9月23日讯：百度地图基于百度的大模型技术能力，结合物流行业场景特点，于近日正式推出物流大模型 Beta版，率先在物流地址解析、物流调度决策两大领域开展应用。
调度决策大模型方面，据介绍，在物流场景中，收发货地址是高频使用且非常重要的基础信息。面对海量且质量参差不齐的收发货地址信息，能否对其进行快速、准确的标准化识别，来提取结构化数据并做好纠错、补全等操作，将影响后续的运单分单、履约配送等环节的质量和效率。此前，在面对较为复杂的地址文本时（如长文本与不规则文本），传统的地址解析模型往往很难做到有效的信息提取与正确解析，需要辅以大量高成本的人工复核与纠错处理。
针对上述行业普遍存在的痛点，百度地图借助百度文心大模型在中文语义识别理解、知识增强等方面的优势，通过对百度地图POI大数据、物流运单门址数据进行深度挖掘，并基于百度文心大模型构建多种场景下的预训练任务，形成能够更好地理解物流地址领域专业知识的物流地址大模型。
该模型可处理复杂且无固定格式的文本，能很好地实现地址内容识别、地理关系分析、地址核验纠错、地址坐标解析、地址相似性判断等多种任务，其识别理解的准确率相对传统算法模型有大幅的提升。各种场景下的识别效果示例如下：
经过对比评测，物流地址大模型在不同的地址分级层级下的识别正确率，相比传统方式均有大幅提升：
调度决策大模型方面，据介绍，物流运作是企业跨部门、长链条的复杂活动。处于物流运作链条前端的车辆调度、配载装箱等环节，对物流成本和效率的影响非常明显，因此催生出很多针对这些环节进行局部优化的模型需求。不过，这些智能化模型通常是采用传统的求解器、启发式算法等方式来进行构建，普遍存在求解耗时长、结果稳定性差等问题。百度将调度决策问题抽象为序列推理问题，利用其与语言模型相似的特征，借助大模型在序列模型上优异的领先性，基于大模型进行封装优化，推出物流行业调度决策大模型。
该模型基于大模型的模型结构进行微调，使用Paddle PARL强化学习框架进行训练，实现端到端的推理输出决策结果，以满足车辆调度、配载装箱、仓库选址等多种物流场景下的决策优化。
经过对比评测，物流决策大模型在车辆调度场景下，基于200网点规模的标准数据集进行测试，相对于传统的启发式算法，在成本指标上降低超过3%，耗时降低超过90%。
原标题：百度地图发布物流大模型Beta版
