Brave浏览器URL栏智能建议功能升级:从"Top sites"到"Top suggestions"
Brave浏览器在1.77版本中对URL栏的自动补全功能进行了重要升级,将原有的"Top sites"(热门网站)功能扩展为更全面的"Top suggestions"(热门建议)功能。这项改进显著提升了用户在地址栏输入时的搜索体验。
功能演进背景
传统浏览器在地址栏的自动补全功能通常分为两类:一类是基于用户历史访问记录的网站建议,另一类是与搜索引擎集成的搜索建议。Brave浏览器原先采用这种分离的设计,但用户反馈表明,这种分离式体验不够连贯。
在1.77版本中,Brave团队决定将这两类建议进行更紧密的整合。原先的"Top sites"功能仅提供用户经常访问的网站建议,而新的"Top suggestions"功能则同时包含本地设备上的热门网站和搜索建议,为用户提供更全面的输入辅助。
功能实现细节
新的"Top suggestions"功能通过以下方式工作:
-
本地设备建议:系统会基于用户本地的浏览历史和搜索记录生成建议,这些数据不会离开用户设备,符合Brave的隐私保护原则。
-
搜索建议整合:当用户输入查询词时,系统不仅会显示可能的完整URL,还会提供相关的搜索建议。
-
智能优先级排序:系统会根据用户的使用习惯自动调整建议的显示顺序,最相关的建议会优先显示。
用户控制选项
为了满足不同用户的偏好,Brave提供了精细的控制选项:
-
"Top suggestions"开关:位于浏览器设置的"外观"部分,控制是否显示本地设备生成的建议(包括热门网站和搜索建议)。
-
"改进搜索建议"开关:位于搜索设置中,控制是否从默认搜索引擎获取搜索建议。
这两个设置可以独立配置,形成四种组合:
- 两者都开启:显示完整的建议(本地+搜索引擎)
- 仅开启"Top suggestions":只显示本地生成的建议
- 仅开启"改进搜索建议":只显示来自搜索引擎的建议
- 两者都关闭:完全禁用所有自动补全建议
技术实现考量
这项改进在技术实现上有几个关键点:
-
本地处理优先:所有基于本地的建议生成都在用户设备上完成,不依赖外部服务器,确保用户隐私。
-
性能优化:建议生成算法经过优化,即使在大量历史数据的情况下也能快速响应。
-
资源占用控制:系统会定期清理过时的建议数据,保持数据库的高效运行。
用户体验提升
这项升级带来的主要体验改进包括:
-
更连贯的输入体验:用户不再需要在网站建议和搜索建议之间切换思维模式。
-
更智能的预测:系统能更好地理解用户的真实意图,无论是想访问特定网站还是进行搜索。
-
更个性化的结果:建议会随着使用不断优化,越来越符合用户的个人习惯。
升级注意事项
对于从旧版本升级的用户:
-
原有设置中的"Top sites"选项会自动转换为"Top suggestions"并保持原有状态。
-
用户的历史数据会被保留并用于生成新的综合建议。
-
如果用户之前关闭了"Top sites",升级后需要手动开启"Top suggestions"才能使用扩展后的功能。
这项改进体现了Brave浏览器在保持隐私保护核心原则的同时,不断优化用户体验的承诺。通过将本地智能与用户控制完美结合,为用户提供了既强大又尊重隐私的浏览体验。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
yuanrongopenYuanrong runtime:openYuanrong 多语言运行时提供函数分布式编程,支持 Python、Java、C++ 语言,实现类单机编程高性能分布式运行。Go051
MiniCPM-SALAMiniCPM-SALA 正式发布!这是首个有效融合稀疏注意力与线性注意力的大规模混合模型,专为百万级token上下文建模设计。00
ebook-to-mindmapepub、pdf 拆书 AI 总结TSX01