安全接入。 署到多个 NPU（神经处理单元）或其他类型的加速器进行并行计 算，同时每次计算结束需要进行交叉参数协同。所以 AI 大模型 训练是一个并行+串行的过程，千卡规模的算力基础设施包含了 参数面、样本面、业务面、管理面和存储面网络。其中最重要的 是参数面网络，因其承载着训练过程中每次迭代的参数同步和交 互，这对网络的要求最为严苛，直接决定了 AI 集群的实际算力。 其与传统网络的区别显而易见：高带宽、低延迟、高可靠性、扩

指定下级公司评价范围 指定本部评价范围 内控管理功能介绍：内控评价 - 续 2.2 、通过测试底稿进行内控评 价 系统自动生成测试底稿 支持上传样本附件 支持自动化抽样，节省 时间和人力成本 支持在线准备样本 形成内控测试样本库 内控管理功能介绍：缺陷整改 3.1 对内控缺陷的汇总、整 改 缺陷库 明确缺陷认定标准 多重复核认定缺陷 整改职责定位到人 整改过程全程跟踪

5 4 2 3 1 1 3 QM – 未来质量管理将落实到产品生命周期全过程 QM - 与 LIMS 接口，提高质量追溯能力 • 没有统一的物料编码，信息不能共享 • LIMS 目前只做样本登记，检验结果记录 现状描述 • 实现质量、采购、生产业务的集成，从质 量主数据、检验规则、检验批、质量报表 把整个质量管理业务有机衔接，信息共享 • 通过与 LIMS 的集成，各司其职，提高公 质量主数据 LIMS 基础数据 检验批 检验单 检验批 物料主数据、检验特性、检验计划等 原材料、中间体、成品根 据取样规生成的检验批 检验记录及检验结果 质量报表 质检报表 样本注册 取样策略，样本计划 QM - 采购入库检验 • 实现质量检测和 LIMS 系统的对接，完成采 购环节中物料的检测 现状描述 • 实现 SAP 系统和 LIMS 系统质检功能的交 互 • 实现物资采购入库时质检功能的体现 实现物资采购入库时质检功能的体现 • 降低了质量管理部门繁重的手工劳动 未来价值提升 解决方案概览 SAP LIMS 采购订单 物资入库 质量报表 质量检验 质检报表 质检合格 • 样本 • 检验规则 • 检验特性 • 检验批 • … 供应商送货 扫码入库 / 无人值守 QM - 生产入库检验 • 实现质量检测和 LIMS 系统的对接，完成生 产环节中产品的检测 现状描述

工信部、财政部联合印发《关于开展财政支持中小企业数字化转型试点工 作的通知》，从 2022 年到 2025 年，围绕 100 个细分行业，支持 300 个左右公共服务平台，打造 千家“小灯塔”企业作为数字化转型样本，带动 广大中小企业“看样学样”加快数字化转型步伐，促进专精特新发展。  实施财政支持 已成为各地推动实体经济转型升级，打造新发展动能的重要抓手。目前， 全国 30 余个省市明确对“工业互联网”方向的政策支持，并通过设立专 行控制指令快速下发，实现视觉质检项目远程运维与数据不出厂，提高用户体验与保障数据安全；  搭建机器视觉云平台，利用 5G 拓展低时延、大带宽边缘 AI 能力服务，构建数据处理平台，积累工 业质检图像样本及模型，开展算法的训练，逐步提升模型精度。 设备异常检测 仪表读数识别  通过部署工业相机，采集产 品图像，通过训练机器视觉 算法，实现对产品缺陷的自 动检测；  代替人工目视质量检查，保 进行模型训练与目标识别，实现 智能安防预警、数据可追溯，节 省算法升级成本；  平台：搭建机器视觉云平台，利 用 5G 拓展低时延、大带宽边缘 AI 能力服务，构建数据处理平台， 积累安防的样本及模型，开展算 法的训练，利旧与赋能已有的摄 像机，通过云端部署算法的方式 升级为智能摄像机。  利用 5G 大带宽的特点，借助边缘云服务器部署的机器视觉模型算力，提供安防的实时识别； 

平台为具身智能系统提供了高保真度的仿真环境，支 持多模态数据的生成与处理，广泛应用于工业仿真和 机器人训练等领域。Meta AI 发布的 AgiBot World 数 据集包含但不限于视频、音频和文本样本，为多模态 研究提供了丰富的数据资源，促进了具身智能系统在 感知与理解方面的能力提升 ［13］。 在系统认证方面，UL 公司发布的 UL 3300 标准为 服务、通信、信息、教育和娱乐机器人系统建立了安全 习能力，实现从训练阶段向部署阶段的持续演化。自 适应学习是支持多场景复用、应对环境变化与未知任 务的关键路径，也是当前大模型技术在具身智能中应 用的前沿方向。该核心技术的代表性标准及评测指 标包括迁移成功率、历史知识保持率、学习样本效率、 泛化误差、持续学习曲线斜率等，典型场景包括跨环 境任务迁移、多任务智能体等。 e）多模态人机交互与社会行为感知。具身智能 的社会化要求其能够通过自然语言、手势、表情等方 式与人类用户及其他智能体交互，并对语境、情绪、社