ZD至顶网软件频道消息:微软自 2015 年 5 月以来一直在努力将旗下的Outlook.com 用户迁移到新的 Outlook.com 邮件客户端上。该过程显然比软件巨头微软原来预期的要复杂得多。
我们前一阵曾听说过微软自己定了个完成迁移的限期,要令大部分Outlook.com 用户在2016 年 8 月底前完成迁移,体验新的 Outlook.com 邮件客户端。笔者曾于8 月 15 日询问过该目标是否不变,微软一位发言人告诉我,"微软的预期仍然是绝大多数帐户在夏季末升级。"
笔者估摸过去几天里出了一些状况,现在看起来微软不能达到该目标,至少对于那些使用共享日历的 Outlook.com用户来说是这样。
@gwydionjhr (Joel R.)是老版Outlook.com 的用户,他今天收到一条消息表明Oulook.com 升级将于“2017年上半年"完成(见下图)。
他在 8 月 28 日收到微软的完整邮件如下:
“我们目前正在升级 Outlook.com 帐户。在升级过程中,您将无法与有些帐户共享您的日历,但您仍可以点击“获得链接”(Get a link)键获取日历链接,然后发送此链接。我们预计升级将于 2017 年上半年完成。我们对由此引起的不便深表歉意。感谢您使用 Outlook.com。”
微软曾在2015 年 5 月宣布将Outlook.com 界面打造成类似"常规"Outlook 邮件客户端界面的计划。微软官员当时曾表示,他们一开始会向一小部分用户提供新的 Outlook.com预览版,然后会在“接下来的几周里”将预览版推给更多的用户。
微软高管称,将Outlook.com 界面打造类似Outlook的界面可以在Outlook.com引入大量新功能,包括:支持整理收件箱的"杂项"(Clutter)键;邮件主题;生成自动链接预览;阅读和撰写弹出窗;对Uber、支付宝(PayPal)和地图等等的插件支持。另外,联系人提示和自动航班消息也将成为 Outlook.com 功能的一部分。
今年 4 月,微软官员承认他们原先的升级计划太过雄心勃勃。截止 2016 年 4 月底,微软只完成了4 亿现有Outlook.com 帐户中1.75亿 Outlook.com 账户新体验的迁移。
现有的 Outlook.com 服务在传统的基础架构上运行。新的 Outlook.com 用的是"和Office 365其他部件使用的相同构件"。因此新功能将来可以更快捷、更容易地在 Outlook/Office 365 和 Outlook.com上推出,而无需在两个不同的平台上做两次。
笔者8月 28日就Outlook.com 迁移时间表更新询问了微软官员。
微软发言人8 月 29 日表示,上文提到的那位用户收到的日期是不正确的。但微软官员不愿给出正确的日期,甚至连大概8 月底后多长时间都不愿说。
该发言人的官方说法如下:
“邮件消息错误地给出了2017年上半年的日期。我们正在更新该邮件消息,以反映最新的迁移计划。我们已进入Outlook.com 迁移的最后阶段,近90%的活跃用户已经完成了迁移。我们的一小部分活跃用户由于用了使用了诸如共享日历的某些功能,他们的迁移需要多一些时间。”
只是我们仍然不知道“多一些时间”是什么意思……
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。