我们又失去了一个推迟锻炼身体的借口:Fitbit健身追踪应用即将登陆Windows Phone 8.1设备。
这款健身追踪应用近乎就是其iOS版和Android版本的化身:用户只需通过蓝牙将其智能手机与Fitbit设备相连,如Flex或One,那么设备将自动同步用户数据。然后,用户即可利用这款应用监控其健身目标的进度,如检查用户已走步数和燃烧的卡路里数,或是记录用户一天内的饮食和饮水量。
此外,用户还可以调整已经设置好的个人目标(或创建新的个人目标),向使用Fitbit应用的好友发送消息,查看成就徽章和排行榜,从而令用户拥有健身动力。
对Windows Phone用户来说,一切都在好转——仅在过去几周内,Adobe Photoshop Express和随需应变的Uber打车服务均作为本地应用华丽亮相Windows Phone平台。尽管这未必标志着Windows Phone平台已不再缺乏应用,但这确实能为一些对Windows Phone感兴趣的用户带来些许希望——他们期待的应用或许还有可能登陆这个平台。
今天晚些时候,用户即可Windows Phone商店中为其Windows Phone 8.1设备添加这款健康追踪应用。该应用免费且其英文版全球可用,其他语言的版本将在今年晚些时候推出。
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。