微软今日在 Windows Experience Blog 上宣布,经过近一年的等待,备受争议的 Windows Recall 功能终于准备向普通用户推出。
Recall 目前仅适用于 Copilot+ 电脑,即过去一年左右内出售的部分 Windows 11 系统。Recall 会持续截图记录你在电脑上进行的所有操作,将截图保存、提取其中的文本,并将这些内容存入一个可搜索的数据库。这显然涉及重大安全与隐私问题——任何能够访问你 Recall 数据库的人都可能看到你在电脑上几乎所有的操作——这也是为什么微软最初推出该功能时出现了混乱局面的原因。
Recall 推出的漫长历程包括一次仓促的初步发布尝试,对其(当时几乎不存在的)安全防护措施的严厉批评、多次延期、一项重大的内部架构调整,以及在微软 Windows Insider Beta 计划中进行了五个月的测试。两周前,随着 Recall 渠道接近最终的 Release Preview 状态,微软便暗示该功能已接近发布准备就绪。
对新版 Recall 进行测试时,包括 Ars 和其他安全研究人员在内的测试者发现,微软已经解决了许多关于 Recall 安全性的重要投诉,并加入了更完善的自动内容过滤功能,以防止该功能存储某些类型的敏感信息(尽管这种过滤机制仍然存在不一致的情况)。但最为显著的是,微软已将 Recall 设定为一个必须主动选择启用(opt in)的功能,而非默认启用(opt out),用户甚至可以完全移除该功能。
Recall 是微软今日开始推出的新版本中最引人注目的功能,但对于 Copilot+ 电脑来说,该版本还带来了一些其他改进。其中一项是新版 Windows 搜索功能,它“能够理解单词或短语的语境意义,使搜索变得更加自然直观。”这种自然语言搜索功能可以在任务栏的搜索框、文件资源管理器以及设置应用中使用。另一项新功能称为 “Click to Do”,它允许用户从图片中复制文本,搜索屏幕上的内容,并快速对屏幕上的文本进行总结或改写(你可以通过按下 Windows 键后点击的方式来调用该功能,因此被称为 Click to Do)。
Copilot+ 电脑在具备运行 Windows 11 的基本硬件要求之外,还有一些特定的硬件需求。其中最重要的是必须配备神经处理单元(NPU),该单元每秒可以处理超过 40 万亿次操作(TOPS)。这颗 NPU 使得设备可以在本地更高效地处理 AI 和机器学习模型,从而让这些功能运行得更快,并且无需将敏感的个人信息传送至微软的服务器。
目前,唯一支持 Copilot+ 的消费级处理器包括 Qualcomm 的 Snapdragon X Elite 与 Plus 芯片、Intel 的 Core Ultra 200V 系列笔记本芯片(代号 Lunar Lake)以及 AMD 的 Ryzen AI 300 系列。Copilot+ 功能通常首先在基于 Arm 架构的 Qualcomm 电脑上推出,而后才推广至基于 x86 架构的 Intel 和 AMD 电脑;Recall 以及改进后的搜索功能适用于 Arm 与 x86 两种电脑,而部分 Click to Do 功能目前仅在 Arm 系统上可用。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。