微软优化 Teams 中白板应用,新增工具栏提高团队协作生产力

一项来自微软与卡内基梅隆大学的最新研究表明,过度依赖人工智能(AI)工具可能正在侵蚀人们的批判性思维能力。研究团队对319名知识工作者进行了调查,收集了936个在 IT、设计、行政和金融等多个行业使用生成式 AI 的真实案例。研究分析了六个批判性思维的维度:知识、理解、应用、分析、综合和评估。研究发现,使用 AI 工具后,人们在解决问题时的思维方式发生了三大变化。首先,知识工作者不再独立搜集信息,而是主要集中于验证 AI 生成的结果;其次,他们更倾向于整合 AI 提供
微软近日发布了 OmniParser V2.0,这是一个旨在将用户界面(UI)截图转换为结构化格式的全新解析工具。OmniParser 能够提高基于大型语言模型(LLM)的 UI 代理的性能,帮助用户更好地理解和操作屏幕上的信息。该工具的训练数据集包括一个可交互图标检测数据集,该数据集从热门网页中精心挑选并自动注释,以突出可点击和可操作的区域。此外,还有一个图标描述数据集,旨在将每个 UI 元素与其对应的功能相结合。在 V2.0版本中,OmniParser 进行了显著改进,更新后的数据集更大且更干净,图标的
近日,微软研究院与卡内基梅隆大学的研究人员联合发布了一项新研究,揭示了知识工作者在使用生成性人工智能(如 C o p i l o t 和 ChatGPT)时的潜在问题。研究小组通过对319名每周使用生成性 AI 的知识工作者进行调查,探讨了他们在使用这些工具时的批判性思维应用情况。图源备注:图片由AI生成,图片授权服务商Midjourney研究结果显示,那些对任务充满信心的工作者,更倾向于对生成性 AI 的输出进行批判性思考。然而,对于那些对任务缺乏信心的人,他们往往会认为生成性 AI 的回答是
近日,微软研究院联合华盛顿大学、斯坦福大学、南加州大学、加利福尼亚大学戴维斯分校以及加利福尼亚大学旧金山分校的研究人员共同推出了 LLaVA-Rad,这是一种新型的小型多模态模型(SMM),旨在提升临床放射学报告的生成效率。该模型的推出不仅标志着医学图像处理技术的一大进步,也为放射学的临床应用带来了更多的可能性。在生物医学领域,基于大规模基础模型的研究已经展现出良好的应用前景,尤其是在多模态生成 AI 的发展下,可以同时处理文本与图像,从而支持视觉问答