ZDNet至顶网软件频道消息: 微软拟推出本地部署和云部署Dynamics CRM产品的更新,更新将分为两波完成。
微软合作伙伴Marc Sallin9月4日在微软Dynamics CRM社区网站的“XRM & .NET开发”博客里发博文介绍了相关更新情况。
路线图
微软Dynamics CRM团队一直都是用星座名给产品版本起代号,秋季发布的这一波更新仍然用的是这个方法。Dynamics CRM中的下一个主要版本代号为“织女星”(Vega),又名“CRM 2015”。(CRM “织女星”代号是一年多以前公布的。)
据上述博文介绍,织女星是Dynamics CRM本地部署版和网络版的下一个版本。据该博文的一个路线图幻灯片资料,织女星定于2014年第4季度发布(见上图)。
根据Sallin博文提供的功能表,织女星新添了29种语言的支持并包括对“任何设备”的支持。织女星新版含高新技术企业销售方案的新优化功能,包括外部定价、属性继承和交叉销售/向上销售功能,并带有离线草稿功能。
Sallin的文章指出,该版本为“网络优先”(Online first focus),文章列出了即将发布的更新版里更简单的注册和配置、更快的自助服务和多区租户的等重要功能。表里还提到“CRM网络客户端里的强大商业智能”(Power BI in CRM Web client)(强大商业智能是微软Office 365的商业智能服务。)该产品的“用户体验”更新里包括多实体搜索。
2015年发布的CRM版本会支持Windows Server 2012和2012 R2、Windows 7和Windows 8、SQL Server 2012、Outlook 2010和2013。而对Windows Server 2008和2008 R2、Windows小企业服务器、 Windows Vista、IE 8和IE 9、 SQL Server的208和2008 R2、Office 2007的支持将被终止。
2014年结束以前还会发布什么呢?据Sallin贴出的路线图介绍,年底前发布的还有微软Social Listening的一个专有云部署版(代号为Hydra)、Microsoft动态营销(代号为Electra)、新版Parature(代号为Phoenix)。
“秋季后一波”信息图
路线图还给出了明年春季一波(Q2 2015) 里许多微软Dynamics CRM交付产品的代号。其中有代号为Carina的一个新的核心CRM版本——笔者觉得同时有本地部署和云部署版。 2015年春季的专有云部署CRM产品包括另一个微软Social Listening(代号为Corvus)、动态营销(代号Spica)和Parature(代号Taurus)。
Social Listening是托管在Azure上的,基于微软2013年3月收购Netbreeze时买入的社交分析技术。动态营销是基于2012年收购市场自动化公司MarketingPilot时买入的技术。Parature为微软CRM用户提供“客户服务”功能。微软于2014年1月收购了Parature。
Sallin博文的“秋季后一波”信息图(见上图)列出了可能于2015年发布的一些功能。其中包括“尖端”手机客户端、基于Excel整合的预报、Parature。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。