据路透社于12月12日的首次报道称,Facebook已不再在Facebook页面内显示微软Bing搜索结果。
如今,取而代之的是Facebook自己的搜索技术,其自有技术专注于搜索Facebook中的内容,而非微软Bing。
微软和Facebook官方人员均证实了这一改变,因此从今以后Facebook将不再在Facebook搜索界面显示Bing搜索结果。此外,微软高管表示,两家公司还将继续在其他领域进行合作。
2007年,微软曾向Facebook投资2.4亿美元,双方已就各种各样的项目展开了众多合作,包括许多广告方案,以及一项将Facebook网站数据合并到Bing搜索结果的协议。
自2013年开始,Facebook已不再使用Bing为其图谱搜索(Graph Search)提供动力。彼时,Facebook仍然使用Bing来生成其Web搜索结果。
微软仍在不断尝试扩大Bing的应用范围,希望它能不仅仅局限于网页搜索服务。过去的几年间,微软一直专注于一些能够在其他产品(如Office套件)中使用其Bing后台庞大资源库和其他技术的方法,同时也一直致力于令Bing成为微软内部及其合作伙伴使用更多的一个平台。
目前,Bing仍继续为雅虎提供搜索结果,包括内置于PC版和移动设备火狐浏览器中的雅虎搜索结果。而雅虎也一直在寻求一种能够摆脱它与微软长达10年期的搜索合作伙伴关系的方法。
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。