微软推出Edge Game Assist，为玩家提供游戏内提示和指南

微软宣布了一项名为Edge Game Assist的新功能，能让玩家在玩PC游戏时获得提示和指南。

Game Assist被描述为一个“无缝、全功能的内置浏览器”，允许玩家通过Game Bar覆盖层调出一个定制版本的Edge浏览器。这个浏览器具有游戏感知能力，意味着如果玩家正在运行兼容的游戏，浏览器会自动为该特定游戏提供提示和指南。

然而，它也可以与任何游戏一起使用，玩家可以手动在线搜索帮助。如果需要，浏览器可以固定在屏幕顶部，这意味着玩家可以一边查看指南一边进行游戏。玩家还可以打开YouTube视频，并在标签页中与实际游戏一起播放。

Game Assist与完整版Edge共享相同的浏览器数据和cookies，这意味着保存了登录详细信息的玩家在游戏中不需要重新登录。

玩家还可以使用Game Assist在玩游戏时调出Discord、Spotify和Twitch等服务。

微软在其公告中表示：“根据我们的调查，40%的PC玩家在玩游戏时会查找提示、指南和其他帮助。” Game Assist使这一切变得前所未有的简单，每当你打开一个新标签时，都会突出显示对你游戏有帮助的资源。”

尽管Game Assist可以在玩任何游戏时调出Edge浏览器，但在发布时，它对九款游戏提供了游戏感知支持——《博德之门3》、《暗黑破坏神IV》、《堡垒之夜》、《地狱之刃II：塞娜的传奇》、《英雄联盟》、《我的世界》、《守望先锋2》、《罗布乐思》和《瓦罗兰特》。

微软携手清北推出rStar-Math技术：小型模型在数学问题上逆袭，胜过OpenAI

近日，微软公布了全新的rStar - Math技术。这一技术属于创新的推理方法，能够被应用于小型语言模型（SLMs）。它在提升小型语言模型处理数学问题的能力方面效果显著，令人惊讶的是，在某些特定的情形下，其表现甚至比OpenAI的o1 - preview模型还要好。

在测试中，rStar-Math 技术被应用于多个小型开源模型，包括微软的 Phi-3迷你模型、阿里巴巴的 Qwen-1.5B（15亿参数模型）和 Qwen-7B（70亿参数模型）。测试结果显示，所有参与的模型性能都有所提升，其中在 MATH 基准测试中，rStar-Math 甚至超越了 OpenAI 先前最先进的模型。

研究团队计划在 Github 上开放相关代码和数据，尽管目前仍在内部审核中，尚未公开。社区对此技术表示了极大的兴趣，许多成员称赞其与蒙特卡罗树搜索（MCTS）结合的逐步推理方法，认为这一创新在几何证明和符号推理等领域有着广泛的应用前景。

rStar-Math 的核心在于利用蒙特卡罗树搜索，这种方法模拟人类的 “深度思考”，通过逐步细化数学问题的解决方案来帮助小型模型自我演进。研究人员不仅简单地应用了 MCTS，还要求模型在输出过程中同时给出自然语言的推理步骤以及 Python 代码。这样的要求促进了模型的有效训练。

在经过四轮自我演进后，rStar-Math 在多个基准测试中取得了显著成就。在 MATH 基准测试中，Qwen2.5-Math-7B 模型的准确率从58.8% 跃升至90.0%，超越了 OpenAI 的 o1-preview。而在美国数学邀请赛（AIME）中，该模型解决了53.3% 的问题，表现位于高中竞争者的前20%。

近年来，人工智能创新主要依赖于模型参数的不断增加，然而，随之而来的高昂成本让人们开始质疑这种扩展的可持续性。微软通过 rStar-Math 展示了小型模型的潜力，强调了高效能的方向。这一技术的发布表明，专门的小型模型可以作为大型系统的有力替代方案，为中型组织和学术研究者提供前沿的能力，而无需承担庞大的财务和环境负担。