与其跟在巨头的后面靠复制抄袭,不如我们站的比巨头再远一点。点名时间,犹如思考与个性的交织存在,至少在国内众筹发展史上,点名时间有着不可忽视的功劳。
点名时间是首个将回报式众筹引入中国的网站。三年间,点名时间无数次的在网站上、媒体上、各种线下活动上布道着众筹的概念。同样三年的时间,也让从定位于中国Kickstarter起步的点名时间逐步成为中国最大众筹平台。
而就在今年5月,点名时间却突然宣布放弃众筹平台的定位,转型为电商化的智能硬件限时抢购平台。沉寂3个月后,在近日举办的点名时间媒体沟通会上,点名时间CEO张佑终于讲出了心声。
抛弃光环,需要的是勇气与恰逢时机的决策。点名时间此番惊人之举,让人不得不思考这样一个问题:国内第一众筹,缘何告别众筹?
在谈到这个问题的时候,点名时间创始人张佑认为根源在于,国内项目和用户都和国外有很大区别,“前三年的众筹经验告诉我,Kickstarter的模式并不适合中国”。与 Kickstater 的创业者不同,国内的很多创业者完全不会包装自己。即便是有了点名时间这样的众筹平台,他们也无法很好的加以利用。
放弃众筹的另一个缘由来自于国内用户的心态。“Kickstarer上聚集着一群理想主义者,他们对改变社会有伟大憧憬,在购买时感性因素超越了理性”,他们愿意等待新品漫长的发货时间。但国内用户非常理性,如果支持的产品不能很快拿到手,不少用户就会对这个项目产生怀疑,并且此后也不愿意再支持别的众筹项目。
张佑坦言,众筹这一概念在媒体和行业中的滥用让众筹在国内变质。随着点名时间知名度的扩大,良莠不齐种类繁多的项目登录平台让点名时间失去了原本的焦点。
就在点名时间思考转型的同时,各大互联网企业也纷纷开始试水众筹平台。京东、淘宝等大型 B2C 平台都推出了众筹频道,利用自己的流量优势开始做众筹平台尝试。这些互联网公司都有庞大的流量来支撑众筹平台,相比之下点名时间就显得比较小众。
坦诚的说,面对众筹所产生的种种问题,张佑也一直在思考点名时间未来的发展方向。此次点名时间转型为做智能新品限时预售平台,正是张佑闭关深思熟虑后的决策。
张佑解释,“智能新品限时预购”包含两种含义:第一是做智能硬件首发模式;第二是做智能硬件的预售电商,用限时预购这种模式面向智能硬件厂家和用户。
从智能硬件厂家方面来看,点名时间向其推荐首发的模式,集合国内外线上线下累计1000多家渠道和点名时间的500万用户,做为期30天的采购预定。
从用户层面来看,彻底抛弃“众筹平台”概念,在预售期间让渠道商家获得3到5折的市场进货价,让早期用户用5到7折抢先体验并进行口碑扩散。
在变身为智能硬件的首发平台后,张佑表示点名时间将专注两件事,一是专注于智能硬件领域;二是只做首发,不做销售。即帮创业团队做好第一次公众亮相、品牌包装和宣传,并与渠道销售资源对接,帮助创业团队维系粉丝用户,而其中定位糖与小K智能插座在时下最为火热。
张佑还透露,在转型做硬件首发平台以后,项目的购买人数、营收、项目数都有数倍增长:平均筹款金额由之前的13460元增长到82092元;平均参与人数由80人增长到357人;总额超过10万元的项目由原来的14个增长到现在的111个。
在众筹网站面临洗牌,延长众筹期限,网站将众筹风险转嫁到创业团队等诸多乱象中,点名时间彻底告别众筹。点名时间转型为智能新品限时预售的平台,就是要把消费者、用户的体验提升。
“因为对消费者和用户来讲,把钱拿出来放在身上之后,事实上你有的时候没办法掌控。这是整个供应链和整个服务体系没有跟着互联网模式提升起来的原因。与其我们用回报这种以物易物的方式,不如转变为预售模式;与其跟在巨头的后面靠复制抄袭,不如我们站的比巨头在远一点。”
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。