微软昨天宣布由世纪互联运营的Microsoft Teams已落地中国。国内版Teams满足中国市场对于数据安全和合规的法律要求,同时面向中国市场发布一系列数字化协作、智能化协作创新功能。
包括通过“频道”和“团队”将职能部门和项目任务数字化,在每个频道中,用户可以采用跟帖式沟通集中讨论某个话题,在一个地方进行文档协作,聊天文字支持添加链接、加粗、颜色突出等多样化格式设置,从而大幅提升工作效率,帮助各团队同步数据并及时获得业务信息。
“有意见”留言板
@小笛子:一个文档改八遍,最后还用第一版,现在有多少内卷、内耗是由于沟通不畅而引起的?国内版Teams的出现,是否能提升沟通效率还有待观察,但有这么一个小本本记下来,至少会多一种翻后账的办法吧。
@老董:以前对Teams的感觉是又爱又恨,让人爱的地方是实用的功能确实不少,也有不少客户开会也在用它,但是应用的流畅度实在是让人难以恭维,没有一次是顺顺利利把Teams打开的。这次落地中国之后,又赶紧把Teams重新装了一下,从应用的打开速度来看,只有一个字来形容“爽”。
@卡卡卡卡西:Teams进国内市场还是有点晚了,最“涨粉”的那波机会都已经过去了,现在才进来怕不是又看到了啥新机会了吧,会和它的AI全盘布局有关吗?
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。