Google在周四推出了一项名为Web Guide的新AI功能,用于组织Google搜索结果。Web Guide是Search Labs的一个实验性功能,利用AI技术将搜索结果页面按照搜索查询的特定方面进行分组整理。
Search Labs实验是Google测试新想法的方式,让用户可以选择加入他们感兴趣的功能。这些实验可以随时开启或关闭,包括Google的AI模式、Notebook LM、影片制作工具Flow,以及其他更加细分的创意,比如基于Google Discover信息流新闻的音频节目。
这项新的Web Guide实验是Google在AI模式中已经使用的扇形展示搜索结果技术的变体。该功能由Gemini提供支持,帮助Google更好地理解搜索查询,然后链接到使用传统Google搜索可能遗漏的其他页面。
Google表示,该功能适用于开放性搜索查询,如"如何独自在日本旅行",甚至更复杂的多句查询。例如,用户可以询问"我的家人分布在多个时区。有什么最好的工具可以保持联系并维持亲密关系,尽管距离遥远?"
搜索结果的每个部分都会专注于查询的一种类型的答案。以独自旅行的例子来说,Web Guide会显示诸如综合指南、安全提示、人们分享个人经历的链接等不同分组。
该实验功能将提供给选择加入的用户,初期将重新配置搜索页面Web标签中的搜索结果。如果用户想要查看标准结果而不想完全禁用实验,也可以直接从该标签关闭Web View。
Google表示,随着时间推移,该实验功能还将扩展到搜索的其他领域,包括"全部"标签。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。