微软正在准备向新闻媒体和其他客人发出参加预期春天发布活动的邀请,邀请可能在近几天内发出。预期的春天发布活动上微软聚焦在Windows云版的相关内容将比较多,而关于Surface外形规格的消息可能会较少。
据消息人士透露,春季的发布活动代号为“Bespin”,当于五月初举行。Bespin是星球大战电影和书籍里虚构的星球。 所谓的“云城”位于Bespin。笔者与Numerama.com的Cassim Ketfi一直在坊间传闻方面有合作,他也从他的内幕消息人士听说过笔者听说过的5月Bespin活动。
Windows云版是Windows 10的一个新版本,最早是在Windows 10创作者更新的测试中出现的,但Windows 10创作者更新仍有待微软官员公开/正式宣布。
笔者在1月曾发文提过,Windows云版尽管名字里带个云字,但即便和云有那么一点点关系其实也扯不上云。测试用户证实,Windows云版也就是个只能运行从Windows Store安装的统一Windows平台(UWP)应用程序的Windows 10简化版。新的Windows云版本和以前名Windows RT或Windows 8.1带Bing SKU的Windows 10版类似。
Windows云版并非从云里传送的Windows 10版本,也并非新的Windows 10订阅服务。Windows云版只是一个简单(可能更安全和更好管理一些)的Windows 10版本,以后能够升级到Windows 10 专业版(要花些钱)。 Windows 云版有助于微软更好地与Chromebook和Chrome操作系统进行竞争,尽管微软官员在发布该产品时可能不会公开这样说出来
笔者在最近的一篇博文里说过,我的联系人表示,微软不会在这个活动上推出Surface Book 2个人电脑。我的消息人士表示,Surface Book 2 的推出仍然存在可能性,但却没有准备好。微软现在将重点放在现有的Surface Book和带Performance Base的Surface Book存货的销售上。
笔者也曾打探过微软有没有可能在本次的春季发布活动上推出Surface Pro 5。我的一些联系人认为,有这个可能,但也提到值得注意的是,即将推出的设备可能也只是改进性的,不会是变革性的。
笔者和Windows Weekly网站的同事Paul Thurrott听到的消息相同:那些希望用上USB-C的人可能会失望。我的一些联系人表示,新的Surface Pro产品可能会用上英特尔Kaby Lake处理器。我的消息人士表示,但不有新的电源连接或其他端口。
如果这些有点让人搞不清状况的话,微软的官员对春季的发布活动未作过任何评论。笔者还从几个联系人那里听到另一个传闻,说微软可能会在Bespin活动上展出Surface设备的一个新牌子。
数字时代过去发的消息都颇为准确,特别是关于微软发布活动消息。数字时代最近称微软已经在着手制造蛤壳式笔记本电脑。微软这样做并不符合Surface团队自己提出的使命,也就是打造新的设备类别,务求扩展Windows设备市场。
笔者一直都在想,微软是不是准备了某个个人电脑/平板电脑产品,用于运行Windows云。其他人也是这样想的。该设备大有可能名为“Surface 4”,如微软想发明另一种新产品类别的话则另当别论。至于该设备内部的处理器会是什么类型,笔者则是毫无头绪。
微软已于2016年12月停止生产Surface 3平板电脑。Surface 3用的是Atom,2015年5月面向学生、家庭和其他不愿花太多钱的用户推出时的价格是499美元。微软Surface 3发货时装的是Windows 8.1,但这些设备可以升级到Windows 10。微软也曾推出过Surface 3的LTE版本。
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。