మార్చి 2, 2025న, మైక్రోసాఫ్ట్ ఔట్‌లుక్ వినియోగదారులు ప్రపంచవ్యాప్తంగా సేవలకు అంతరాయం ఎదుర్కొన్నారు. ఈ అంతరాయం వలన వినియోగదారులు ముఖ్యమైన ఫీచర్‌లను యాక్సెస్ చేయలేకపోయారు. మైక్రోసాఫ్ట్ త్వరగా స్పందించి, సమస్యను పరిష్కరించింది.
స్నోఫ్లేక్ తన నాల్గవ త్రైమాసిక ఫలితాలను విడుదల చేసింది, మైక్రోసాఫ్ట్ తో భాగస్వామ్యాన్ని విస్తరించింది మరియు ఉత్పాదకతను పెంచడానికి, డేటా యాక్సెస్ ను క్రమబద్ధీకరించడానికి రూపొందించబడిన కొత్త AI ఏజెంట్ అయిన Cortex ను పరిచయం చేసింది. స్నోఫ్లేక్ AI మోడల్స్ యొక్క విభిన్న పర్యావరణ వ్యవస్థకు మద్దతు ఇస్తోంది.
Azure AI ఫౌండ్రీ సంస్థాగత-స్థాయి AI అనువర్తనాల కోసం, OpenAI యొక్క GPT-4.5 వంటి నమూనాలతో, మెరుగైన ఫైన్-ట్యూనింగ్ మరియు ఏజెంట్ల కోసం కొత్త సాధనాలతో ఒక సమగ్ర వేదికను అందిస్తుంది.
మైక్రోసాఫ్ట్ స్పీచ్, విజన్ మరియు టెక్స్ట్‌లను నేరుగా పరికరాల్లో ప్రాసెస్ చేయడానికి ఒక కొత్త AI మోడల్‌ను ప్రారంభించింది, ఇది దాని పూర్వీకుల కంటే గణనీయంగా తక్కువ గణన డిమాండ్‌లను కలిగి ఉంది. ఇది పరికరాలపై సమర్థవంతంగా పనిచేయగల సామర్థ్యం గల చిన్న భాషా నమూనాలపై (SLMs) కేంద్రీకృతమై ఉంది.
మైక్రోసాఫ్ట్ యొక్క ఫై-4 అనేది పరిమాణం మరియు సామర్థ్యం మధ్య సమతుల్యతను పునర్నిర్వచించే AI మోడళ్ల యొక్క సంచలనాత్మక కుటుంబం. ఈ నమూనాలు, సమర్థత కోసం రూపొందించబడ్డాయి, ఏకకాలంలో టెక్స్ట్, చిత్రాలు మరియు ప్రసంగాన్ని ప్రాసెస్ చేస్తాయి, అదే సమయంలో వాటి సమకాలీనుల కంటే గణనీయంగా తక్కువ గణన శక్తిని కోరుతాయి.
మైక్రోసాఫ్ట్ ఫై ఫ్యామిలీ ఆఫ్ స్మాల్ లాంగ్వేజ్ మోడల్స్ (SLMs) యొక్క కొత్త వెర్షన్లను విడుదల చేసింది: ఫై-4-మల్టీమోడల్ మరియు ఫై-4-మినీ. ఈ మోడల్స్ అప్లికేషన్ డెవలప్‌మెంట్‌ను పునర్నిర్మించే అధునాతన AI సామర్థ్యాలను డెవలపర్‌లకు అందిస్తాయి.
మైక్రోసాఫ్ట్ రీసెర్చ్ సంక్లిష్ట గణిత తార్కికతను మెరుగుపరచడానికి 14 బిలియన్ పారామీటర్లతో కూడిన చిన్న భాషా నమూనా ఫి-4ను విడుదల చేసింది. ఈ నమూనా గణిత తార్కికతలో ఇతర నమూనాల కంటే మెరుగ్గా పనిచేస్తుందని మైక్రోసాఫ్ట్ పేర్కొంది. దీని శిక్షణలో సింథటిక్ డేటా, ఆర్గానిక్ డేటా, కొత్త పోస్ట్-ట్రైనింగ్ పద్ధతులను ఉపయోగించారు.
మైక్రోసాఫ్ట్ మెటీరియల్ డిజైన్ కోసం MatterGen పేరుతో ఒక విప్లవాత్మక AI మోడల్‌ను ఆవిష్కరించింది. ఇది అకర్బన పదార్థాలను సృష్టించడానికి ప్రత్యేకంగా రూపొందించబడిన ఒక పెద్ద భాషా నమూనా. ఈ మోడల్ పరమాణు రకాలు, సమన్వయాలు మరియు ఆవర్తన లాటిస్‌లను క్రమంగా ఆప్టిమైజ్ చేయగలదు. ఇది కొత్త లిథియం-అయాన్ బ్యాటరీ కాథోడ్ పదార్థాలను ఉత్పత్తి చేసే సామర్థ్యాన్ని కలిగి ఉంది. MatterGen సాంప్రదాయ పద్ధతులతో పోలిస్తే స్థిరమైన, ప్రత్యేకమైన మరియు నూతన పదార్థాలను రెండింతలు ఎక్కువగా ఉత్పత్తి చేస్తుంది. ఈ AI మోడల్ విద్యుత్ వాహనాలు, ఏరోస్పేస్ మరియు ఎలక్ట్రానిక్ చిప్‌ల వంటి హైటెక్ రంగాలకు ఒక విలువైన సాధనం.
