在 Google 和 OpenAI 周二发布 AI 相关新闻后,微软也随之发布了自己的公告。其中包括两个号称首创的 Microsoft 365 Copilot "深度推理"智能体:Researcher 和 Analyst,以及新的自定义 AI 智能体功能。Researcher 基于 OpenAI 的深度研究 AI 模型,能够执行"复杂的多步骤研究",并通过连接器访问 Salesforce 或 ServiceNow 等第三方数据源,使企业客户能够从各种工具中获取洞察。
Analyst 基于 OpenAI 的 o3-mini 推理模型,微软表示,通过链式思维推理,它能够将原始数据转化为电子表格,运行可视化的 Python 代码,并以skilled数据科学家的水平工作,生成像这样的报告 (pdf)。
这些工具计划将于 4 月开始向早期访问计划中的 Microsoft 365 Copilot 许可证持有者推出,同时新的自主智能体功能也开始在 Copilot Studio 中逐步推出。
微软声称,Copilot 中的新智能体流程功能强大到足以"自动化你能想象到的任何任务",它具有包含 AI 操作的基于规则的工作流。LinkedIn 公告中描述了一些应用场景,比如将反馈邮件定向分发给相应团队的智能体流程。但我们需要实际体验才能了解它相比添加一两个复选框有什么优势,以及它的"低代码"体验实际效果如何,是否能实现 AI 公司对智能体的承诺。
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。