刚刚不久前才宣布因为“生活环境差”、“思念家乡”等因素离开小米的雨果·巴拉(Hugo Barra),今天他的新老板就在 Facebook 发布消息宣布 Hugo 将加入 Facebook 公司领导 Oculus 团队,而他的新老板就是 Facebook CEO 马克·扎克伯格(Mark Zuckerberg)。
在 Facebook 上,Zuckerberg 这样宣布了这条消息:
我很高兴 Hugo 将加入 Facebook,领导包括 Oculus 在内的虚拟现实团队。Hugo 目前还在中国,所以在这张图片上我和 Hugo 一起在虚拟现实世界了合了个影,看起来非常合适。
我已经对 Hugo 有很长时间的了解,从他当年在开发 Android 系统时我就认识他了,我还知道他最近几年在北京小米工作,并且成功地将很多创新性的设备带给上百万人。
我和 Hugo 有共同的信念,那就是虚拟现实和增强现实是下一代通用计算平台。这些技术能带给我们全新的体验和想法,让我们比过去更有创造力。Hugo 就是来帮助我们构建这样的未来,我很期待他加入到我们的队伍里。
Hugo Barra 在 Facebook 上也迅速回复表示,他将会以 Facebook 副总裁的身份加入,负责包括 Oculus 公司的整个虚拟现实团队。Zuckerberg 则提到邀请到 Hugo 负责 Oculus 团队,是因为他在 Google 和小米都有担当高管的经验。
在 2014 年Zuckerberg 花费了接近 30 亿美金收购 Oculus,所以虚拟现实、增强现实技术也是他最看重的未来业务之一。
Hugo 和 VR 有一些交集。去年 Hugo 也帮助小米公司推出了自己的 VR 头盔,在上次和彭博的对谈中,Hugo 也谈到他对 Google Daydream VR 平台也非常看好。有趣的是,他也说这项科技很可能在 2017 年有更好的发展,而他刚刚宣布加入到的 Facebook 领导的 Oculus 公司,它也是全球最大的虚拟现实公司之一,也正好卡在了他所说的时间点。
去年年底原 Oculus CEO Brendan Iribe 卸下 CEO 一职,改任 VR PC 部门负责人后,Oculus CEO 一职就一直空缺。Hugo 的到来也正好弥补了这一职位空缺,他的履历对于这一业务也非常合适,这对于 Zuckerberg 来说也再合适不过。
在小米工作这段经历里的 Hugo 最后给自己安上了“思乡”、“迫切想要回到硅谷”、“硅谷是他更留恋的一个地方”等离职理由,小米官方也在社交媒体感谢了这位曾经负责“小米全球化”的高管。而才过了几天,Hugo 就在 Facebook 上“迫不及待”地回复了新任老板 Mark Zuckerberg:
我迫不及待地加入到团队中,并和你们一起构建未来。在虚拟现实以及增强现实刚刚出现在科幻小说里的时候,从事虚拟现实相关的工作就成了我的梦想;而现在我们却已经能在虚拟现实的世界里合影了!在小米任职期间,我从小米 CEO 雷军身上学到了一点,就是在科技行业,没有什么事情比技术获得突破并将其推广至那些大众用户中更重要。
在 Hugo 的回复中,他也提到了目前负责 PC VR 部门的 Brendan、Facebook CTO Mike Schroepfer 以及整个 Oculus 团队。看起来这几个人应该和他的新工作合作更紧密。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。