下午,安卓手機內容聚合平臺豌豆莢發(fā)布4.0新版,并正式宣布以“移動內容搜索”為核心戰(zhàn)略。
搜索:從應用深入到內容 基于移動端數(shù)據(jù)
作為安卓手機內容聚合平臺,一直以來,豌豆莢都以“移動內容搜索”為方向進行投入和發(fā)展,在豌豆莢聯(lián)合創(chuàng)始人、,成為人們接入網絡最主要的一“屏”。
王俊煜 2010年與2014年豌豆莢辦公室對比圖
王俊煜強調,豌豆莢在搜索上所積累的數(shù)據(jù)基于移動。手機搜索不是PC搜索的延伸,而是來自移動端的內容和用戶行為數(shù)據(jù)。
統(tǒng)一搜索入口 百萬內容資源
會上,豌豆莢“移動內容搜索”在豌豆莢 版上也得到了完整的呈現(xiàn),將搜索擴展到包括應用、游戲、視頻、電子書、壁紙、主題、音樂等在內的多個娛樂類別,并通一致的內容呈現(xiàn)出來。
在呈現(xiàn)上,用戶可從統(tǒng)一的搜索入口發(fā)現(xiàn)自己想要的內容,免去了進入多個應用進行多次搜索的過程。
例如,用戶想看《仙劍奇?zhèn)b傳》,搜索出來的包括視頻、游戲、電子書、壁紙、應用等多類相關內容,且可在不同類別中間直接切換。而當一個關鍵詞對應不同類別的娛樂內容時,新版豌豆莢將憑借積累的移動用戶行為數(shù)據(jù),判斷在手機上用戶希望優(yōu)先獲取哪類內容、并優(yōu)先展示。
值得一提的是,豌豆莢在應用和游戲、視頻、電子書、壁紙的內容索引都已經超過100萬。
支持開放
豌豆莢4.0版本中基于內容的搜索方式,提供了簡單的技術接口,開發(fā)者能以原生應用自由接入豌豆莢,無需重新構建產品。豌豆莢不會將用戶和流量圈在自己的產品內,而是告訴用戶在哪里可以找到他們想要的內容,然后將用戶和流量直接導到開發(fā)者的產品中,為開發(fā)者帶來收益。
王俊煜指出:“移動內容搜索”戰(zhàn)略離不開開發(fā)者,豌豆莢希望最大化開發(fā)者利益,建立更開放的生態(tài)系統(tǒng)。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。
關注科技創(chuàng)新、技術投資。
以文會友,左手硬核科技,右手浪漫主義。