ZD至顶网软件频道消息: 近日,Windows 10更新已经开始向合格的Windows Phone 8.1设备推送了。同时,微软承诺Windows 10 Mobile等更新推送不会像Windows 10 PC版那样激进。
虽然,Windows 10 Mobile相比三个月前的状况要好很多,甚至在UX实现平滑过渡取得了不错的进展,但是对于企业用户和消费者来说,更新会意味着某些功能无法实现。
对于企业用户来说,一方面由于它打破了访问MDM服务器管理的文件功能的条件,会导致包括Data Protection Under Lock在内的功能可能会消失。另一方面,原本不允许共享和存储文档的用户在Windows 10 Mobile却有可能实现共享,这对于那些像律师事务所这类依赖DEM锁定文档权限的企业就需要推迟更新。同样古怪的是,W10M无法打开.EML文件,升级后的设备也不能再同步Exchange任务,这样看来Windows 10 Mobile还有很多提升空间。
对于消费者来说,Windows 10 Mobile缺乏同社交网络集成,这是最明显的功能缺失。另外,系统不会在联系人图标上显示通知,而Cortana的搜索仅限于网络和云,却无法在设备内搜索,从这方面看Cortana也只能算是个半成品。
点击这里查看不推荐使用的功能的官方列表,以及合格设备列表。
针对以上情况,微软公司明确表示,“Windows 10 Mobile Enterprise用户将拥有推迟更新的权力”。但不幸的是,微软对于推迟的时间进了限制。
当然,Windows 10 Mobile也并非一无是处:Maps变得更好了,特别是在最新的移动友好性更新之后更是如此;电子邮件变得更快了;Edge浏览器(通常)也变得更快;更新中还有一两个可用性方面的改进。
事实上,为了微软在Windows 10 Mobile身上浪费的时间可不少,距离最近的一次重大更新是20个月之前的事了。就如我们在2013年指出的,微软迫切需要让自己的平台故事继续下去:“Steve Sinofsky任期留下的乱摊子让微软在三个互不兼容的UI上开发“现代”应用程序:Win 8桌面电脑版、RT和Windows Phone。”而决定Windows Mobile使用同样的代码库并且延续开发人员“故事”的做法,就让微软花了一年,而例如Rooms等其他功能甚至被抛弃了。
此外,Windows Phone的销售业绩也不客观,在2013年的8月份达到顶峰后,英国的市场份额由于没有新的设备和代码的出现,一直处于下降状态。
很明显,从最初的Windows 10 Mobile预览版到今天,公众对于Windows 10 Mobile持续一年多的烂摊子印象深刻,这明显已经损害了微软的企业形象。
笔者推断,微软一直留着移动平台并不是由于智能手机市场的竞争,而是因为安卓系统对桌面领域造成的威胁。这种威胁到来的速度比想象得更快。如果平板电脑会成为下一个亿万互联网用户的计算设备,而几乎所有这些平板电脑都使用的是多窗口、多任务的安卓系统,微软开始跳出无尽的改组和战略转变的圈子。保持侧重,意味着Windows 的ARM版本会为微软在竞争中留有一席之地。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。