微软正努力在一年一度的Build开发者大会前夕制造一些兴奋点,推出了多款旨在帮助软件提供商更轻松地使用人工智能和区块链技术的新工具和新服务。
Build大会在美国西雅图举行,微软打算利用这次活动展示自己基于云的软件和计算服务能力,这些能力正在逐步成为微软主要的收入来源。微软表示,此次宣布推出的新工具和新服务旨在展示微软Azure将成为面向人工智能、区块链和边缘计算的最佳云平台。
首先,微软将在FPGA上支持运行Project Brainwave硬件加速模型。微软在去年发布了Project Brainwave的Azure Machine Learning Hardware Accelerated Models的预览版,旨在加速人工智能模型的训练。此外微软还与Dell Technologies以及HPE合作推出了该模型面向边缘设备的预览版。
同时,微软还在运行在Azure云中的Nvidia TensorRT和英特尔nGraph处理器上增加了对ONNX Runtime的支持。ONNX Runtime是一款高性能的推理引擎,适用于Linux、Windows和Mac上ONNX格式的机器学习模型。
The Azure Machine Learning Service也有更新,增加了旨在更轻松制作高质量机器学习模型的功能,包括新的可视化界面,让非开发人员也能够使用“无代码”的方法创建模型。
认知服务是微软另一个重点关注领域。微软在Decision类别下增加了新的API,包括Anomaly Detector API、Content Moderator API和Personalizer API。微软表示,这些新的API都是为软件应用增加更多的决策功能。
让区块链落地
微软还将目光集中在了另一个热门领域,发布了Azure Blockchain Services区块链服务,这项完全托管的服务是针对那些希望构建和维护自己的分布式分类账、并在其上构建应用的企业。
Azure Blockchain Services可与Azure Active Directory集成,提供权限并监控网络活动和运行状况。微软表示,首批获得支持的分类账是JPMorgan Chase&Co的Quorum,后者是一个以企业为中心的以太坊版本,专为需要高速和高吞吐量处理私人交易的应用而设计。
微软Azure首席技术官Mark Russinovich在声明中表示:“因为它是基于流行的以太坊协议构建的,该协议拥有全球最大的区块链开发者社区,因此选择Quorum非常合适。它集成了丰富的开源工具,同时也支持机密交易——这正是我们企业客户所需要的。”
据称,Azure Blockchain Services与Visual Studio Code集成,让企业可以创建智能合约并在其区块链上部署这些合同,通过Azure DevOps管理代码。此外,与Flow和Logic Apps的集成让针对这些智能合约构建应用变得更加容易了。
Constellation Research分析师Holger Mueller表示,Azure Blockchain Services是微软的一个重要里程碑,因为区块链技术是下一代应用的关键推动因素。
Mueller说:“区块链驱动的应用总是全新的,企业希望云能够为这些应用提供支持。因此,云提供商们正在尽其所能,尽可能简化区块链应用的创建和运营。”
更靠近边缘
微软关注的另一个重要领域是所谓的物联网和边缘计算,发布了一项名为Azure SQL Database Edge的新服务,它是Azure SQL Database的运行在网络边缘的ARM和x64设备上的一个版本。目前该服务处于预览状态,可通过Azure Early Adopter Program访问。
此外,微软还推出了一项名为IoT Plug and Play的新服务,这个开放的建模语言旨在让云中的物联网设备更容易相互连接。
最后微软表示,将在今年早些时候发布HoloLens 2头戴设备的开发者版本。微软表示,该设备售价为3500美元,可用于安全培训和复杂维修等工作。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。