微软在Microsoft Build 2023大会上推出了Dev Home新功能,帮助Windows 11开发者提高工作效率。Dev Home是一个开源的仪表板,其中包含了一组工具,可充当一站式开发助手。
微软表示,Dev Home将通过简化连接GitHub等工具和为存储库设置机器代码、使用Dev Box配置基于云的开发者工作站、连接到Dev Drive新存储卷等方式,帮助简化开发者的工作流程。
“Dev Home还可以帮助管理您正在处理的任何类型的项目——Windows、云、Web、移动或者AI——在一个可定制的仪表板中提供您需要的所有信息,触手可及,”微软首席产品官Panos Panay在公告中这样表示。
在这个仪表板中,开发者可以使用GitHub小部件定制他们的体验,在一个中央位置跟踪他们的项目代码状态、任务和拉取请求。此外,他们还可以添加系统小部件,以跟踪CPU和GPU的性能并处理这些信息。该团队还与Xbox团队合作,将游戏开发工具包引入Dev Home,为开发者启动游戏创作。
Windows Package Manager现在可以使用WinGet配置来设置新机器,这大大加快了设置新开发者设备的速度并减少了工作量,而无需手动参与其过程。WinGet是一个配置过程,可帮助发现、安装、升级和配置Windows 11计算机,通过减少手动操作把多个应用更新变成一个命令来轻松检查和更新在Windows上运行的大多数应用。一旦完成,开发者就可以开始编码了。
微软此次还推出了Dev Drive,一种专门为开发者设计的新型存储卷,基于Resilient File System,旨在最大限度提高大型数据集的数据可用性和规模,以及抵御数据损坏的弹性。Dev Drive结合了新的性能模式,并兼容用于防病毒和安全的Microsoft Defender,它在构建时间和文件访问速度方面提升了30%。
Panay说:“借助由开发者设计、为开发者设计的Dev Home,您现在拥有终极的生产力助手,因此您可以专注于自己最擅长的事情——编写代码。”
Dev Home本身是一个开源项目,微软表示欢迎来自社区的反馈。Dev Home有自己的GitHub存储库,用户可以在其中贡献和参与。Dev Home目前处于预览状态,从今天开始可以通过Microsoft Store进行安装。
支持Dev Box的微软云工作站
开发者通常要维护一个能够构建、运行和调试应用的工作站,以跟上他们快节奏的工作流程,这也意味着,当某些内容被修改或软件损坏、需要清理和重建时,就需要在进行小的更改,这时候他们能够快速拆除和构建开发者工具。重新映像开发者设备以使其重新联机,这个过程可能会浪费数小时或数天的时间。
这就是微软在2022年8月宣布公开预览Dev Box的原因。这是一种基于Azure云的托管服务,用于自助式开发者工作站,今年7月将全面上市。
Dev Box已经在微软内部部署给Azure、Bing和Windows等多个部门的9500多名工程师。在过去的一年里,微软与50多个组织合作,以获得有关服务的反馈,包括金融服务、零售和汽车。
开发者借助Dev Box可以访问功能强大的虚拟工作站,其SKU范围从8到32个核心不等,内存高达128 GB,存储容量高达2 TB。开发者可以使用特定项目的图像来启动这些资源,图像则是使用工具、配置、源代码和二进制文件预先构建的,让他们能够直接进行编码。管理员还可以让开发者通过基于项目的虚拟网络来限制对敏感数据库、资源和内部端点的访问,以减少泄漏的机会。
微软在Azure Marketplace中添加了几个以开发者为中心的入门映像,包括面向开发者的Windows客户端、Visual Studio 2019和Visual Studio 2022。这些映像包含优化的Windows安装以及应用和设置,以改善开发者体验,并且可以由开发团队进行定制。
Visual Studio将使用绑定到开发者的Dev Box帐户自动登录,Git Credential Manager将集成Web Account Manager in Windows,通过在开发箱上预先生成的缓存来提高性能。
尽管可以使用Dev Box一次部署多个工作站,但每个工作站都有不同的配置,因此设置多个自定义映像可能会给IT团队带来负担。为了简化操作,微软添加了一个“配置即代码”功能,让开发团队可以使用存储在Git库中的YAML配置文件自定义IT部门提供的基础图像,包括工具、源代码、二进制文件、缓存等。此功能目前处于私有预览阶段。
好文章,需要你的鼓励
文章详细介绍了Character.AI这款主要面向娱乐、角色扮演和互动叙事的AI聊天工具的原理、用户群体、特色功能以及面临的法律与伦理争议,同时揭示了其新推出的视频和游戏互动体验。
上海人工智能实验室研究团队开发了MMSI-Bench,这是首个专注于多图像空间智能评估的全面基准。研究人员花费300多小时,从12万张图像中精心构建了1000道问题,涵盖了位置关系、属性和运动等多种空间推理任务。评测结果显示,即使最先进的AI模型也仅达到41%的准确率,远低于人类的97%,揭示了AI空间认知能力的重大缺陷。研究还识别了四类主要错误:物体识别错误、场景重建错误、情境转换错误和空间逻辑错误,为未来改进提供了明确方向。
思科报告指出,自主型人工智能未来三年内有望承担高达68%的客户服务任务,通过个性化与前瞻性支持提升效率与节省成本,但用户仍重视人与人之间的互动和健全的治理机制。
卡内基梅隆大学研究团队开发了ViGoRL系统,通过视觉定位强化学习显著提升AI的视觉推理能力。该方法让模型将每个推理步骤明确锚定到图像的特定坐标,模拟人类注视点转移的认知过程。与传统方法相比,ViGoRL在SAT-2、BLINK等多项视觉理解基准上取得显著提升,并能动态放大关注区域进行细节分析。这种定位推理不仅提高了准确性,还增强了模型解释性,为更透明的AI视觉系统铺平道路。