社交和互動是移動互聯(lián)網(wǎng)生態(tài)中不可或缺的基因。這也是為什么許多原本注重單一功能的移動應用,都在盡可能的加入社交元素或增值服務,并希望實現(xiàn)基于核心功能的獨立的用戶生態(tài)。本周,剛剛完成了一次重大更新的網(wǎng)易新聞客戶端,就通過打造了一個包含核心的新聞內(nèi)容、增值服務、用戶成長體系和社交元素在內(nèi)的閉環(huán)生態(tài),進一步強化了建立在新聞客戶端基礎(chǔ)上的用戶生態(tài)圈。
與內(nèi)容同等重要的精細運營戰(zhàn)略
這次iOS平臺上的網(wǎng)易新聞客戶端5.0更新,最直觀的改變是采用更趨扁平化的功能分布??蛻舳说娜抗δ芎蛢?nèi)容,都被整合到“新聞、閱讀、視聽、發(fā)現(xiàn)、我”五個首屏的同級標簽中。其中“閱讀”和“視聽”包含了網(wǎng)易新聞客戶端最具標志性的原創(chuàng)內(nèi)容和視聽新聞——它們從二級選項移動到首屏,與“新聞”并列,是基于滿足多元化、多情境閱讀的需要。與此同時,以周邊和增值服務為主題的“發(fā)現(xiàn)”和用戶體系的“我”也成為一級選項,則可以看出網(wǎng)易在原本的用戶精細運營基礎(chǔ)上,將以用戶為主體的生態(tài)上升到與內(nèi)容同等重要的地位。
這是否可以看作是網(wǎng)易新聞客戶端在策略上的微調(diào)?如果說以往新聞客戶端的核心是內(nèi)容提供,這次網(wǎng)易的改變,則可以看作是內(nèi)容與用戶體系的“兩條腿走路”。據(jù)觀察,目前同類產(chǎn)品中,尚沒有人將用戶運營上升到與內(nèi)容制造同等重要的位置?;蛟S這也預示著新聞客戶端單純拼內(nèi)容的時代已經(jīng)過去,用戶生態(tài)將成為新聞客戶端競爭的新戰(zhàn)場。
升級版的用戶生態(tài)圈
在此前的網(wǎng)易新聞客戶端上,已經(jīng)初步建立起用戶生態(tài)圈。在4.0版本中,就已經(jīng)有了基于金幣和任務的用戶成長體系,用于用戶消費的金幣商城,還有可以與新聞內(nèi)容銜接的周邊或增值服務。相對于傳統(tǒng)新聞客戶端中內(nèi)容與用戶之間的雙向線性流動,網(wǎng)易新聞客戶端已經(jīng)建立起了內(nèi)容、服務、用戶的閉環(huán)生態(tài)系統(tǒng)。
當然,成熟的生態(tài)系統(tǒng)中,需要豐富的產(chǎn)品和服務,以吸引用戶的參與。5.0版網(wǎng)易新聞客端的“發(fā)現(xiàn)”版塊就是對原有周邊和增值服務的一次完善與升級。用戶會發(fā)現(xiàn),大量的線上、線下服務需求在這里都可以得到滿足。
在線上部分,金幣商城升級為有態(tài)度俱樂部,打造新聞客戶端的自由購物平臺。還有應用和游戲的分發(fā)中心,以及口碑良好的網(wǎng)易彩票平臺。同時,還包括了網(wǎng)易的線上公益平臺。線下服務部分,“身邊服務”版塊將與用戶息息相關(guān)的服務進行整合,如:“美食”、“電影”、“旅游”、“求職”。這些線上線下的增值服務,還能與新聞和閱讀的內(nèi)容掛鉤,用戶看到與服務有關(guān)的內(nèi)容后,可以直接在新聞客戶端內(nèi)找到入口。
在升級生態(tài)圈中的服務同時,網(wǎng)易也在加強個人的社會屬性。5.0版本網(wǎng)易新聞客戶端中單獨推出的“我”版塊,正是為了強化用戶的在這個生態(tài)系統(tǒng)中的自我意識。通過跟貼等級、金幣積分體系、任務設置等,構(gòu)成生態(tài)圈中的社會層級,并強化用戶對新聞客戶端的影響力,提升用戶自身存在感。
從5.0版本的這些變化和升級中可以看出,打造新聞客戶端生態(tài),進行用戶的精細化運營已經(jīng)成為網(wǎng)易的下一個攻堅目標。當然,在形成活躍的生態(tài)之后,如何將其轉(zhuǎn)化為商業(yè)收益,仍是需要網(wǎng)易思考的問題。但無論結(jié)果如何,新聞客戶端從資訊提供者到O2O商業(yè)模式整合者的角色轉(zhuǎn)化都是大潮流下的細分趨勢,從這一點來說,網(wǎng)易新聞客戶端目前選擇的道路是正確的。
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(zhuǎn)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(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(lǐng)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(jīng)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(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。