至顶网软件频道消息:微软的官员们在5月15日的SharePoint Virtual Summit网络广播中介绍了该公司下一套SharePoint更新和功能的计划。
虽然微软将继续支持SharePoint Server内部部署用户,并将于今年晚些时候发布SharePoint Server 2016的第二个Feature Pack(功能包),但其即将到来的SharePoint的若干更新将首先提供给(在某些情况下,仅适用于) SharePoint Online/ Office 365。 SharePoint Server Feature Pack 2将开始提供SharePoint Framework组件集成。
微软的官员们表示,目前微软超过60%的SharePoint座席都在SharePoint Online而不是SharePoint内部部署上。官员表示,超过25万家企业目前在企业内的某个地方拥有SharePoint,SharePoint月度活跃用户数量较上年上升了90%。 (微软没有提供SharePoint用户总数,但是表示有超过1亿个Office 365 Commercial席位,这意味着有将近1亿的SharePoint Online用户。)
在路线图前端,微软正在准备对Office 365中的SharePoint提供个性化搜索,这将不仅能够显示Sites and Files(站点和文件),还可以显示People(人物)。
在接下来的几个月中,当用户点击Office中的搜索框时,微软将推出有关最新文档、相关内容和新闻等的建议功能。关于可能提供相关信息的人员的建议也将根据其Office 365配置文件中的信息进行显示。被激活的People Cards(人员卡)将提供来自用户个人资料的相关信息。
让搜索结果“个性化”的基础隐藏在微软Graph之中。随着时间的推移,微软一直致力于从Yammer、微软Teams和Planner中为Graph带来更多的“信号”,这将影响用户在Office 365单个租户的SharePoint Home中看到的站点、文件和人员列表中。
这个新的个性化People搜索正是微软之前官方预计在已经取消了的SharePoint的Infopedia门户上提供的知识管理功能。
从今年6月开始,微软还通过允许用户直接从Windows 7和/或Windows 10文件资源管理器以及Mac Finder中共享来增加更简单的共享体验。用户将能够与特定的人共享文件或文件夹,或发送链接以允许组织内部或外部的任何人访问共享的内容。
微软还将通过将现有的SharePoint Team站点连接到Office 365 Groups来实现现代化。微软还计划在今年秋季之后增加在微软 Teams中将SharePoint网页添加为标签的功能。此外,用户将能够创建可在Web、PC或Mac、移动浏览器和/或SharePoint应用程序中查看的SharePoint通信站点。
微软在SharePoint和PowerApps and Flow之间增加了更多的集成点。用户将能够使用PowerApps从内部SharePoint列表和库中创建自定义表单,而不仅仅是依赖于默认的SharePoint表单。并且新的内置审批表单将允许用户从SharePoint内部发送定制的电子邮件。
微软的官员们表示,该公司将在9月份的Ignite大会上提供有关这些新功能的进展情况及更加确定的交付日期。
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。