Microsoft 终于在将 Copilot 转化为基础网页应用近一年后,推出了 Windows 原生版本的 Copilot 应用。本周,一个全新的 Copilot 应用正在向 Windows 预览版用户推出,该版本采用原生 XAML 构建,并包含了新的侧边栏和改进后的用户界面。
现在 Windows 版 Copilot 的设计与最近发布的 macOS 版 Copilot 应用保持一致,用户可以上传图片并生成图像或文本。此外,用户还可以使用麦克风与 Copilot 交互,并在更新后的侧边栏中访问对话历史记录。
Microsoft 最初将 Copilot 作为一个"个人助手"集成到 Windows 11 操作系统中,但一年后取消了这种集成方式,转而采用一个基础网页应用,这使得 Copilot 在新的 Copilot Plus PC 上的实用性降低。虽然软件开发商此前已经添加了键盘快捷键,并让 Copilot 应用看起来不那么像网页应用,但本周的更新在外观上有了很大改善。
这个全新的 Copilot 应用将首先通过 Microsoft Store 向所有 Windows 预览版用户推出,这意味着它将在未来几周内出现在所有 Windows 11 PC 上。
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。