作為手機(jī)的"第0屏",鎖屏是用戶與手機(jī)內(nèi)容和信息接觸的起點。但據(jù)2014年aviate智能平臺調(diào)研的數(shù)據(jù)顯示,全球每臺智能手機(jī)用戶每天要解鎖手機(jī)115次,與應(yīng)用互動100余次,頻繁的解鎖也使得人與手機(jī)的交互變得不高效。
1月28日,豌豆莢正式發(fā)布基于應(yīng)用內(nèi)搜索技術(shù)的“Snap效率鎖屏”。豌豆莢現(xiàn)在依然定位“移動內(nèi)容搜索”,該產(chǎn)品將通知信息連接鎖屏界面,不解鎖手機(jī)也能查看通知。
與傳統(tǒng)強(qiáng)調(diào)主題和美化鎖屏產(chǎn)品模式不同,“Snap效率鎖屏”強(qiáng)調(diào)效率,將待處理信息移至鎖屏界面。豌豆莢聯(lián)合創(chuàng)始人兼CEO王俊煜表示,未來豌豆莢還將在該應(yīng)用上整合更多的功能。
據(jù)悉,“Snap 效率鎖屏”目前已經(jīng)接入“墨跡天氣”、“大眾點評”、“今日摘要”等日常應(yīng)用,也將類似“票券夾”等管理用戶電子票據(jù)的生活服務(wù)功能整合其中。如果用戶沒有安裝相關(guān)應(yīng)用,會打開相應(yīng)應(yīng)用的HTML5頁面,強(qiáng)化“簡化用戶操作”。
對于豌豆莢來說,“Snap效率鎖屏”的發(fā)布,同樣是為了爭奪移動內(nèi)容入口,同樣是定位“移動內(nèi)容搜索”。
事實上,早在2014年3月,豌豆莢就曾發(fā)布“應(yīng)用內(nèi)搜索技術(shù)協(xié)議”,規(guī)定了應(yīng)用內(nèi)內(nèi)容的檢索、收錄和應(yīng)用調(diào)起的標(biāo)準(zhǔn)。而開發(fā)者只需通過三個步驟即可接入豌豆莢:描述應(yīng)用內(nèi)內(nèi)容、向豌豆莢提交內(nèi)容信息、使應(yīng)用支持外部調(diào)起。
通過這個協(xié)議,豌豆莢打通了應(yīng)用、游戲、視頻、小說等產(chǎn)品,有能力引導(dǎo)用戶直接打開應(yīng)用消費這些內(nèi)容。
此次發(fā)布的“Snap效率鎖屏”同樣是基于“應(yīng)用內(nèi)搜索技術(shù)”,王俊煜稱,應(yīng)用內(nèi)搜索帶給豌豆莢兩種獨特的能力:一種是能夠打通各種應(yīng)用、全面準(zhǔn)確地收錄各種內(nèi)容;另一種是縮短用戶與應(yīng)用內(nèi)信息的距離、讓用戶直達(dá)行動。
至于信息安全問題,Snap效率鎖屏產(chǎn)品經(jīng)理汪超駿透露,后續(xù)版本中將增加隱私分級功能,可個性化設(shè)置內(nèi)容的安全等級,隱藏相關(guān)應(yīng)用內(nèi)容。
與iOS信息推送類似,Snap也將會微信、QQ等部分聊天內(nèi)容呈現(xiàn)在鎖屏上。
“Snap 效率鎖屏”已更新至3.1版本,根據(jù)豌豆莢官方數(shù)據(jù)顯示,該應(yīng)用已積累 450 萬用戶,增長率達(dá)到 100%。平均每個“Snap 效率鎖屏”用戶每天點亮屏幕108次,平均每天在下午5點呈現(xiàn)使用高峰、在晚上9點達(dá)到最高峰值——平均亮屏11.9次,基本每5分鐘會收到一條通知。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)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(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)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(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)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(zhǔn)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(qiáng)于驗證答案質(zhì)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(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)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(xùn)練效率,已在多個任務(wù)上驗證有效性。