Google 宣布推出一项新的 AI 功能,利用 Gemini AI 机器人根据 Gmail 中的邮件内容自动将事件添加到 Google 日历中。
当 Gemini 识别到邮件中描述的事件时,会显示一个新的"添加到日历"按钮来启动交互。点击该按钮后,Gemini 提示侧边栏将会打开,确认事件已添加,根据 Google 提供的截图显示,如果需要修改任何内容,还可以使用编辑按钮。虽然用户之前就可以通过 Gemini 的侧边栏添加事件,但现在这个过程已经实现自动化。
这项功能类似于 Google 过去的非 AI 功能,可以根据某些预约或旅行邮件自动添加或更新 Google 日历事件。Google 表示,该功能目前正在向 Workspace 商业版、企业版和教育版用户,以及 Google One AI Premium 订阅用户推出。
在我的测试中,这项功能表现良好,甚至能识别出测试邮件中的两个独立事件。但是它的运行方式与 Google 描述的略有不同 —— 它并不是直接添加事件,而是先确认详细信息,然后询问是否要将其添加到日历中。当我回复"是"时,它才会添加事件,而且侧边栏中并没有出现编辑按钮。不过,我可以直接点击事件跳转到 Google 日历中查看,这一点还是很方便的。
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。