ZD至顶网软件频道消息:几乎每一天都有人在Twitter上表示她或他还没有被微软迁移到新的Outlook.com上。
似乎这是一个好消息:如果你是这些人之一,你的等待可能很快就会结束了。
(一种快速识别您是仍在使用旧版Outlook还是使用新版Outlook的方法:新版本的Outlook版本在收件箱顶部显示的是“Outlook Mail”,而不是“Outlook.com”。)
我于1月24日向微软询问关于Outlook.com漫长而复杂迁移的最新进展情况。一位发言人告诉我:
“Outlook.com迁移已经接近完成。微软迁移了超过99.9%的活跃客户,并处于迁移剩余客户的最后阶段。”
我知道有人会心存怀疑,如果考虑到种种历史,这种疑虑是可以理解的。
自2015年5月以来,微软一直在努力将其4亿多活跃Outlook.com用户迁移到新的Outlook.com邮件客户端。由于某些功能(如共享日历)的原因,这一过程被证明比微软原本预期的更复杂。
2016年4月,微软自曝将在夏季末/2016年8月将绝大部分Outlook.com用户迁移到新的服务中。这个日期来了又走了。在那段时间里,一些用户表示他们看到错误消息,表示新的完成日期是“2017年上半年”。微软的官员们否认这种说法,但也没有提供一个确切(甚至是大概)的新日期。
微软的官员们在2016年8月表示,已经有将近90%的活跃Outlook.com用户已被迁移至新的Outlook.com。
我再次请求微软提供进展情况的原因——除了尚未被迁移的用户的刺激之外——是该公司计划对Outlook推出的Focused Inbox功能更新,这一举动极为低调。Focused Inbox是Clutter的替代品,旨在帮助用户对他们的电子邮件进行自动排序。
1月23日在Petri.com的一篇文章指出,微软已经推迟了一些版本Outlook的Focused Inbox的时间表。
以下是1月20日更新的“Focused Inbox”推出时间表:
小字部分包含了承诺为那些使用新的Outlook.com提供Focused Inbox的内容:
“我们已经面向数千万(新的Outlook.com)用户推出了这个功能(Focused Inbox)。我们将继续推出这一功能,在2017年4月前提供给所有的用户。所有支持的Outlook.com帐户将能够从2017年2月开始在针对Windows 10的Mail应用程序中看到Focused Inbox功能。
这让我感到好奇,2017年4月是否是微软为所有Outlook.com用户迁移到新的Outlook.com设置的、新的截止日期。我特别提出了这个问题,但微软官员拒绝发表评论。
旧的Outlook.com服务运行在旧的基础结构上。新的Outlook.com使用“与Office 365的其余部分相同的组成部分”。微软官员们表示,结果就会是新功能可以更快速、更轻松地被引入所有各种Outlook应用程序、网络上的Outlook(OWA)和Outlook.com,而不用为多个平台多次建设。
在我们讨论Outlook的主题时,Petri.com最近还指出,微软在2017年1月静悄悄地向OWA添加了一个简单的“Undo Send”功能。下面来自微软发言人的声明表示,最近,Undo Send也已经被添加到Outlook.com:
“微软最近为Outlook.com和Outlook on the Web发布了Undo Send 功能。这个功能类似于Windows版Outlook 2016的一个功能,那个功能在Windows版Outlook 2016已经存在了很长时间了。”
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。