ZD至顶网软件频道消息: 对于一些人来说,微软Word的那些花哨的功能并不能比txt文本编辑软件更吸引人。
不过,现在微软打算争取这样的客户,他们打算为其核心Office应用程序添加更多内置的智能,让Office变得更聪明。即,为Word开发新的内置的搜索和编辑工具;为PowerPoint开发一个新的视觉提示助手。
Word Researcher是一款主要针对学生完成研究论文的工具,当然这并不是它唯一的目的,Researcher可以找到“可信的”内容,并且通过内置的搜索和引用功能提供给用户。这款工具使用Bing Knowledge Graph(也就是"Satori")来判断可用户性内容。
随着时间的推移,微软计划为Researcher提供一整套扩展的可引用资料。7月26日,微软宣布将增加来自“国家科学和健康中心、知名百科全书、历史数据库及更多来源”的内容。
由于Researcher是一项服务而不是静态的功能提供,因此它提供的内容也将定期更新。在过去几年里,微软一直在努力让Bing更多地融入Office。这和“Bingify”Outlook的使命非常类似,两者开始的时间也差不多。
目前在各大Office 2016应用程序中的Smart Lookup功能让用户能够获得词语以及概念的定义。微软表示,Researcher更关注研究相关的任务,以及帮助提供文档结构的功能。
Researcher于近日面向Office 365用户以及Windows桌面版本上的Word 2016用户推出。微软还计划为打算“在近期”进行本地安装的Office 365用户增加移动设备支持。
此外,对于更多用户来说,更有意思的一种功能是Word中的另一个内置的智能编辑器,对已完成的内容进行拼写检查和语法检查。
Word Editor
微软将这款编辑器命名为Editor,它将帮助用户挑出应用不准确的词语。Editor还将改变Word之中用来区分拼写编辑(红色波浪线)、潜在的语法问题(蓝色双下划线)或者冗余或啰嗦等整体风格问题(金色虚线)的视觉提示符。如果用户愿意这样做的话,还可以通过Editor自定义Word内置的编辑功能,设置公司品牌以及/或各种不同的标准样式指南。
据悉,Editor将于今年秋天面向Office 365用户以及Windows桌面电脑版本的Word 2016用户推出。微软表示他们将对使用趋势进行评估,以决定是否将这一功能扩展到其他平台。
同时,微软继续沿着“保持用户专注”的路线上,为PowerPoint增加了名为Zoom的功能,它可以创建交互式的汇总,并且提供演示文稿地图。对于那些一直停留在课程之中,拿到或者观看演示文稿的用户来说,Zoom很有用,它能够提供演示过程的视觉提示。
PowerPoint Zoom
微软表示,Zoom将成为Office 365七月份更新的一部分,首先被提供给Insiders,然后“紧接着”就会提供给所有的订阅用户。
在相关的新闻中,微软正在扩大Windows、Mac以及网络版本的Outlook的Focused Inbox功能(Clutter的替代品)可使用的范围。Focused Inbox是Acompli团队开发的一项功能,微软几年前收购了它,并且已经在iOS和Android版本的Outlook中推出了这项功能。
Focused Inbox旨在自动对用户的电子邮件进行分类,并且将最相关、最重要的电子邮件挑选出来。我在安卓系统上的Outlook中立刻关闭了这项功能,但是我知道也有些人认为它很有用。我喜欢自己对电子邮件进行分类,以防止任何重要的东西被分到其他的类别里。
而且,微软也按照承诺从本周开始在Outlook中推出了@mentions功能。此外,微软还表示,它们将“很快出现”在iOS、Android和Windows 10 Mobile上的Outlook之中。
好文章,需要你的鼓励
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。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。