至顶网CIO与应用频道 10月09日 北京消息:微软公司 (Microsoft Corp.) 和东南亚领先的按需出行、移动支付和线上到线下服务平台Grab,宣布达成一项战略合作伙伴关系,将利用微软在机器学习和其他人工智能 (AI) 方面的世界级专长,改变该地区数字服务和移动解决方案的交付。作为双方广泛合作的第一步,Grab 将采用微软 Azure 作为其首选的云平台,而微软将对 Grab 进行战略投资。
Grab 总裁Ming Maa 表示:“这项合作标志着与微软在一系列技术项目上的深入合作,包括大数据和人工智能,将改变东南亚地区日常服务和移动解决方案的交付方式。作为全球技术领导者,微软对Grab的投资凸显了我们作为该地区本土领先技术公司的地位。我们期待与微软合作,提升用户的按需出行和无缝的线上到线下体验。”
微软执行副总裁佩吉?约翰逊 (Peggy Johnson) 表示:“我们与 Grab 的合作,对于一个快速发展的行业和增长的地区,提供了不同的创新新机会。我们很高兴能够携手合作,改善客户体验,并为数百万用户提升数字服务的交付。这些用户依赖 Grab 提供安全、实惠的交通运输、食品与包裹快递、移动支付和金融服务。”
Grab 是东南亚领先的线上到线下移动平台,业务遍及东南亚8个国家、235个城市,Grab 的电子钱包 GrabPay 是东南亚领先的移动钱包服务。
通过是次合作,Grab 将采用微软 Azure 作为其首选的云平台,利用微软的智能云和人工智能能力,有效地扩展 Grab 的平台,提升其容量和功能。此外,双方公司将探索一些创新的深度技术项目,而这些项目将增强和改善 Grab 的用户、司机合作伙伴、商家和代理商的 Grab 服务体验。这些特别创新项目包括:
大数据、人工智能和机器学习
其他合作领域
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。