ZD至顶网CIO与应用频道 03月29日 评论消息(文/孙博):在这篇采访稿的开头,我们有必要一起做下回顾。
差不多三个星期前,北京时间3月8日那天,微软如承诺所言,正式对外宣布推出Visual Studio 2017,同时庆祝Visual Studio的20岁生日。
Visual Studio是微软公司开发工具的系列产品。其中包含了整个软件生命周期中所需要的大部分工具,如UML、代码管控等等。而此次2017版本的发布,微软方面宣称是有史以来最具生产力的版本,它将帮助任何开发者在任何平台上构建任何应用程序。
据微软开发平台事业部全球资深副总裁潘正磊透露,从发布到现在的两个星期时间内,客户正积极下载和使用Visual Studio 2017版本,速度甚至超过以往任何版本。
微软开发平台事业部全球资深副总裁潘正磊
新版本做了哪些轻便的调优
微软声称这是迄今为止最具生产力的版本,其内建工具整合了.NET Core、Azure应用程序、微服务、Docker容器等内容。而对于新版本如此受欢迎的原因,相较以往版本,此次又有哪些提升,对此潘正磊给出了答案。她先从云的角度谈起。
潘正磊说,此次他们做了几部分的工作。一部分是和微软内部的Azure团队一起合作,让用户不用在云端就可以直接调试代码。一部分是针对整个开发流程,从调试到发布中间的调整。以及当代码发布到云上后,涉及代码的性能、调试等场景进行了优化。
除此之外,在其他方面新版本也做了很多的调优。例如编程语言,用户可以在Visual Studio的平台上,无论使用哪些开发语言,都能够非常容易的进行开发。并且通过对Visual Studio和Visual Studio Code的技术整合,实现代码共享的功能,这样只需一套代码即可。
潘正磊说,Visual Studio变得更为快速、精简,即使所面对的应用开发和项目愈加庞大,也能够让开发者享受到全新的安装体验,让一切变得轻便而模块化。
Any Developer,Any App,Any Platform
“近一两年开始,Visual Studio 2017改变了我们的战略。我们现在的战略是拥抱所有开发人员,所有开发平台,支持开发人员开发任何的应用。”潘正磊说,微软的愿景是“Any Developer,Any App,Any Platform”。
早在Visual Studio2012版本时期,该工具还只支持Windows。在战略转型后,Visual Studio变成了一个跨平台和开源的产品,现在还同时支持iOS、Android、Mac。以此可以折射出微软对开发者的全新态度。
从微软近两年一直在强调的“移动为先,云为先”中不难看出,移动化和云是其着重发展的两大业务。因此对于此次Visual Studio 2017版本的发布,是否是希望借此来推动微软云计算平台Azure的更大发展,对此潘正磊提到了四个字——自然而然。
首先潘正磊肯定了记者的提问,她说Azure作为微软的一个重要平台,的确非常希望用Visual Studio 2017来对其推波助澜。
“放眼全球,软件愈发成为每个大公司的业务核心。对于微软来说,它的DNA里面就是关注开发者的,本身具有非常强的开发工具和服务。我们当然可以利用在开发者心中的位置,这一优势来带动Azure平台的提升。这是自然而然的一件事。”
Visual Studio 2017版本从上线以来还不到一个月的时间, 至于下一级段的打算,潘正磊说希望吸引更多的开发者,从而提高Visual Studio 2017的月活量。同时,还将对Azure功能做进一步的提升,以及针对时下流行的Micro Service(微服务)和Container(容器技术)等在平台上的体现,让用户的开发、调试、分析体验能更加方便快捷。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。