作为一个不太精通 Excel 的用户,我迫切需要找到一种更简单的方式来处理电子表格。在尝试集成 ChatGPT 到 Microsoft Excel 失败三次后(包括清除缓存和 cookies),我希望通过人工智能来减轻工作负担,这让我发现了 GPT Excel。
GPT Excel 是一个专门为 Excel 和 Google Sheets 设计的聊天机器人和 AI 助手,拥有超过 50 万用户。它提供免费版和付费版 (每月 ),功能包括 AI 聊天、公式生成和理解、任务自动化生成器、SQL、数据验证和过滤,以及表格模板生成。
虽然这不是一个复杂的工具,但它以简单明了的功能弥补了花哨附加功能的缺失——这对于处理数据(及其算法)来说是很合理的。
由于我的目标是总结和理解 Excel 表格中的数据,我主要关注平台的公式页面,在那里可以输入数据,然后生成或解释结果。
如何总结电子表格数据
以下是我尝试总结电子表格数据的方法:
1. 使用电子邮件或 Google 账户创建账号,这将激活平台的免费版本。登录后,在主页上导航并点击"公式"。
2. 从下拉菜单中选择 Microsoft Excel,然后切换到页面顶部的"解释"标签。这将改变下方复制粘贴框的文本。
3. 这将在下方文本框中生成结果。你可以选择重置复制并输入新数据,或将这些数据复制粘贴回 Excel 表格。
4. 滚动到页面底部,务必查看"最佳实践"标签,那里有 12 条注意事项,可以帮助确保数据输入过程获得最佳效果。
为什么要使用 GPT Excel?
人工智能是一个热门新话题。它的快速发展体现了其受欢迎程度和成功,但同时也反映出市场饱和的现实。
虽然 AI 生成的组织工具旨在减少重复性任务和问题解决时间,但在众多产品的细分功能中寻找最适合自己的工具可能也会耗费同样多的时间。
我个人对 GPT Excel 的评价主要基于三点:
熟悉度 Microsoft Excel 自 1982 年推出(当时名为 Multiplan)以来,一直是一款基础但可靠的电子表格软件,并在不断进化以满足用户需求。所以当我在 40 多年后筛选各种 Excel 相关的 AI 工具时,自然而然地被带有"Excel"字样的工具所吸引。我更倾向于选择少一些花哨功能、更简单直接的人工智能工具。
简单性 GPT Excel 在其登陆页面上展示了六种不同的工具功能,包括一个可以解答任何电子表格相关问题的 AI 聊天按钮。我选择使用公式标签来生成和理解数据。其排版和用户设计都很简单。学习设计集成会增加使用工具的时间——这再次违背了工具本身的目的。
成本 GPT Excel 的免费版和付费版唯一的区别在于客户服务和 AI 聊天机器人的优先访问权。我理解这是能够与某人/某物进行对话的能力。由于我使用该工具仅仅是为了总结数据,我对这种取舍感到满意。GPT Excel 的免费版本提供了足够的功能,无需再添加另一个订阅服务。
其他 AI 工具选择
尽管我最初尝试使用 ChatGPT for Excel 失败了,但在这个过程中我发现了许多替代方案,其中一些工具对它们要解决的问题有着非常明确和清晰的定位。
Knowt 专注于教育领域,提供学生和教师计划。可以在 30 秒内将 Excel 表格数据转换为笔记和闪卡,还能测试输入的信息。提供 7 天免费试用,月费从 到 不等。
Ajelix BI 定位为一个包含 15 种生产力工具的一站式平台,其中 10 种是 Excel AI 工具。目标用户是"忙碌人士",包括小企业主、非技术团队以及 Mac 和 Windows 用户。该平台声称可以将问题解决时间减少 50%,更快地揭示数据洞察。有免费的限制访问计划,最高可达每月 0 的 Business Plus 无限制计划。
Julius AI 适用于大量数据处理的 AI 工具。可以将数据转化为可视化效果,提供数据相关答案,执行预测,解决数学、物理和化学问题,当然还能创建分析和总结。提供免费版和升级版。
Rows 将自己定位为"个人数据分析师",专注于分析、总结和转换数据。网站声称 Rows 包含 ChatGPT 的功能,无需脚本、插件或代码。它还可以提供洞察、分类和标记文本、将文本翻译成任何语言,以及执行营销活动的初始阶段。价格计划从免费到每月 不等,可按月或年付费。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。