在自然語(yǔ)言處理領(lǐng)域的頂級(jí)盛會(huì)——第63屆國(guó)際計(jì)算語(yǔ)言學(xué)年會(huì)（ACL）上，九章云極DataCanvas公司憑借其在人工智能領(lǐng)域的深厚積累與創(chuàng)新探索，成功收獲了兩項(xiàng)重要學(xué)術(shù)認(rèn)可。ACL 2025的論文收錄結(jié)果揭曉，九章云極的兩篇研究論文脫穎而出，分別被ACL主會(huì)場(chǎng)及Findings板塊接納。

其中，九章云極科研團(tuán)隊(duì)獨(dú)立完成的論文《語(yǔ)言模型能否成為類比標(biāo)注專家？》深入探討了語(yǔ)言模型在類比推理任務(wù)中的潛力與局限，為突破機(jī)器在類比認(rèn)知上的難題提供了新視角。該論文被ACL的Findings板塊收錄，彰顯了九章云極在理論探索與技術(shù)實(shí)踐上的雙重實(shí)力。

與此同時(shí)，九章云極與中國(guó)人民大學(xué)AI Box研究團(tuán)隊(duì)攜手打造的論文《YuLan-Mini：探索開源數(shù)據(jù)高效語(yǔ)言模型的極限》同樣備受矚目，被ACL 2025主會(huì)場(chǎng)接納。該論文聚焦于大型語(yǔ)言模型預(yù)訓(xùn)練中的瓶頸問題，成功預(yù)訓(xùn)練出高性能的開源基座模型YuLan-Mini，為資源受限場(chǎng)景下的模型應(yīng)用開辟了新路徑。

ACL作為自然語(yǔ)言處理領(lǐng)域的頂級(jí)學(xué)術(shù)會(huì)議，其論文收錄標(biāo)準(zhǔn)極為嚴(yán)苛，需經(jīng)過多輪“雙盲評(píng)審”與領(lǐng)域?qū)＜业木暮Y選，接收率常年維持在低水平。今年，ACL共收到超過8000篇投稿，競(jìng)爭(zhēng)異常激烈。九章云極的兩篇論文能在如此高水準(zhǔn)的學(xué)術(shù)競(jìng)爭(zhēng)中脫穎而出，無(wú)疑是對(duì)其科研實(shí)力與創(chuàng)新能力的有力證明。

值得注意的是，九章云極DataCanvas在產(chǎn)學(xué)研用方面的深度融合也是其成功的關(guān)鍵。被ACL Findings收錄的論文整合了九章云極在工業(yè)級(jí)大模型訓(xùn)練中的實(shí)戰(zhàn)經(jīng)驗(yàn)，而與高校聯(lián)合創(chuàng)新的YuLan-Mini模型則體現(xiàn)了產(chǎn)學(xué)研用的緊密合作。這種協(xié)同創(chuàng)新的模式不僅推動(dòng)了AI技術(shù)的快速發(fā)展，也為產(chǎn)業(yè)融合注入了新的活力。

在《語(yǔ)言模型能否成為類比標(biāo)注專家？》一文中，九章云極團(tuán)隊(duì)通過實(shí)證研究揭示了當(dāng)前語(yǔ)言模型在類比推理任務(wù)中的局限性，并創(chuàng)新性地將認(rèn)知心理學(xué)中的結(jié)構(gòu)映射理論（SMT）引入其中，提出了多階段漸進(jìn)式類比推理框架A3E。實(shí)驗(yàn)結(jié)果顯示，該框架使大語(yǔ)言模型的類比標(biāo)注準(zhǔn)確率達(dá)到了人類專家水平，為突破類比推理的機(jī)器認(rèn)知瓶頸提供了切實(shí)可行的技術(shù)路徑。

而在《YuLan-Mini：探索開源數(shù)據(jù)高效語(yǔ)言模型的極限》一文中，九章云極團(tuán)隊(duì)針對(duì)大型語(yǔ)言模型預(yù)訓(xùn)練中的關(guān)鍵瓶頸進(jìn)行了深入探索，成功預(yù)訓(xùn)練出高性能的開源基座模型YuLan-Mini。該模型在訓(xùn)練穩(wěn)定性、數(shù)據(jù)流程優(yōu)化以及全棧開源實(shí)踐等方面均實(shí)現(xiàn)了創(chuàng)新突破，為開源社區(qū)進(jìn)行大模型研究提供了寶貴的經(jīng)驗(yàn)與技術(shù)路徑。

YuLan-Mini模型不僅在訓(xùn)練效率上表現(xiàn)出色，還在性能上達(dá)到了商用小模型的水平。這一成果為資源受限場(chǎng)景下的模型部署提供了新的解決方案，同時(shí)也為開源大語(yǔ)言模型的發(fā)展注入了新的動(dòng)力。

九章云極DataCanvas在Transformer架構(gòu)的訓(xùn)練穩(wěn)定性問題上也取得了重要進(jìn)展。團(tuán)隊(duì)深入研究了隱藏狀態(tài)爆炸和RMSNorm表示坍塌等關(guān)鍵因素，并提出了創(chuàng)新性的解決方案，有效緩解了訓(xùn)練不穩(wěn)定性問題。在數(shù)據(jù)優(yōu)化方面，團(tuán)隊(duì)構(gòu)建了一套精細(xì)的數(shù)據(jù)處理流程，創(chuàng)新性融合了數(shù)據(jù)合成、數(shù)據(jù)課程與數(shù)據(jù)篩選等機(jī)制，進(jìn)一步提升了模型的性能。

此次ACL 2025的兩項(xiàng)學(xué)術(shù)認(rèn)可不僅是對(duì)九章云極DataCanvas在AI研究領(lǐng)域前沿實(shí)力的肯定，更是對(duì)公司產(chǎn)學(xué)研用協(xié)同模式有效性的驗(yàn)證。九章云極將繼續(xù)聚焦人工智能領(lǐng)域的核心技術(shù)問題，持續(xù)進(jìn)行攻關(guān)與創(chuàng)新突破，為全球自然語(yǔ)言處理領(lǐng)域的發(fā)展貢獻(xiàn)更多中國(guó)智慧與中國(guó)方案。