近日,微软宣布研究助手(Researcher)和分析助手(Analyst)全面上市。是两款首次问世的推理型助手,专为工作场景而设计。自今年四月通过 Frontier 计划首次亮相以来,越来越多的早期用户正借助这些工具在几分钟内完成复杂的分析工作,显著节省了时间和资源[1]。现在,所有拥有智能 Microsoft 365 Copilot 副驾驶® 许可证的用户均可正式启用。
研究助手主要用于处理工作中的多步骤研究任务,依托OpenAI深度研究模型与智能 Microsoft 365 Copilot 副驾驶®的高级编排和深度搜索能力,能够提供比以往更高质量、更准确的关键洞察。
微软方面介绍,早期用户已将该助手应用于快速评估关税政策对各业务线的潜在影响,系统准备供应商谈判策略,以及在重要销售通话前全面收集客户洞察信息等多项关键工作,显著提升了信息搜集与判断效率。
分析助手则具备数据科学家级别的推理与分析能力,几分钟内就能从原始数据中获得洞察。其基于OpenAI的o3-mini推理模型构建,专为工作中的高级数据分析场景进行优化。分析助手采用逐步推理机制,通过迭代式问题求解方法,在优化推理过程的同时确保分析深度,最终生成符合专业分析师思维逻辑的高精度结论。
此外,分析助手支持Python编程环境,能够处理高复杂度数据查询任务,并允许用户实时监控代码执行过程及验证计算结果。在实际应用中,早期采用者已将分析助手应用于核心场景,例如量化评估促销折扣对客户购买行为的影响系数、精准定位高价值客户中产品使用率不足的潜在群体,以及通过多维数据建模直观呈现产品市场热度与使用特征,为产品上市策略提供数据支撑。
即开即用,丰富语言覆盖与个性化提示词支持
依托即开即用的访问机制、灵活便捷的操作模式以及持续扩展的多语言支持体系,推理型智能体已在智能Microsoft 365 Copilot副驾驶®实现快速定位与高效调用。用户可在全新的智能体商店中轻松查找并固定研究助手、分析助手。所有拥有智能 Microsoft 365 Copilot 副驾驶®有效许可的用户,每月可享有总计25次联合查询额度。目前研究助手已实现37种语言的完整支持,分析助手则覆盖8种核心语言,微软计划后续持续扩展语言服务矩阵。
无论你是用户还是系统管理员,均可快速实现零门槛上手。平台内置丰富的示例提示模板,用户可通过调用预设方案,快速掌握核心功能并立即获得实用价值,无需从头开始。
此外,用户还可根据实际业务需求,自定义专属提示词模板。例如,微软传播战略副总裁史蒂夫·克雷顿(Steve Clayton)向研究助手提供了如下提示词:
“请帮我按时间顺序,建立一个包含200个重要、有影响力或著名的微软产品发布的列表。请以表格形式提供。标题应为 1) 产品名称 2) 发布年份 3) 类别——例如游戏、操作系统、开发语言或工具、硬件。请注意务必将权威来源用于此项研究,并对答案进行三重验证,尤其是日期。时间范围是1975年至2025年。”
基于研究助手生成的标准化数据集,史蒂夫团队创新性地将其转化为可视化“微软产品元素周期表”,为微软全新刊物《Signal》提供了核心数据支撑。
即刻体验,让智能体赋能每一位员工
本次更新发布,进一步推动微软的目标:为开发者提供所需工具,通过智能 Microsoft 365 Copilot 副驾驶®赋能企业中的每一位员工,同时依托智能体技术,重塑每一个业务流程。
微软表示,有了研究助手和分析助手,专业知识将触手可及。现在所有拥有智能 Microsoft 365 Copilot 副驾驶® 许可证的用户,均可在智能Microsoft Copilot副驾驶® 对话助手中体验这两项功能,开启智能办公新体验。
*本文中介绍的智能 Microsoft Copilot 副驾驶®服务适用于国际版企业级服务。
[1] Frontier 计划为拥有智能 Microsoft 365 Copilot 副驾驶® 许可的客户,提供尚在开发阶段中的Copilot创新功能的早期访问权限。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。