來自網易內部的消息基本證實,網易新聞客戶端已經向AppStore提交了5.0版本的更新,如果審核順利,即將在一周內正式發(fā)布。對于這次更新,有網易工作人員已經對外明確表示:“將是網易新聞客戶端最重大的一次改變,其中界面、使用邏輯和功能設置可能都會發(fā)生較大調整”。
一直以來,網易新聞以“有態(tài)度”和“神跟貼”吸引了眾多忠實用戶的簇擁,而每一次的版本更新也在不斷地挑逗著用戶體驗的癢點,從1.0的精品類閱讀,到2.0的手機端原創(chuàng)欄目的應用,還有3.0的用戶積分系統和活動廣場的資訊應用,再到4.0的智能定制和個性化推薦,都引領了同類產品的跟風潮流和用戶的熱烈點贊。因此,網易工作人員的話也引發(fā)了諸多猜想?原有內容構架是否會被推翻,界面風格是否會有較大變化,老用戶能否接受新的改變?
目前,網易對5.0的具體變化依然處于保密狀態(tài),不過從新聞資訊類App的發(fā)展趨勢,用戶習慣的變化和以往網易的升級思路,也可以對即將到來的網易新聞客戶端進行一番“無責任”猜想。
猜想一:界面可能進一步簡化和扁平化
作為門戶網站的移動端延伸,網易新聞客戶端的身上有著很深的門戶烙印,其中一個顯著特點就是內容極其豐富,入口眾多,甚至讓人感到有些龐雜。用戶原本感興趣的內容可能隱藏較深,無法實現有效曝光。
想必新版本的網易新聞客戶端也會考慮到這個問題,移動端產品的一個關鍵要素就是“短平快”,碎片化的閱讀習慣讓用戶無暇顧及隱藏較深的內容入口,只有最短的鏈條反饋才能勾起用戶的使用興趣,信息層級的簡化和扁平化是移動客戶端的大趨勢,因此網易很可能將更多內容整合到少數幾個入口中,給用戶提供更加人性化的使用體驗。
同時這也會讓人想到,網易這次會不會拿左右抽屜界面來“開刀”。在目前的版本中,抽屜式導航的交互設計隱藏了非核心的操作功能,讓核心的新聞標題和概述內容以更加寬廣的視野呈現。然而在大屏幕已經成為手機標配的今天,抽屜設計不僅對內容呈現的貢獻不多,反而帶來操作上的繁瑣,之前網易內部有傳言會在新版本取消抽屜設計,或許5.0將是一個最好的契機。
猜想二:提升多媒體新聞的重要級
多媒體的新聞表現形式可以說是網易新聞客戶端的重要標志。其中“聽新聞”因為給了用戶一種解放雙手和眼睛的新聞獲取方式而廣受好評,甚至連輕松一刻都有了語音版。同時隨著4G快速普及,以往屬于奢侈享受的視頻新聞的點擊量也在增加。
相信網易必然不會讓自己在多媒體新聞上的優(yōu)勢“受委屈”。在新版本中很可能會提升多媒體新聞的優(yōu)先級,例如在首屏放置更加明顯的入口,或是將此類內容放在更靠前的推薦中。
此外,新版客戶端會不會帶來新的多媒體新聞形式也值得期待。當前版本中,網易已經在聽新聞和視頻新聞的基礎上衍生出了語音跟貼、跟貼彈幕等兼顧社交屬性的多媒體表現方式,相信對于互動性有著偏執(zhí)追求的網易新聞客戶端來說,這些創(chuàng)新遠不是“腦洞大開”的終點。
猜想三:精細化用戶運營
網易新聞客戶端的用戶是它的優(yōu)勢,憑借著層出不窮的各種神跟貼,以及深受網友們熱捧的“輕松一刻”等原創(chuàng)欄目,網易新聞客戶端建立了良好的用戶口碑和使用粘性,另外獨具一格的用戶成長體系也進一步挖掘了網友的活躍度和參與度。
在新版本中,客戶端的社交功能或許會出現在更容易觸及的位置,鼓勵用戶進行基于新聞閱讀和新聞分享的互動。當新聞和社交綁定在一起,傳播的維度和潛力都是巨大的,預計網易新聞客戶端一定會給新聞社交屬性賦予更大的空間,把自身優(yōu)勢放大。
其實,移動端產品的迭代不僅僅是為了迎合用戶,還需要引導用戶。不過面對已經培養(yǎng)起來的使用習慣,過于激烈的更新換代或許會讓部分用戶感到不適應。對此,可以進一步猜測網易對于此次升級必定會有所控制,在“度”的把握上有自己的態(tài)度。
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學推理能力提升8.6%,通用推理提升8.4%,且無需任何數學題目作為訓練材料。研究發(fā)現游戲中的三種推理模式能成功轉移到數學解題中,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,結合深度學習和數學優(yōu)化方法,在合成數據集上實現37.9%的精度提升,并在真實設備上展現出色泛化能力,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,經過強化學習訓練的視覺語言模型雖然表現出"頓悟時刻"現象,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等頂尖機構聯合提出SparseLoRA技術,通過動態(tài)稀疏性實現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。