近日,韩都衣舍聚划算品牌团,开场仅5分钟销售额突破了150万,三天的品牌团销售额超1000万,单团销售突破10万件。之前最好的成绩是,聚划算女装日常活动3天销售了700万,此次韩都品牌团破千万,创造了聚划算女装类目(除双11和大型活动之外)日常品牌团有史以来最高的销售记录。据悉,韩都衣舍销售额过千万的品牌团活动,也是中国的电商闪购模式的一次新的记录创造者。

韩都衣舍营销中心总监徐晓锋表示,“在聚划算品牌团方面的巨大成功,首先得益于明星代言的营销造势,另外在于其以产品为核心的精细化运营。”
《来自星星的你》在国内大火,剧中男女主角全智贤和金秀贤也备受关注。继金秀贤爆出将代言数家中国企业之后,全智贤也爆出将签约日本优衣库以及中国的快时尚品牌韩都衣舍的消息。一石激起千层浪,电商企业聘请明星作为自家品牌代言人的话题一时间甚嚣尘上。韩都衣舍认为,互联网时代是“粉丝经济”的时代,对于品牌“人格化”的要求更高。合适的品牌代言人可以使品牌形象更加丰满、具象,有利于培养顾客的品牌忠诚度。韩都衣舍的品牌定位是“韩风快时尚”,宣传口号也是“没空去韩国,就来韩都衣舍”,选择韩国明星做代言人是很自然的事情。
今年春节后,《来自星星的你》一夜之间红遍大江南北。尤其是全智贤演绎的千颂伊的形象,这个人物非常有时代感,同时又最切中人性。针对这一优势资源,韩都衣舍市场及品牌相关部门紧密接触,品牌营销、市场营销相互配合,协调推进。为了对市场进行充分预热,推出了“大牌来了”的营销活动。活动在旗舰店以及SNS上同步造势,以150张全智贤上海粉丝见面会门票为奖品,鼓励明星粉丝和消费者竞猜“谁代言了韩都衣舍”。从目前取得的成绩来看,“大牌来了”借助明星代言、粉丝效应,在提升品牌影响力的同时,为店铺引来巨大的流量。
韩都衣舍的品牌群由两类组成,一类是韩风细分定位品牌群,另一类是其他风格品牌群,比如东方复古设计师女装素缕Souline和原创设计中老年女装Dequanna迪葵纳,它们以核心设计师主导,强调更细分定位,突出原创设计,主要是通过并购小而美的互联网品牌来培育。
在产品精细化运营方面,首先是货品规划,韩都衣舍市场端在活动前期进行了详细缜密的货品规划。得益于高效的电子商务数据信息系统,韩都衣舍不但能够有效分析整理往年大量的数据信息,还能实时监控到各种产品数据,为产品规划奠定了坚实的基础。这些产品折扣价格适宜,库存深度大,贡献了绝大部分销售。还有20%左右的品牌形象款,折扣中等、库存深度中等,用于吸引新品需求客户。最后就是普通款和眼球款,其中普通款占55%,库存中等,价格适宜,主要承接主推款式的流失UV。其次,韩都衣舍在货品优化和商品陈列、店铺资源等方面也在进行了精细的前期规划。
在各方面的精细化运作下,韩都衣舍此次品牌团取得了创纪录的成功。其中,休闲套装、休闲裤、风衣等品类的售罄率都达到或超过了95%,整体备货与产出基本一致。
业内人士称,韩都衣舍主打韩国快时尚风格的女装,如果在此时间点签约全智贤,则可充分利用明星和粉丝效应,必将引发全国性的热议。
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。