自群晖Drive发布以来,所有文件通过一个入口,就能实现文档管理、协同办公、同步备份、个人和企业网盘等功能。而为打造更安全、更有效率的云盘体验,近期群晖Drive迎来新版本更新,新增密码保护和有效期、分类浏览、离线查看、加密分享等多项功能,让你在分享文件时能自定义有效期,抑或是移动办公中快速找到资料,与客户或是同事快速分享文档,新版Drive都将为使用者带来更便捷、更人性化的体验。
文件分享有效期和密码提供双重安全保障
与其他网盘一样,群晖Drive可以通过链接分享文件或是协作文档,但对于私密性、安全性要求较高的文件,新版Drive除了提供免费网盘同样的功能之外,还提供了甚至只有收费企业网盘才有的安全保护,就是支持在分享文件时设置密码保护和有效期,到期后链接立刻失效,避免了链接被盗用导致数据外泄,进一步提升了数据安全性。群晖Drive的分享文件有效期完全对用户免费使用,相比较之下,目前主流的多人协作平台要么不提供此功能,要么以年费付费形式才能使用,群晖Drive无疑在提升文件安全性的基础上站在用户角度考虑,为用户提供了真正有价值的应用。
不论是生活还是工作,我们能经常遇到因为自己的网盘并非是付费会员账号,只能用龟速来下载别人分享的文件,在没有安装PC客户端和APP的情况下,批量下载多个文件更是痛苦,而通过群晖Drive分享的文件或协同文档,下载者无需额外安装客户端和软件,使用浏览器即可下载和进行文档查看/编辑,相比公有云盘更安全便捷,也不会由于未开通会员而受到速度限制。
文件分类查看一键切换找到同一类型文件
当你习惯在网盘上新建了层层不同的文件夹,又存储了许多不同类型的文件,想要找出某一个文件除了有超强的记忆力并层层找到或者利用搜索之外,就别无他法了吗?Drive移动APP在"我的文件"下方新增快捷入口,提供文档、照片、视频、音乐四种常见文件类型,通过点击即可一键切换成只显示同一类文件并可进行排序,在显示的文件列表中还可以通过点击直接观看视频、浏览照片,无需再跳转到其他APP。
除此以外,还能通过勾选排序方式和内建的全内文搜索功能,通过文档内的关键词来更快的找到你想要的文档,查找、浏览、分享一气呵成。
手机没网没空间怎么办?离线访问来帮忙
在网络不佳时访问云盘,除了缓存之外,新版Drive移动端APP支持了离线文件访问,在文件右方点击菜单选择"离线访问",一键就能将文件下载至手机,即使没有网络也能查看。特别适合你在高铁这种4G信号时有时无的场合看看电子书、PDF甚至视频来打发时光。
如果担心离线文件太多,占用手机存储空间怎么办?不用担心,Drive在左侧列表专门对已离线并存到手机中的文件进行了归类,你可以随时管理这些文件并取消离线属性,释放手机空间。
除了对文件访问、管理加入诸多新特性,Drive也加入了更多人性化功能和实用工具:
创建个性化模版:Drive支持多人在线协同编辑文件,但是每创建一次文件,下一次又要重新排版,就很累。新版支持创建个性化模版,更方便调取高频使用的表格、文件和PPT版式。除了Drive自带的文档、PPT、表格模板之外,现在你也可以将自己漂亮的PPT、公司格式文件导入到自定义模板,下次再使用就可以快速调用,省事又省力。
编辑历史版本名称:默认以时间命名的文件历史记录,现在可以编辑自定义名称,并且只显示重命名的版本,可快速找回需要的历史版本。
支持更多常用的快捷键:例如全选、复制、黏贴,以及连续/不连续选择的快捷键,使用Drive来管理、编辑文件和表格变得更方便简单!
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。