ZDNet至顶网软件频道消息:微软官方一直对公司将会在下一个针对Windows的Office客户端版本(代号Office 16)提供什么内容三缄其口。
但是已经有关于这个即将发布的Office套件私人“技术预览”的信息流出,一些进行了内部测试的微软内部人士透露,这并不是我们所知代号为“Gemini”的触屏为先、Metro风格版本的Windows Office。相反,这是针对桌面Windows PC和设备的下一代Office版本预览。
The Verge的Tom Warren在9月18日发布了带有截屏的博客,据称是来自于Office 16技术预览。
根据这些截图,看上去微软将自己的“Tell Me”工具集成到了下个版本Windows中,而这个工具已经是Office Online和Office for iPad的一部分。这个工具允许用户询问如何实现Office中的一项任务,而无需阅读文档或者在Office功能区中找来找去。
此外还有一个自动图像旋转功能,帮助用户在Office文档中正确定位图像,根据截屏显示,还有一个针对Office用户的“黑色”主题新选项(目前有浅灰色、深灰色和白色的主题选项)。
除了泄漏的截屏之外,还有其他即将到来的变化,有消息人士称,这些新变化会吸引企业用户。
微软悄悄地将Excel Data Model升级到一个将会只在新Excel版本中完全支持的版本。(Excel Data Model也被有些人称为“Power Pivot”模式)如果没有新版本Excel的话,使用这种模式是不支持刷新文件、修改文件和使用文件的,不过使用老版本的用户仍然可以打开文件。
在即将发布的Office 16中,微软还将支持平移、缩放大图和智能艺术图表的功能。在Project中,微软允许用户有多个时间轴栏,以及在单一视图下的自定义日期范围。在新版本Visio中,微软将添加针对Visio文件的信息权限管理保护,那些使用Visio来研究和申请信息专利等应用的用户可能会喜欢这个功能。
微软将会对Outlook 16的外观以及在小型设备上的操作进行优化。用户可以更精细地对邮件进行同步。用户可以每一天、每三天、每七天或者每14天下载新版本Outlook中的邮件,而不是一个月下载一次。
微软还将支持附加和共享最近使用的本地文件和OneDrive(消费者版本和企业版本)上的云文件。这么做是为了让用户能够更快速地共享文件以及基于常用文件文档的协作。用户可以选择共享这些文件作为可编辑或者仅查看的链接,而不是普通的老附件选项。
微软所做的这些调整并不意味。即将发布的Office 16也许还会有更大一些的改动,但是微软越来越多地专注于率先提供云中的新功能——对于Office来说,这意味着Office 365。
我听到有传言说,微软可能会在这个秋季晚些时候(也许是2014年10月)公开预览Office 16——客户端和Exchange、SharePoint和Lync服务器。有消息人士表示,微软的计划是在2015年春季提供最终版本的Office 16(在发布的时候不一定被称为Office 2015)。这也是与传言中说微软将会推出触屏为先的“Gemini”Office应用是同步的。
一位新闻发言人表示,微软目前还没有关于下个版本Office的信息分享。微软官方也仍然没有就公司计划何时发布下个版本Office for Mac作出回应。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。