
Facebook于当地时间本周三宣布,该公司已经与很受欢迎的跨平台移动消息应用WhatsApp的母公司达成协议,同意以160亿美元左右的现金加上30亿美元左右的股票,收购WhatsApp。Facebook在提交给美国证券交易委员会(SEC)的文件中宣布了这一消息。
在这笔并购交易中,Facebook将以其价值120亿美元的183,865,778股股票,以及40亿美元现金收购WhatsApp全部资产。同时,Facebook已承诺在收购完成后,将向WhatsApp创始人和员工发放45,966,444股受限制股票,价值30亿美元,这相当于Facebook又为这笔交易额外添加了30亿美元的价值。该批限制股票将在交易完成四年后行权。
Facebook首席执行官马克•扎克伯格(Mark Zuckerberg)在其发表在Facebook上的一篇文章中说道:“我很激动地宣布,我们已经同意收购WhatsApp,而且他们整个团队将会加入Facebook。我们的使命就是让世界更加开放更加相连。通过构建一种服务,帮助人们与任何他们希望分享的人分享他们喜欢的任何类型的东西,我们正在完成着这一使命。WhatsApp的加入将有助于我们继续开发世界各地的人们喜欢每天使用的一种服务。”
Facebook在一份新闻稿中说道,WhatsApp目前拥有4.5亿月活跃用户,其中日活跃用户比例达70%以上。此外,该服务每日还会增加100万名新注册用户。与照片分享应用Instagram一样,Facebook仍保留WhatsApp品牌,继续与Facebook保持独立运行。
这笔天文数字一样的收购价足以说明Facebook是多么渴望将其最大的竞争对手之一囊入囊中。尽管WhatsApp的核心功能是帮助用户之间收发信息,但它创办5年以来其规模已逐渐超过Facebook的三分之一,并提供了一个更加独立的社交体验,深受年轻人和外国人喜爱。
据WhatsApp创始人兼首席执行官简•库姆(Jan Koum)表示,尽管Facebook一直力图征服世界其他地方并保持较高的参与度,而网络恰好赋予了它一个有利条件,但至少WhatsApp不会成为另一个广告渠道。
库姆表示:“无论你在世界何处,无论你使用哪款智能手机,你都可以继续使用WhatsApp,而且它绝对和以前一样,不会有广告打扰你的通讯。如果我们不得不妥协这项定义我们公司、愿景和产品的核心原则,那么我们两家公司之间的合作就不会达成。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。