微软改进Chromium内核，视频未加载完全前自动暂停，提升浏览体验

近日消息，微软向Chromium开源项目贡献了重要代码更新，这一贡献预计将进一步优化Chrome、Edge以及其他基于Chromium的浏览器的媒体播放性能，为用户带来更流畅、高质量的观看体验。

注：网络应用程序或网站可以通过各种方式嵌入媒体内容，其中最常见的方法是使用 iframe，这样可以在网站加载时暂时隐藏媒体。

不过这种 iframe 嵌入方式也存在一个问题，就是视频没有加载或没有出现在网页的时候，媒体也已经开始播放了。

在这种情况下，用户会发现浏览器正在播放一些内容，音频也在播放，但在网页上却看不到任何内容。

微软贡献的最新代码中，希望引入新的策略来控制 iframe 媒体播放的工作方式，网页播放媒体资源之前，会先判断嵌入式视频是否已呈现。

如果嵌入视频处于未渲染状态下，基于 Chromium 的浏览器将不再播放，也可指示嵌入的媒体暂停 iframe 媒体播放。

与此同时，当 iframe 已呈现且用户能看到视频时，Chromium 将命令嵌入式媒体恢复 iframe 媒体播放。

附上微软贡献代码细节如下：

添加了“media-playback-while-not-rendered”权限策略，允许嵌入网站暂停未渲染（即其“display”属性设置为“none”）的嵌入式 iframe 的媒体播放。

这将让开发人员能够打造更友好的用户体验，并通过让浏览器处理用户不可见内容的播放来提高性能。

微软革新Rewards计划：增强透明化措施，详尽公示积分机制

近日消息，微软宣布了一项旨在提升其 Microsoft Rewards 用户奖励计划透明度的重大举措——Rewards Notes 计划。这一创新策略的推出，标志着微软在优化用户体验、增强用户信任方面迈出了重要一步。

Microsoft Rewards 是微软的一个奖励项目，玩家可以使用必应搜索、Edge 浏览器或者 Xbox 游戏等来赚取积分，然后再拿积分兑换各种奖励。

微软此前不断调整 Microsoft Rewards，多数情况下用户只能自行摸索，或者根据其它网友的反馈才能了解项目改动。

微软本周在 Xbox 游戏主机的微软奖励中心（Microsoft Rewards Hub）中推出了“奖励笔记”（Rewards Notes）的新项目，后续会扩展到 PC 和移动平台，翻译如下：

我们更快、更直接地分享更新、信息和即将发生的变化，让用户和 Rewards 计划保持紧密联系。

我们计划利用这个空间为用户提供有关影响其赚取积分和领取奖励方式的信息，请随时查看。

微软SEC文件新看点：OpenAI首度被列名为AI及搜索领域强劲对手

近日，微软在其最新的SEC 10K报告中，首次将OpenAI标记为竞争对手，这一标注变动引起了行业内外的广泛关注，暗示二者之间合作关系的微妙调整，或是未来业务战略上的潜在分歧，引发了市场对两者技术竞赛和市场布局的诸多猜想。

微软与OpenAI的合作关系由来已久。据报道，微软已向这家ChatGPT制造商投资130亿美元，并成为OpenAI的独家云提供商。作为交易的一部分，微软在其产品中运行OpenAI的模型。

然而，在最新的SEC文件中，OpenAI与Anthropic、亚马逊和Meta一起被列为AI领域的竞争对手。由于OpenAI最近推出SearchGPT功能，它还被视为微软在搜索领域的竞争者之一。

这一变化可能与当前的反垄断环境有关。美国联邦贸易委员会正在调查云提供商对AI初创公司的投资，包括微软与OpenAI的关系。微软最近还同意放弃在OpenAI董事会的观察员席位，这一席位是在去年OpenAI董事会短暂解雇CEO山姆·奥特曼后获得的。

业内专家指出，在硅谷，合作伙伴和竞争对手并非互斥关系。历史上，如雅虎与谷歌的合作最终演变为竞争就是一个典型案例。因此，微软和OpenAI关系的潜在变化并非没有先例。

尽管如此，SEC文件中的这一变化可能仅仅是微软对投资者的谨慎提醒。随着AI技术的快速发展和市场格局的不断变化，微软与OpenAI的关系走向仍有待观察。

微软SpreadsheetLLM项目解锁新技能：AI精准解析电子表格信息

近日消息，微软研究团队公布了一项突破性成果——SpreadsheetLLM项目，专为应对大型语言模型（LLM）在处理电子表格数据时面临的挑战而设计，此项研究有望推动AI技术在数据分析领域的边界拓展。

根据此前发表在Arxiv上的论文，SpreadsheetLLM通过一种编码框架，使得LLM能够“读懂”电子表格的内容。这一研究有望显著提升电子表格的数据管理和分析效率，并且使得用户可以用自然语言向AI提出问题，而无需掌握复杂的公式和操作。

电子表格对LLM的理解构成了多方面的挑战。首先，电子表格的体积可能非常庞大，超出了LLM一次性处理的字符限制。其次，电子表格采用的是二维布局和结构，而LLM擅长处理的是线性的、顺序的输入。最后，LLM通常没有专门的训练来解读单元格地址及特定的电子表格格式。

微软的SpreadsheetLLM技术由两个主要部分组成。第一部分是SheetCompressor，它通过缩减电子表格的复杂性，使其更易于被LLM理解。SheetCompressor包括三个模块：结构锚点、减少令牌数量的方法和通过聚类相似单元格提升效率。利用这些模块，微软团队将编码所需的令牌数量减少了96%，并取得了12.3%的改进效果。第二部分是Chain of Spreadsheet，它教会LLM如何在压缩后的电子表格中找到相关信息并生成回答。

这一技术的成功应用将显著提升微软Copilot在Excel中的功能，使其能够处理更复杂的数据分析任务。然而，目前这一方法仍然面临生成数据准确性和高计算资源消耗等问题。研究团队未来的计划包括对单元格背景色的编码和加深对单元格内容关联性的理解。