
下午,安卓手机内容聚合平台豌豆荚发布4.0新版,并正式宣布以“移动内容搜索”为核心战略。
搜索:从应用深入到内容 基于移动端数据
作为安卓手机内容聚合平台,一直以来,豌豆荚都以“移动内容搜索”为方向进行投入和发展,在豌豆荚联合创始人、,成为人们接入网络最主要的一“屏”。
王俊煜 2010年与2014年豌豆荚办公室对比图
王俊煜强调,豌豆荚在搜索上所积累的数据基于移动。手机搜索不是PC搜索的延伸,而是来自移动端的内容和用户行为数据。
统一搜索入口 百万内容资源
会上,豌豆荚“移动内容搜索”在豌豆荚 版上也得到了完整的呈现,将搜索扩展到包括应用、游戏、视频、电子书、壁纸、主题、音乐等在内的多个娱乐类别,并通一致的内容呈现出来。
在呈现上,用户可从统一的搜索入口发现自己想要的内容,免去了进入多个应用进行多次搜索的过程。
例如,用户想看《仙剑奇侠传》,搜索出来的包括视频、游戏、电子书、壁纸、应用等多类相关内容,且可在不同类别中间直接切换。而当一个关键词对应不同类别的娱乐内容时,新版豌豆荚将凭借积累的移动用户行为数据,判断在手机上用户希望优先获取哪类内容、并优先展示。
值得一提的是,豌豆荚在应用和游戏、视频、电子书、壁纸的内容索引都已经超过100万。
支持开放
豌豆荚4.0版本中基于内容的搜索方式,提供了简单的技术接口,开发者能以原生应用自由接入豌豆荚,无需重新构建产品。豌豆荚不会将用户和流量圈在自己的产品内,而是告诉用户在哪里可以找到他们想要的内容,然后将用户和流量直接导到开发者的产品中,为开发者带来收益。
王俊煜指出:“移动内容搜索”战略离不开开发者,豌豆荚希望最大化开发者利益,建立更开放的生态系统。
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。