近日,辦公協(xié)作軟件MUST發(fā)布全新版本,文檔功能升級上線,不僅增加了模板切換功能,文章、投票、活動多樣式自由切換,還增加了文檔評論中的@提醒定位功能。加上文檔強大的附件與評論功能,現(xiàn)在,使用者在一個文檔中就能進行項目、創(chuàng)意、終端、行政、培訓等多項工作管理。
“聊天+文檔+任務”的協(xié)作模式
MUST是一款專注團隊協(xié)作的移動辦公軟件。考慮到團隊主流的工作溝通習慣,MUST以群組為單位,在群組溝通的基礎上,加入[文檔]與[任務]模塊。在聊天的過程中,有需要進一步深度討論的話題可以在[文檔]模塊中建立文章,專向溝通;有待落實跟進的事情則可以直接建立,分派給負責人,群組任務都保存在[任務]模塊,方便跟進。
對于用戶來說,熟悉的溝通方式,加上通用易懂的功能模塊,能大大降低學習成本,快速上手使用。
用[文檔]討論需求、交付工作
[文檔]模塊的通用性,讓產(chǎn)品的功能點與用戶的使用場景巧妙結(jié)合。
比如在進行項目的需求討論時,大至新項目的立項,小至一個UI細節(jié)的設計,只需要在群組中創(chuàng)建一篇文檔,群組成員就能隨時隨地通過跟帖,回復發(fā)表自己的意見,實時同步信息。
文檔評論中的@提醒功能,能讓對方在第一時間收到通知,快速定位到相關(guān)評論中,及時回復響應。
如果需要交付工作,也可以將工作結(jié)果、資料文檔以附件的形式插入評論中,領(lǐng)導可以直接在評論中批復,降低溝通成本,快討論快決策。
用[任務]跟進項目進度
在進行項目執(zhí)行時,同事的工作安排則可以建立成任務的形式,指派給相關(guān)負責人。如果認為零散的任務不方便管理,可以將相關(guān)任務以附件形式匯總插入同一篇文檔中,方便成員隨時跟進待辦事項,查看項目進度。
無所不包的附件功能
[文檔]強大的附件功能,不僅可以插入word、ppt、excel等office文檔,還能插入小視頻、語音、圖片、網(wǎng)址等多媒體,就連MUST應用內(nèi)[文檔]、[任務]、[記事]也可以以附件形式一鍵打包。非常適用于項目資料的歸檔與存儲。
為適應移動互聯(lián)網(wǎng)時代的工作溝通,當前國內(nèi)興起了一批團隊協(xié)作工具。有國外的yammer、trello,也有國內(nèi)的釘釘、teambition、明道等。但是每款產(chǎn)品的偏重方向不一樣,比如釘釘更側(cè)重于“溝通”,即消息的傳達,但協(xié)作方面不強;teambition雖主打協(xié)作,強調(diào)項目的任務屬性,但在溝通上的體驗較弱;而明道則更突出企業(yè)社交元素。MUST文檔功能將溝通與協(xié)作完美結(jié)合,能讓團隊成員及時溝通,又能加快項目的決策與執(zhí)行,提高協(xié)作效率。
MUST通用版功能全部免費開放,目前國內(nèi)已有眾多創(chuàng)業(yè)公司與團隊使用。在企業(yè)管理方面MUST還帶來更多組織管理功能,并提供第三方應用接入,能與企業(yè)現(xiàn)有辦公軟件無縫對接,構(gòu)建企業(yè)移動平臺。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。