ZD至顶网软件频道消息: Dynamics 365是微软新最新的,Azure托管的、结合了CRM和ERP的服务。微软将在10月11日的一个在线会议上提前展示Dynamics 365。
微软最初在7月的时候公布了Dynamics 365计划,并在接下来的几个月陆续向一些经销商合作伙伴做了简报。微软方面当时表示,Dynamics 365很大程度上将是对Dynamics CRM、Dynamics AX以及Project Madeira功能的重新打包和重新架构。Project Madeira是微软Dynamics 365 Finacials组件的代号,是一款构建在微软Dynamics NAV平台上的新款小型企业软件即服务产品。
今天,微软方面表示,从11月1日开始,首批7个不同的Dynamics 365应用将出现在微软的价格单上。这些应用将在135个市场推出,支持40种语言。微软将预览基于Cortana Intelligence Suite开发的Dynamics 365 Customer Ingsight应用,从11月开始供货。
正如此前的报道,将会有两种不同版本的Dynamics 365:Business版和Enterprise版。(微软将不用使用Dynamics 365 E1、E3和E5),这和Office 365以及现在的Windows 10区分不同产品之间的方式是不同的。
Business版本的Dynamics 365针对员工规模在10人到250人之间的企业,将包括Financials、Sales以及Marketing模块。Enterprise版本针对那些员工规模在250人以上的企业,包括Operations、Sales、Marketing、Customer Services、Field Service、Project Service Automation模块。我已经向微软询问关于11月1日开始会供货哪些模块,面向哪些客户。
此前泄露的Dynamics 365定价信息,进一步让我相信,微软将会单独提供不同的Dynamics 365模块,或者通过一个将不同功能捆绑到单一许可的“计划”进行售卖。此外微软还将出售“团队成员”版本的Business Edition和Enterprise Edition(价格分别是每个用户每月5美元,每个用户每月10美元),这将针对轻量级客户。
现在我还不清楚微软是否打算从11月1日开始立即停止售卖Dynamics CRM Online服务,因为此前有一些合作伙伴认为微软可能会这么做。听起来似乎客户可以选择继续使用他们现有的CRM/ERP产品,只要还在许可期限内,或者他们可以选择立即迁移到Dynamics 365。
此外,我也不确定Dynamics 365的Marketing组件是不是针对Business版以及Enterprise版的Adobe Marketing Cloud。微软在本月初与Adobe签订了一项协议,微软称通过该协议他们将把Adobe Marketing Cloud作为Dynamics 365 Enterprise“首选”的营销解决方案。但是最近RapidStart CRM的Steve Mordue在博客中透露,似乎微软仍然计划在春季晚些时候向中小企业用户提供一个不同的、新的Marketing组件。
微软让Office 365、Power BI、Azure以及Dynamics采用更多以流程/用户为中心的定价模式和交付机制,这让微软获得了更多的竞争动力,Enterprise Applications Consulting分析师Joshua Greenbaum在谈到新机会的时候这样表示。
“对已经适应了长期孤岛的客户来说,现在要整合到Dynamics 365中——ERP、CRM、BI/分析、像销售、制造、物流和IT这样的业务线中——这种消费模式并不一定是他们想要的。对我来说很清楚的是,当你增加这个特性的时候,微软会让个人用户拥有更强大的火力,这些是基于相对成熟的用户经验:这相对任何竞争对手来说都是很积极正面的,特别是Salesforce,他们正在极力填补全部企业需求,或者Oracle,他们正深陷于老旧的产品或者用户体验中,或者SAP,他们仍然从重度本地产品转向更轻量的云产品,”Greenbaum表示。
“但是,”他补充说。“最后微软不出不在应对业界最厉害的直销团队去售卖他们这个新的企业愿景,尽管这么做是有好处的,但却不是一件容易的事情,这是要打破营销和售卖的旧模式,而这种文化上的变革是无法在一夜之间就成功的。”
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。