为在社会企业竞争中取得胜利,甲骨文公司仍继续为之奋斗着。当地时间本周三,甲骨文公司在其SRM平台内推出了一个新的工作区,该企业巨头表示,这个新工作区将通过“令人叹服的”新用户界面来提高用户工作效率。
甲骨文为这个工作区取名为Social Station,旨在给用户更多的分析能力和控制权,但却不需要用户太多的点击量。
而这均通过新的用户体验得以实现的,其中主要以拖放操作功能、一键分享和多视图布局为特色。此外还有一个增强版日历模块,旨在为用户的网站内容、帖子、关系网和视图提供更多可视化的描述。同时,这个Social Station还推出了一个新的分析模块,允许用户通过大量的报告对对社会数据的自定义视图进行实时综合分析。
甲骨文社交云集团副总裁梅格·贝尔(Meg Bear)在一份声明中表示:“通过不断地改善我们的产品,我们希望能为我们的客户带来竞争优势,而Social Station便为他们提供了一个动态的用户体验,提供用户工作效率以及社会化商业成果。我们通过让用户比以往更轻松地在整个企业中理解、报告以及分析他们的社会见解,使我们的用户能够与时俱进,使他们能够影响企业的业务指标和策略。”
通过收购社交营销平台Vitrue、SNS监测平台Collective Intellect以及Involver,甲骨文整合加强了其SRM平台,并继续为其添加新功能,集成到平台中。
甲骨文表示,该公司计划继续通过新的模块来构建这个Social Station,例如增加内容管理、影响者的参与和指挥中心的创建等模块。
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。