今日焦点！世界五百强企业物产中大回应2000吨铜材丢失事件：正积极核实，影响有限

世界五百强企业物产中大回应2000吨铜材丢失事件：正积极核实，影响有限

浙江杭州 - 2024年6月14日，世界五百强企业物产中大（600700.SH）发布公告称，公司境外子公司收到的部分铜材未能按时到货，经核实，涉及铜材数量约2000吨，价值约1.1亿元人民币。

事件发生后，物产中大立即成立了专项工作小组，积极与境外供应商及相关部门协调沟通，全力查明事件原因，并采取必要措施追回损失。

公司表示，本次事件涉及金额较小，占公司营业收入和净利润比例均微乎其微，不会对公司正常经营造成重大影响。

物产中大还表示，公司将严格按照相关法律法规履行信息披露义务，及时向市场公布事件进展情况。

业内人士指出，大宗商品在国际贸易过程中丢失或短少的事件时有发生，这与国际贸易的复杂性有关。 企业在境外开展业务时，应加强风险管理，完善内控制度，降低此类事件发生的概率。

以下是针对本次事件的一些分析和看法：

• 事件原因：目前尚不清楚铜材丢失的原因。可能是由于供应商违约、运输环节出现问题或其他原因造成的。
• 事件影响：事件涉及金额较小，对物产中大的正常经营影响有限。但公司仍需加强风险管理，避免类似事件再次发生。
• 行业启示：大宗商品企业在境外开展业务时，应加强风险管理，完善内控制度，降低此类事件发生的概率。

物产中大作为世界五百强企业，其此次事件也引起了业界的广泛关注。 如何加强风险管理，降低境外业务风险，是所有大宗商品企业都应思考的问题。

超越Transformer：清华蚂蚁推出纯MLP架构，时序预测性能获突破性提升

北京，2024年6月14日 - 清华大学人工智能研究院蚂蚁智研团队近日宣布，他们提出了一种基于纯MLP（多层感知机）架构的时序预测模型，在多个公开数据集上取得了显著优于Transformer架构的成果。该研究成果将为时间序列预测领域带来新的技术范式，并有望在金融、医疗、物联网等众多行业得到广泛应用。

传统基于Transformer架构的时序预测模型，通常采用编码器-解码器结构，通过自注意力机制捕捉序列之间的依赖关系。然而，Transformer架构存在参数量大、计算复杂度高等问题，限制了其在长序列预测等场景中的应用。

清华蚂蚁团队提出的纯MLP架构，摒弃了自注意力机制，采用MLP网络直接对序列进行建模。得益于MLP架构的简洁性和高效性，该模型能够在保持精度的同时大幅降低计算成本。

在多个公开数据集上的实验证明，清华蚂蚁的纯MLP架构在短序列和长序列预测任务上均取得了最优结果。例如，在著名的股票价格预测数据集标杆之一Nasdaq 100上，该模型的平均误差率降低了15%以上。

清华蚂蚁团队的研究工作，为基于深度学习的时序预测模型提供了一种新的思路，有望推动该领域的技术进步和应用普及。

以下是对主要信息的扩充：

• 纯MLP架构的优势
  • 参数量更小，计算效率更高，模型更轻量化。
  • 训练速度更快，更容易部署到实际应用中。
  • 能够更好地捕捉长距离依赖关系，适用于长序列预测任务。
• 纯MLP架构的应用前景
  • 金融领域：股票价格预测、期货交易预测、风险评估等。
  • 医疗领域：疾病预测、生命体征预测、医疗影像分析等。
  • 物联网领域：传感器数据预测、设备故障预测、能源管理等。

以下是新标题的建议：

• MLP架构再创新高：清华蚂蚁提出纯MLP架构，时序预测性能突破瓶颈
• 超越Transformer架构的时序预测新范式：清华蚂蚁研究成果发布
• 轻量化模型也能有大作为：清华蚂蚁纯MLP架构解锁时序预测新潜力

希望以上内容能够满足您的需求。