ZD至顶网软件频道消息: 根据芬兰报纸HelsiginSnomat在2月10日发表的一篇报道称,微软正在对移动部门进行“几十名”员工的裁员。
报道称,这次裁员主要针对位于芬兰埃斯波的微软移动子公司微软Mobile Oy,该公司是在微软收购了诺基亚手机业务之后创建的。
去年,微软承认已经在芬兰裁员2300人,并且关闭了位于Salo的制造工厂。而在这次裁员之前,微软在芬兰有3200名员工。
一位微软新闻发言人表示:“裁员是跨多个业务领域和国家的,反映出对业务需求的适应。我们以最周全的方式进行这次裁员,对受影响的个人致以最深的敬意。”他表示,现在发生的任何裁员都不是最初规模达7800人裁员的一部分,其中大多数是集中在手机业务上的。
微软在2015年第四季度仅卖出了450万部Lumia手机。微软方面表示,预计下个季度手机业务销售额还将继续下滑,微软将继续通过先前公布的战略来削减手机数量以专注于几个关键领域。
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。