当前位置:

首页 > 硬件相关 > 微软研究团队打造"智能副驾":让电子表格自动帮你完成下一步操作

微软研究团队打造"智能副驾":让电子表格自动帮你完成下一步操作

微软研究团队构建了含52条表格制作轨迹的数据集,提出在线评估框架,测试多种模型。结果显示,GPT-5-R可节省32.7%操作,微调后小模型性能接近大模型;频繁触发预测、适度接受策略效果更优,上下文窗口128步后收益递减。

本文目录

    这项由微软班加罗尔、雷德蒙德和比利时科尔贝亨三地团队联合完成的研究,发表于2026年第43届国际机器学习大会(ICML 2026),会议地点为韩国首尔,收录于PMLR 306会议论文集,论文编号为arXiv:2606.13802。感兴趣的读者可通过该编号检索完整原文。

    每个人都有过这种经历:盯着一张密密麻麻的电子表格,要把每一列的标题加粗、每一行加边框、某些关键数字标上颜色,一百多个操作一个个手工点击下去,手指酸、眼睛累,却偏偏没有任何"自动完成"来帮你一把。写代码的人有GitHub Copilot,打字的人有输入法联想,偏偏天天被数亿上班族使用的电子表格软件,在这方面几乎是一片空白。

    微软的研究团队注意到了这个奇怪的空白,并决定从两个角度同时发力来填补它:第一,造一个专门用来测试"表格操作预测系统"的标准考题库;第二,设计一套能够真实模拟用户使用体验的考试方式。这两件事听起来简单,做起来却各有各的难处,而这正是这项研究真正有趣的地方。

    一、为什么给表格造一个"预测助手"这么难?

    回到一个熟悉的场景:假设你正在用Excel整理一份季度销售报表。你先输入了第一行的标题,然后加粗,然后给标题行加了蓝色背景,然后给整个表格画了外框……这一系列操作背后其实有着明显的规律性——你大概率接下来会给数据行加内框、给合计行加粗并换个颜色。如果有个助手能在你完成每一步操作之后,提前猜到你接下来要做什么,就像打字时输入法自动补出后半句一样,那岂不是能省下大量重复劳动?

    然而表格操作预测面临着代码补全从未遇到过的两大困难。其一,网上从来没有"用户一步步制作表格的完整过程录像"这类公开数据。互联网上能找到的顶多是做好的成品表格,就好像你能在博物馆里看到完成的雕塑,却没有任何雕刻过程的录像。其二,表格操作极其复杂:它涉及空间位置(在哪个格子操作)、时间顺序(先做什么后做什么)以及操作的组合性(一次操作可能影响一大片区域),这比代码补全要混乱得多,因为代码是线性的,表格是二维的,而且同样的最终效果可以由完全不同的操作顺序产生。

    微软团队为这两个问题分别想出了解决办法。针对第一个问题,他们花了大量人力手工制作了一批"表格制作过程"的操作记录;针对第二个问题,他们设计了一套全新的"在线评估"机制,而不是沿用传统的简单打分方式。

    二、那五万两千步是怎么造出来的?

    由于现有的公开表格数据库里根本没有操作过程,研究团队只能另辟蹊径——从成品表格出发,反向推演用户可能经历的操作步骤。这个过程可以用一个烹饪比喻来理解:你拿到一道菜,然后尝试写出厨师做这道菜的完整菜谱。

    整个制作流程分三个阶段。第一阶段叫做"符号冷启动"。给定一张做好的表格,程序会自动把表格上所有的格式和数值拆解成一个个最基础的操作,比如"给A1格输入数值"、"把B1:B5加粗"等,并把相邻的相同操作合并成区间操作。为了让生成出来的序列更有多样性,程序还会随机抽取一组"偏好设置",控制操作如何排序——有的表格按行优先,有的按列优先,有的先做内容后做格式,有的反过来。在这之前,还有一个视觉-语言模型会先浏览每张表格的截图,为每个区域打上语义标签,识别出哪些区域是数据表、哪些是标题块、哪些是汇总区,以及哪些部分的数据很可能是从别处粘贴进来的。

    第二阶段叫做"大模型润色"。符号程序生成的操作序列虽然功能上正确,但看起来过于机械——就像一个机器人厨师按照最低效的路线做菜,而不像一个有经验的人类厨师那样自然流畅。于是研究团队引入了一个"评委-编辑"循环:评委模型阅读当前操作序列,判断它看起来是否像人类的行为,如果不像就给出修改意见;编辑模型按照意见重写序列;重写后的序列会被执行验证,确认最终结果和目标表格完全吻合,才算通过。这个循环最多进行四轮。典型的润色操作包括:把零零散散的逐格式调整合并成区间操作、删去空白区域上无意义的格式、去掉文字格插入数字格式这类明显的反常之举。

    第三阶段是人工标注。研究团队的成员(也就是论文的作者们)会逐帧观看操作序列,识别出那些机器改不好的不自然之处并手工修正。从最终数据来看,人工修改的幅度相当大——操作序列在人工处理前后的平均"编辑距离"(衡量改动幅度的指标,可理解为序列被改变的比例)高达0.69,也就是说平均有近七成的内容发生了改变。52份序列中有19份被直接从头重写,说明人工介入是这套数据集质量的核心保障,不是走过场的。

    最终得到的数据集包含52条完整的表格制作轨迹,共11907步操作,每条轨迹的步骤数从35步到821步不等,平均229步,中位数164步。从操作类型的分布来看,输入数值操作占比最高,达57.1%,其次是字体设置(11.6%)、对齐(6.9%)、边框(6.3%)、数字格式(5.6%)、填充颜色(5.5%)、合并单元格(4.9%)、自动填充(1.7%)和粘贴(0.4%),覆盖了日常表格操作的绝大多数场景。

    研究团队还做了一个"理论上限"实验:调用多个顶级推理模型(包括四个不同版本的前沿大模型),在每一步操作时提供完整的历史记录和当前表格截图,让模型竭尽全力预测接下来会发生什么,然后把所有模型的正确预测合并成一个"全知全能的预言集合"。结论是:52条轨迹中,平均有68%的操作属性是理论上可预测的,中位数66.3%,44条轨迹的可预测比例超过50%。这意味着大多数表格操作并非随机的灵光一现,而是有迹可循的——这为整个研究的可行性提供了理论依据。

    三、为什么不用传统的"考一道题对一个答案"的方式?

    传统的人工智能评估通常是这样:给模型看第N步的状态,让它预测第N+1步是什么,然后对比答案。这种方式在表格操作预测上存在一个致命的漏洞——它忽视了预测结果对后续操作的影响。

    打个比方:你正在搭一栋积木房子,每次搭之前有个助手会建议你下一块该放哪里。如果助手建议你在不对的位置放了一块积木,那接下来所有的积木都得跟着移位,后续的每一步都变了。如果只是在草稿纸上画"下一块该放哪里",而不是真的放上去,那评估就完全脱离了现实——助手的错误永远不会引发连锁反应,看起来比实际好得多。

    研究团队提出的"在线评估"(Online Evaluation)正是为了解决这个问题。它的运作逻辑是一个完整的动态游戏,而非一次静态问答。游戏在一张空白表格上开始,有一个"待完成的操作队列"代表到达目标表格所需的全部步骤。每次用户执行一步操作,预测系统就会被调用,给出它认为接下来应该做的事情。这个预测会被打分:精确率衡量预测里有多少是对的,"用户动作节省量"衡量如果接受这个预测,用户能少做几步。接下来关键的一步来了:根据某些接受标准,系统决定"接受"还是"拒绝"这个预测。

    如果预测被接受,操作就真的被执行到表格上,然后"待完成队列"要随之更新——已经被预测正确完成的操作从队列中移除,而预测错误产生的"坏效果"则被以修正操作的形式添加到队列前面(比如预测把C3格填成了绿色但实际上不应该填色,那就要在队列里加一个"清空C3颜色"的步骤)。如果预测被拒绝,队列不变,游戏继续,用户执行下一步真实操作,再触发新的预测。这个循环一直持续到表格完成为止。

    这个机制的精妙之处在于三点:错误会像真实世界一样产生连锁反应,好的预测真的能改变游戏进程而不只是在纸面上得分,以及系统必须在自己曾经犯过错的状态下继续预测,考验它的纠错能力。

    在这个框架下,研究团队定义了一套从细到粗的指标体系。最细粒度的是"操作属性级"指标:每一个(格子,属性)对被分为四类——预测正确的真正例、预测了但目标里没有的假正例、目标里有但没预测到的假负例、预测了但值对不上的错配。在此基础上,精确率衡量每次预测有多少比例是正确的,用户动作节省量衡量接受预测后实际少做了多少步。最粗粒度的是"全轨迹"指标:总用户动作节省量(以百分比衡量减少了多少操作量)、接受率(预测被采纳的比例)、平均精确率,以及"可预测覆盖率"(衡量模型在理论上可预测的操作里实际预测对了多少比例,相当于用可预测上限做分母的成绩单)。

    四、谁来参加这场考试?各自表现如何?

    研究团队为这套评估框架准备了多种类型的"考生",从最顶级的大模型到最朴素的统计模型,横跨了一个很宽的技术谱系。

    第一类是零样本大语言模型,也就是不专门训练、直接拿现成大模型来用的方案。操作被编码成文本,比如"将A1格填充为绿色"被写成"FILL | A1 | green"这样的格式,然后把最近的操作历史和可用操作语法一起喂给模型,让它输出预测。研究团队测试了四个版本:带推理模式的GPT-5-R、普通版GPT-5、带推理模式的GPT-5-R mini和GPT-5 mini,其中加"R"后缀的版本启用了低强度的推理模式。

    第二类是专门为这个任务微调过的小型语言模型。研究团队使用的是SmolLM2,分别取了1.35亿参数和3.6亿参数两个规格,用符号生成流程在1.2万张与评估数据集完全不重叠的工作簿上生成了大约4.5万条训练样本,然后做监督微调。每个训练样本的输入是32步历史操作,输出是接下来16步。

    第三类是经典机器学习方法,包括训练好的n元语法模型、在线n元语法模型(不需要预训练,只看当前轨迹里已经出现过的操作模式)、LSTM神经网络和XGBoost决策树集成。这些模型都使用相对特征而非绝对特征——也就是说,它们记录"往右移了几列"而不是"在第几列",这样能更好地跨轨迹泛化。

    评估分两种模式。多动作预测模式下,模型每次调用可以一口气预测任意数量的操作,自己决定什么时候停下来。单动作重预测模式下,每次只预测一步,如果被接受就立刻再预测下一步,直到某次预测被拒绝为止——这个模式专门为那些自己不知道该何时停止的模型设计,通过外部接受机制来控制节奏。

    从单动作重预测模式下的结果来看,大模型族群的表现形成了清晰的梯度:GPT-5-R以32.7%的总用户动作节省量领先,GPT-5-R mini以28.2%紧随其后,GPT-5为27.4%,GPT-5 mini则降到18.0%。模型越强,节省越多,这证明了任务本身是可以通过学习来提升的,而非碰运气。

    微调带来的提升同样显著。未经微调的SmolLM2-360M只能节省21.7%的动作,经过微调后跃升到26.8%,几乎追上了参数量大得多的GPT-5(27.4%)。135M版本从18.3%提升到23.2%。考虑到小模型的推理成本远低于大模型,这个结果说明专项训练在这个任务上的价值不亚于模型规模。

    经典方法中,在线n元语法以12.0%的成绩成为最强非学习基线,LSTM为5.7%,训练好的n元语法为3.8%,XGBoost仅2.9%。在线n元语法不需要任何预训练,只靠识别当前轨迹中间出现过的重复模式,在边框传播、合并单元格等结构性操作上表现不俗,但碰到需要理解语义内容的输入操作就完全失灵了。

    五、什么时候接受预测?什么时候拒绝?

    一个关键但容易被忽视的问题是:系统应该用什么标准来决定接受还是拒绝预测?研究团队测试了多种接受策略,结果揭示了一些颇为反直觉的规律。

    最宽松的策略叫ALWAYS——不管预测质量如何,只要不是空的就接受。这个策略下,系统的平均精确率只有9.3%,用户动作节省量跌到了负19.2%,也就是说反而给用户增加了将近20%的额外工作量。52条轨迹中有51条触发了安全上限(步骤数达到目标的120%就强制停止),说明不加节制地接受预测会让表格越改越乱。这个结果清晰地说明:系统必须有选择地说"不",而不是来者不拒。

    贪婪策略(GREEDY)只要预测能带来净收益(即用户节省的步骤数大于零)就接受,这是目前效果最好的策略之一,在多动作模式下实现22.3%的节省量和20.0%的接受率。与此相比,仅基于精确率的策略表现出人意料地差:P90(精确率达到90%才接受)只能节省17.0%,P60(精确率60%)只有13.3%,甚至P100(完全正确才接受)也只有19.9%,都比贪婪策略低。道理在于:精确率高不等于对用户有用,一个预测可能所有操作都对,但如果这些操作用户自己两秒钟就能做完,那接受预测并没有意义;反过来,一个精确率稍低的预测,如果能一次性完成大批操作,用户节省的总量可能更大。

    更严格的筛选策略(要求精确率100%且至少节省2步的HYBRID-2)接受率只有7.9%,节省量也降至17.5%——比贪婪策略低了将近5个百分点。这说明过于挑剔反而会错过大量"虽不完美但很有用"的预测,得不偿失。

    六、更多操作,更快越来越准

    研究结果还揭示了几个很有实际意义的规律。

    预测触发频率对最终效果影响巨大。每做一步就触发一次预测(步幅s=1)时,总节省量为22.3%;每做四步才触发一次(s=4)时降到14.7%;每做八步才触发(s=8)则只剩9.8%。触发越频繁,节省越多,尽管接受率反而随着触发频率降低而上升(s=8时接受率36.5%,远高于s=1时的20.0%)。原因是:频繁触发时预测质量参差不齐,很多被拒绝;但只要抓住了对的时机,一次接受就能节省多步,累积下来总量更可观。这个发现意味着,未来的研究方向之一是开发低成本、高精度的"预测时机判断器"——不是每步都触发,而是识别出最有可能出现规律性操作的时刻再触发。

    上下文窗口越长,预测越准,但收益递减。把模型能看到的历史操作数从8步增加到32步,节省量从19.9%提升到22.3%;增加到128步时提升到27.6%;但从128步继续增加到512步乃至2048步,收益几乎停滞(27.4%)。这说明大约最近128步的操作历史包含了绝大部分有用的预测信息,盲目扩大上下文窗口的边际收益很快就会消失。

    预测链越长,反而越容易被接受——当这种情况发生时。对于单次能预测多个操作的多动作模式,预测1步时接受率只有18%,预测4到5步时升到23%,预测11到15步时达到31%,超过15步时更高达51%。解释是:当模型选择一口气预测很多步时,通常是因为它识别到了一段强烈的重复模式(比如在一排格子里传播同一种格式),这种情况本来就是接受标准最容易满足的时候;而短预测往往对应着不那么确定的时刻,模型自己都没信心,接受率自然低。换句话说,预测长度本身是模型自信程度的隐性信号。

    随着操作序列推进,预测准确率也在持续提升。在轨迹最开头(前10%的步骤),接受率只有约12.5%;到了最后10%的步骤,接受率上升到约24%。这反映出一个"冷启动问题":操作刚开始时模式还没建立,预测基本是瞎猜;随着历史积累,模型越来越能识别用户的行为习惯和格式规律,预测也越来越靠谱。这个规律提示未来的系统可以采用自适应触发策略,早期少触发预测,等模式建立后再积极触发。

    不同类型的操作,预测难度差异悬殊。内容相关操作(输入数值、粘贴、填充颜色、合并单元格)的接受率明显高于样式相关操作(对齐、数字格式、边框)。GPT-5在输入数值操作上表现最好,因为它本身就对文字内容有强大的预测能力;而在线n元语法在合并、边框、粘贴等纯结构性重复操作上表现出人意料地不错。微调小模型的最大进步恰恰集中在未微调版本最差的几类操作上——数字格式、填充颜色、边框和自动填充各提升了约10个百分点,说明专项训练对这些"规律性强但语义弱"的操作类型最有效。

    预测中越靠前的操作越准。在被接受的预测中,位于预测序列前四分之一的操作有约19.5%达到100%精确率,而位于最后四分之一的操作这一比例降至约14.7%——助手在确定应该做什么时,先做对的部分,然后逐渐漂移失准。被拒绝的预测从头到尾都很差(前四分之一约3.5%,最后四分之一约1.5%)。这意味着,在单条预测内部也存在"及时打住"的机会:一个好的系统不仅要知道什么时候不发出预测,还要知道什么时候在预测进行到一半时喊停,砍掉末尾那些没把握的操作。

    七、这套"考试"到底教会了我们什么?

    如果用一句话概括这项研究的核心发现,那就是:表格操作预测是一个真实可学的任务,但要做好它,"何时不说话"和"何时说话"一样重要。

    研究团队发现,大模型的能力与任务表现呈现清晰的正相关,这排除了"表格预测完全是运气"的可能性,说明确实存在可以学习的规律。同时,3.6亿参数的小模型经过专项微调后几乎追上了GPT-5,说明任务本身并不要求无边际的通用智能,合适的训练数据和合适的任务设计可以让小而精的模型发挥大作用。

    另一方面,ALWAYS策略的惨败(负19.2%节省量)清晰说明了"不知道什么时候停下来"是当前所有模型的共同软肋。现有的大模型在没有明确用户意图信号的情况下,既不知道该不该发出预测,也不知道预测到哪里该停下,这是未来必须专门研究的方向。

    接受策略的比较结果则揭示了一个更深刻的真相:系统的价值不由预测的正确率单独决定,而由正确率和覆盖范围共同决定。一个稍微不那么精确但覆盖面广的预测,往往比一个精确但很保守的预测给用户带来更多实际收益。这意味着未来的评估和训练都不能只盯着精确率,而必须把"用户实际节省了多少努力"纳入核心优化目标。

    归根结底,这项研究的意义并不只是给现有系统打了个分。它提供了一整套方法论——如何构建真实的测试数据、如何设计能捕捉交互动态的评估机制、如何用多粒度指标诊断系统的具体短板。任何想在这个方向继续深挖的团队,都能在这套框架里找到明确的起点和努力方向。下次当你坐在电脑前,对着表格一遍遍重复同样的格式操作时,也许离一个真正能读懂你意图的"表格副驾"已经没有那么遥远了。

    有兴趣深入了解技术细节的读者,可以通过arXiv编号2606.13802查询完整原文,代码和数据集也已在论文中提及的GitHub仓库公开。

    Q&A

    Q1:电子表格操作预测和代码自动补全有什么区别,为什么表格更难?

    A:代码是线性的文字序列,一行接一行,规律相对集中,现有的补全技术可以直接套用。表格是二维的,同一个最终效果可以由完全不同的操作顺序产生,操作还会影响空间上分散的区域,加上公开数据库里根本没有"制作过程"的记录,只有做好的成品,这让数据收集和模式学习都比代码补全困难得多。

    Q2:微软这套评估框架为什么要用"在线评估"而不是传统打分方式?

    A:传统评估是在草稿纸上打分——预测对了就得分,但错了也不影响后续。实际使用中,预测一旦被采纳就会真实改变表格状态,一个错误会引发后续一连串的连锁修正。在线评估就是让预测真的"落地执行",把因此产生的额外修正工作量都计入成本,得到的结果才能反映用户真实的使用体验,而不是假设性的理想情况。

    Q3:专门针对表格操作微调的小模型,为什么能接近比它大得多的GPT-5?

    A:表格操作预测高度依赖"局部重复模式",比如把同一种边框格式沿一行传播、把相同颜色填到一列数据里。这类规律性强但语义弱的任务,不需要海量通用知识,只需要在大量真实表格操作序列上反复见过这些模式,小模型一样能掌握。专项微调恰好提供了这种训练信号,所以3.6亿参数的模型在这个任务上能几乎追上千亿参数级别的通用大模型。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关 微软
    相关文章 更多
    微软推出Project Zenith:面向Windows 11开发者的AI硬件加速方案
    微软推出Project Zenith:面向Windows 11开发者的AI硬件加速方案

    微软于9月5日推出Project Zenith,旨在为Windows 11开发者提供更高效的AI开发体验。该项目目前仅支持配备超过64GB统一内存及250GB/s内存带宽的特定硬件,首发适配AMD Ryzen AI Halo设备。通过此项目,开发者可在本地运行参数超过300亿的AI模型,后续将分阶段扩展至更多合作伙伴设备。

    微软再遭噩梦!黑帽研究员连发两枚零日漏洞:Defender成突破口
    微软再遭噩梦!黑帽研究员连发两枚零日漏洞:Defender成突破口

    匿名黑客“夜行星球”连续披露两枚严重Windows零日漏洞:RoguePlanet利用Defender竞争条件实现本地权限提升,GreatXML可完全绕过BitLocker加密。微软尚未发布安全补丁,目前无大规模利用迹象,但实际威胁较大,需进一步评估与密切关注。

    微软DirectX高级着色器交付正式商用,全平台加速游戏
    微软DirectX高级着色器交付正式商用,全平台加速游戏

    微软DirectX高级着色器交付功能正式商用,整合进XboxPC应用。支持Windows1124H2及以上系统及AMD全系RDNA显卡。以《极限竞速:地平线6》为例,加载时间从90秒缩至4秒,并减少画面卡顿。已适配多款游戏,未来将扩展更多设备。

    微软 XBOX《使命召唤》游戏核心工作室换帅:22 年 Treyarch 负责人马克 · 戈登退休
    微软 XBOX《使命召唤》游戏核心工作室换帅:22 年 Treyarch 负责人马克 · 戈登退休

    动视旗下Treyarch工作室长达22年的负责人马克·戈登宣布了退休,他曾主导《使命召唤:战争世界》以及《黑色行动》系列开发。凯文·亨德里克森与耶尔·米勒正式出任联席工作室负责人,两位共同接替其后续工作。

    鲍尔默曾嘲讽Chrome只是数据误差!17年过去Edge市占仅5%
    鲍尔默曾嘲讽Chrome只是数据误差!17年过去Edge市占仅5%

    在2009年,微软CEO鲍尔默曾经嘲讽Chrome为“舍入误差”。十七年之后,Chrome以百分之七十点二五的份额统治浏览器市场,而微软Edge却仅占百分之五点一四。IE已于二零二四年退场,Edge即便基于Chromium重构也始终未能突破个位数份额。

    皮查伊回忆Chrome崛起之路:曾被鲍尔默轻视,靠快速迭代终成霸主
    皮查伊回忆Chrome崛起之路:曾被鲍尔默轻视,靠快速迭代终成霸主

    二〇〇八年谷歌浏览器问世,遭微软首席执行官鲍尔默轻视。皮查伊率团队每六周迭代快速进化,二〇一二年超越所有对手成全球最广泛浏览器,此胜巩固其内部声望并铺就升任首席执行官之路。

    从
    从"Token竞赛"到"Token节流":月人均成本7500美元,天价账单倒逼巨头集体踩刹车

    企业AI支出从鼓励Token消耗转向严格管控,AT&T、Meta、Uber等巨头纷纷限制AI使用权限。成本压力是主因,高使用强度企业月人均AI支出达7500美元。这一转变催生了AI成本监控与优化工具的需求,微软、Databricks等公司迎来增长机会。

    微软 Win11 多个通道更新预览版:提升文件管理器稳定性
    微软 Win11 多个通道更新预览版:提升文件管理器稳定性

    微软发布Windows11多个通道预览版更新,系统进入26H2分支。深色模式下文件管理器复制对话框统一深色模式及稳定性提升,安装应用后应用无需重启即可在开始菜单显示。任务栏图标截断问题获修复,虚拟机与游戏蓝屏错误得到解决。

    微软第 12 代 Surface Pro / 第 8 代 Surface Laptop 新增 8GB 内存版 849 美元起
    微软第 12 代 Surface Pro / 第 8 代 Surface Laptop 新增 8GB 内存版 849 美元起

    微软近日为第十二代SurfacePro和第八代SurfaceLaptop新增八GB内存版本,其起售价分别为八百四十九美元和九百四十九美元,硬盘均配备了二百五十六GB固态硬盘。这两款新品不属于Copilot+PC产品线,原有的十六GB版本则继续销售。

    微软Xbox主机大幅涨价:XSX/XSS多型号提价百至百
    微软Xbox主机大幅涨价:XSX/XSS多型号提价百至百

    微软XboxSeriesX|S大幅涨价:1TB版涨150美元,512GB版涨100美元,2TB停产。2026年8月1日生效,因存储芯片成本涨2.5倍。同步推出分期、置换及翻新机优惠。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。