
毋庸置疑,2013年对T-Mobile而言具有重要的历史意义。当地时间本周三,该公司报告称,2013年全年增加新用户440万人,一举扭转了客户流失局面。
CES展期间,T-Mobile CEO约翰·莱格尔(John Legere)在公司新闻发布会上报告了T-Mobile第四季度用户增长情况,指出第四季度增加160万名新用户,2012年同期却流失51.5万后付费用户。
莱格尔说:“第四季度表现相当完美,创下了连续三个季度用户增长人数均在100万以上的记录。”
莱格尔强调,2013年新增440万用户中,86.9万人为后付费用户,约11.2万人为预付费用户。他还说,大量客户来自其他运营商如AT&T和Sprint。
2013年T-Mobile局面好转,主要归功于公司的新UnCarrier战略:使T-Mobile摆脱服务合约与手机补助,添加一个新升级计划,提供免费国际数据漫游服务,向平板电脑用户赠送200MB免费数据。莱格尔说,UnCarrier战略宗旨就是改变业界,他希望竞争对手也会做出改变。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。