ZDNet至顶网软件频道消息:使用移动设备进行支付,将成为更“无价”的体验。今日,苹果宣布推出“苹果支付”(Apple Pay),从而使万事达卡持卡人可以通过iPhone 6、iPhone 6 Plus以及Apple Watch等设备进行消费和交易。在万事达卡构建的安全移动交易平台上,消费者可以随时、随地、随心地使用卡片进行支付。
万事达卡与苹果公司紧密合作,为持卡人提供顺畅和安全的支付体验。对于消费者和商户来说,这一服务意味着每笔通过iPhone 6、iPhone 6 Plus以及Apple Watch等设备进行的万事达卡支付都享有万事达卡所提供的安全性、优惠权益和保障。
“苹果支付”通过便利性、安全性和私密性将移动支付带入了新纪元。通过整合苹果设备的软硬件和服务,“苹果支付”为iPhone 6、iPhone 6 Plus以及Apple Watch等设备的用户提供了独特、非凡且直观的体验。全新的iPhone 6、iPhone 6 Plus以及Apple Watch用户可以通过“苹果支付”使用项目参与银行发行的万事达卡信用卡及借记卡。在商店中,消费者可以通过使用iPhone轻触非接触式终端,并将手指按在Touch ID上,轻松进行交易授权以完成支付。对于应用程序(app)内的支付,消费者仅需点击支付,并使用指纹或密码进行授权,即可享受顺畅的支付体验,整个过程无需输入卡号或离开当前的应用程序。
“苹果一贯的风格就是发布那些可以为人们带来真正改变的突破性产品。‘苹果支付’整合了万事达卡的支付技术,使消费者可以便捷、安全和私密地进行购物,”万事达卡首席新兴支付官Ed McLaughlin评价说,“万事达卡多年来一直在移动商业创新领域引领潮流,包括推出全球第一个非接触式和移动支付解决方案。对于万事达卡持卡人能够很快在iPhone 6、iPhone 6 Plus以及Apple Watch等设备上进行支付,我们感到十分振奋。每笔交易都安全可靠,并可获得作为万事达卡持卡人享有的全部保障和优惠权益。”
通过升级到iOS 8系统,美国消费者可以从10月份开始使用“苹果支付”。万事达卡持卡人可以在顶级商户的应用程序中,以及包括主要商店、餐厅、交通服务商、加油站、便利店和所有苹果商店(Apple Store)在内的非接触式支付点进行便捷和安全的支付。最先接受iPhone 6、iPhone 6 Plus以及Apple Watch等设备上“苹果支付”的商户包括万事达卡的长期合作伙伴美国职棒大联盟(Major League Baseball)。
如需了解可以受理非接触式支付的商户地点,请下载MasterCard Nearby应用程序或在www.mastercard.com/contactless查询。
帮助消费者随时、随地、随心地使用手中的万事达卡
通过“苹果支付”进行的支付整合了万事达卡数字支持服务(MasterCard Digital Enablement Service,MDES)。这一服务于2013年宣布,由万事达卡提供给发卡机构,使得关联的设备可以用于日常购物和支付。除今天苹果公司宣布的银行外,万事达卡正在与合作伙伴合作,以期通过“万事达卡数字支持服务”使更多银行尽快加入此项目。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。