互聯(lián)網(wǎng)巨頭在移動金融領(lǐng)域的戰(zhàn)火從未停息,“移動理財”成為爭奪這個市場制高點的關(guān)鍵詞。而理財類APP的出現(xiàn),帶來了流量入口,為金融行業(yè)更好的發(fā)展注入了新的動力。一直神秘低調(diào)的樂視第七大子生態(tài)互聯(lián)網(wǎng)金融,也在移動金融領(lǐng)域率先落子。
日前,樂視的首款金融類APP——樂視金融,已于6月30日悄然登陸蘋果商店和安卓應用寶。
記者觀察發(fā)現(xiàn),樂視金融APP面向用戶提供理財產(chǎn)品購買、收益查詢、資訊推薦等多元化金融服務。同時,這款APP也融入了更多趣味化元素,從首款公開發(fā)售的歐洲杯專題理財產(chǎn)品可以看出,樂視金融致力于打造的是迎合用戶“娛樂化消費習慣”的金融服務需求,也將增加用戶對其使用黏性。
此前,坊間就有傳聞稱,樂視金融的首款內(nèi)購理財產(chǎn)品“樂樂發(fā)”一經(jīng)推出便引發(fā)了認購熱潮。隨著樂視金融官方APP的上線,其面向的用戶將實現(xiàn)全面覆蓋,“口袋”里的金融將極大地刺激全民理財需求的釋放。
記者注意到,從功能和體驗上來講,這款號稱“史上最好玩、最會賺錢”的APP充分發(fā)揮了互聯(lián)網(wǎng)金融利用時間的碎片化進行趣味理財?shù)男枨螅瑯O大地滿足了用戶的移動理財場景。當下,利用碎片時間打理投資,對于當下消費主力人群的80、90后來說已是趨勢。移動理財在保證交易安全的基礎上,不僅能為用戶帶來較為理想的收益,同時還可以為用戶提供資產(chǎn)詳情,高效管理自己的理財動態(tài)。
這種新型的理財方式突破了傳統(tǒng)理財業(yè)務上時間和空間上的限制,讓用戶在方便之余也能享受專業(yè)級別的理財服務。
隨著樂視金融APP的面世,樂視七大子生態(tài)在移動端的戰(zhàn)略布局已日趨完善,形成了“以生態(tài)用戶為核心”強大的移動服務矩陣。業(yè)內(nèi)人士預測,在此基礎上,樂視金融將通過“移動支付”這一核心點,從用戶流量和資金流兩大方面,串聯(lián)起樂視生態(tài)體系中所有的產(chǎn)品,真正為用戶打造完整的服務閉環(huán),同時也構(gòu)成了樂視旗下各子生態(tài)間協(xié)同驅(qū)動發(fā)展的模式。
目前,各大金融機構(gòu)、互聯(lián)網(wǎng)企業(yè)甚至是傳統(tǒng)企業(yè),都在移動金融領(lǐng)域開始布局。樂視金融此次以互聯(lián)網(wǎng)理財為切入點,除了讓自身在移動端的戰(zhàn)略布局更加廣闊和深化之外,更是將著眼點放在整個移動互聯(lián)網(wǎng)金融的生態(tài)布局建設中,從而占據(jù)更加主動的位置。
據(jù)第三方調(diào)研機構(gòu)分析,國內(nèi)使用金融理財APP的用戶,已在個人財務管理意識上已經(jīng)獲得啟蒙,并有追求財務進階的需求,這類用戶是最有消費潛力的群體。金融理財類APP圈占的是這部分最具價值的用戶群體,通過這些交易數(shù)據(jù)能夠較為準確描述出該用戶的行為畫像,而這些“大數(shù)據(jù)”這是理財APP開發(fā)者未來的商業(yè)價值所在。
ET時代下,基于“互聯(lián)網(wǎng)+”“雙創(chuàng)”等鼓勵政策,金融行業(yè)迎來了為用戶創(chuàng)造全新價值的風口,而樂視以生態(tài)模式布局互聯(lián)網(wǎng)金融領(lǐng)域,希望再一次成為造風者。從去年底以來的一系列布局看,一直潛行水下的樂視金融已經(jīng)頗具規(guī)模,厚積薄發(fā)、一鳴驚人的時刻即將到來。
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。