至顶网软件频道消息: 微软继续在其整个产品组合中添加混合现实和人工智能功能,并为Office 365商业用户提供新的“SharePoint Spaces”功能。
微软正致力于通过“SharePoint Spaces”预览版为其所有的产品带来混合现实和人工智能功能,并为SharePoint和OneDrive提供新的人工智能增强功能。
SharePoint Spaces将允许SharePoint用户创建和使用混合现实的3D“空间”,如上图中的空间,在这些空间中可以看到数据和产品模型并与之交互。微软于5月21日在SharePoint北美大会的开场主题演讲中推出了这项新技术。
要查看/操作混合现实SharePoint空间,用户可以——但不是必须——使用HoloLens增强现实或其他类型的Windows混合现实头戴设备。微软正在设计SharePoint Spaces,以便不用头戴设备就可以在浏览器中工作。
微软正在宣传潜在的SharePoint Spaces使用场景,包括招聘和入职、产品开发和培训/学习,所有这些都是很好的例子,说明微软是如何重新强调HoloLens的商业聚焦应用程序和混合现实的(这是在消费者应用程序中过分推动这项技术之后的回调)。
微软的新消息是混合现实将成为其整体“现代工作场所”战略的关键部分。在本月早些时候的Build大会上,微软推出了两款专为工作场景设计的新型混合现实应用程序:Layout和Remote Assist。虽然我认为企业比普通消费者更倾向于采用混合现实技术,但是我仍然很好奇,想看看它在微软之外的真实世界是不是能够真的获得动力。
微软正计划为任何拥有Office 365商业(企业)计划的人提供SharePoint Spaces选项。有了它,用户可以使用模板来创建混合现实环境,他们可以添加其存储在SharePoint中的2D文件、3D视频、文档和其他数据。客户和合作伙伴今天可以申请参加SharePoint Spaces的早期有限预览。
在人工智能方面,微软的官员们正在宣传OneDrive和SharePoint新增加的功能将为这些产品“注入”人工智能功能。
从6月开始,微软将为OneDrive移动应用添加一个新的“扫描”(Scan)按钮,以便用户快速抓取照片、图片、白板和名片。用户还将获得(在9月份的Ignite之前的某个时间)一个选项,可以通过OneDrive将照片自动上传到Office 365,用户可以在其中确定拍摄照片的时间/地点,识别对象并从中提取文本,并且可以在这些照片中搜索图像。
微软的官员们今天还透露,SharePoint Server 2019将在六月份提供公开预览。正如该公司的高官们之前指出的那样,SharePoint Server 2019是SharePoint的下一个内部部署版本,其中将包括SharePoint Online的用户已经在使用的功能,包括对“现代”Team网站、通信站点、列表、库和页面的支持。SharePoint Server还将使客户能够用和SharePoint Online一致的方式使用SharePoint Framework来构建应用程序。
微软的官员们表示, SharePoint Server 2019预计将在2018日历年结束之前全面上市。
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。