亚马逊宣布,目前正在部分产品页面测试短格式 AI 驱动的音频产品摘要。音频摘要由亚马逊所谓的 “AI 驱动购物专家” 配音,他们会讨论产品的关键特性、客户评论以及来自全网的信息。
新的 AI 产品摘要可以通过在亚马逊购物 app 中点击 “听听亮点” 按钮进行访问。公司表示,将在那些通常需要购买前仔细考虑的产品中测试这一新功能。
这一功能的设计理念是帮助亚马逊顾客在购物时节省时间,并以对话讨论的方式传递重要信息。
“这一功能使得产品调研既有趣又便捷——就像有一群乐于助人的朋友在讨论潜在的购买选择,即使您在多任务处理或出行过程中,也能让购物变得更加轻松,”公司在博客中写道。
目前,这些摘要仅向部分美国消费者的精选产品开放。亚马逊计划在未来几个月内,将这一功能扩展到更多产品和更多美国客户。
公司解释称,该功能利用大语言模型 ( LLM ) 生成脚本,通过整合客户评论及全网信息,再将这些内容转化为短格式音频剪辑。
亚马逊表示,这项新功能加入了其现有的 AI 驱动购物功能套件,其中包括生成式 AI 购物助手 Rufus 以及 Interests —— 一项监控与您兴趣匹配的新产品的 AI 功能。
亚马逊并非唯一一家利用短格式 AI 驱动音频帮助用户快速高效获取信息的科技巨头。去年,Google 的 NotebookLM 推出了 Audio Overviews 功能,使用户能够基于与 AI 研究助手共享的文档(例如课程阅读材料或法律摘要),生成由 AI 虚拟主持人主持的播客。
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。