随着远程办公和在线协作场景的兴起,知识管理和协作需求也越来越高,小型组织和个人也不例外。最近,基于PLG模式的产品备受关注,其中一款名为「FlowUs息流」的新一代知识管理和协作平台更是备受瞩目。2021年成立的「FlowUs息流」,在2022年已完成三轮融资,领投方分别是IDG资本、火山石投资和盈动资本。
「FlowUs息流」的创始人兼CEO汪兆飞是SaaS领域的连续创业者,曾担任阿里云协作产品开放平台业务负责人、百度网盘文档和To B创新业务负责人。他表示,市场上的管理和协作产品通常只提供单一功能,如单独的协作文档、知识存储、多维表格等,这使得用户信息存储分散,操作不便。而「FlowUs息流」最大的特点是将多种功能集成到一个平台上,旨在打破用户在知识管理和协作过程中的割裂感,同时提高工作效率。
「FlowUs息流」目前的具体功能包括块编辑器、简单表格、多维表格、模板、协作(例如评论、编辑)、思维导图和文件夹,具备全能的特点。
在同类产品中,飞书文档、钉钉等办公协同类产品备受关注。然而,汪兆飞表示与这些“大而全”的产品相比,「FlowUs息流」目前更专注于为小型组织和个人提供服务。他还进一步介绍说,在FlowUs的注册用户中,学生群体的占比超过三分之一,目前已经与多所高校合作进行云支教、知识竞赛等活动。
另一个值得关注的趋势是,人工智能被越来越多地应用于办公协作领域,特别是在ChatGPT走红之后。微软也表示将在其所有产品线中植入ChatGPT的能力。
作为知识管理和协作平台,「FlowUs息流」也在与ChatGPT进行适配工作。目前已经开启内测,用户可以使用FlowUs AI根据自己的需求进行写作、续写、翻译、润色等功能。具体实现方式是通过调用OpenAI接口,再通过微调代码将FlowUs AI功能和各个产品模块进行结合,让用户得以在各模块中使用这项功能。
「FlowUs息流」致力于打造一个集知识管理和协作为一体的全方位工具,让用户在一个平台上即可完成多种任务。在当前高度竞争的市场中,「FlowUs息流」的创始人汪兆飞认为,产品不仅仅需要具备全面性,还需要有深度和个性化。与此同时,与ChatGPT的结合也为「FlowUs息流」带来了更多的可能性。
随着数字化时代的到来,「FlowUs AI」的出现将极大地促进小型组织和个人的工作效率,使其在知识管理和协作方面更加便捷高效。同时,随着ChatGPT等人工智能产品的崛起,我们可以期待「FlowUs息流」这类产品与人工智能的深度融合,为用户带来更多全新的体验和可能性。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。