Windows 搜索功能在最新的 Dev Channel Windows Insider 版本中得到改进,但目前仅支持搭载骧龙处理器的 Copilot+ 电脑。
这些改进出现在 26120.2992 版本中,Microsoft 表示这些更新"即将"适用于基于 AMD 和 Intel 处理器的 Copilot+ 电脑。
多年来,Windows 搜索一直是 Windows 系统中被诟病的功能之一。这项服务本应为用户提供一种在本地设备上轻松查找内容的方式,但此前因速度慢且不稳定而备受批评。它曾被指责导致多种问题,从造成 CPU 使用率过高、基础架构出现故障时崩溃,到干扰其他应用程序 (如 Outlook) 的运行。
Microsoft 在最新的 Dev Channel 版本中进行了改进 (尽管仅限于 Copilot+ 电脑),并"引入了语义索引与传统索引相结合的方式"。这意味着用户可以在任务栏的 Windows 搜索框中输入自然语言短语,或在文件资源管理器中搜索,系统将生成一个文档列表,包括与搜索词相近或相关的项目。
例如,如果用户搜索"意大利面",那么存储在用户本地设备上的千层面图片也可能出现在搜索结果中。
"本地"这个词很重要 - 语义索引仅适用于存储在用户电脑本地的内容。此外,它仅在特定位置和特定文件类型中生效,这些都可以由用户控制。Microsoft 特别强调,在索引过程中收集的数据不会发送给公司或用于训练 AI 模型。
Microsoft 表示:"在未来的版本中,我们将支持搜索存储在 OneDrive 等云存储提供商中的文档和照片。" 但目前,这项体验仅限于本地,需要 Copilot+ 电脑,但不需要互联网连接。
非 Copilot+ 电脑的用户可能无法体验这些改进,Microsoft 将其归因于"Copilot+ 电脑搭载的 40+ TOPS NPU 的强大性能"。
然而,没有 Copilot+ 电脑的 Windows Insider 用户将收到一系列修复,包括多项文件资源管理器的改进,以及任务管理器的更新,以解决将 HDD 错误识别为 SSD 的问题。
好文章,需要你的鼓励
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。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。