在这个瞬息万变的移动互联网时代,谁能更好的倾听用户的建议,谁就能快速赢得用户。近日,腾讯开放平台星级服务再次升级,新增Bugly-Crash监控能力,方便用户随时随地反馈应用Crash问题,从而帮助移动互联网开发者能够及时、全面、高效的解决相关反馈,并最终赢得用户的追捧。
有研究数据表明,有高达62%的用户在使用移动互联网应用时遭遇Crash;如果Crash发生在首次启动,21%的用户会立即卸载;如果Crash发生在使用过程中,70%的用户会给应用差评……可以说Crash问题对移动端应用的用户留存率、口碑、市场竞争力和收入都有非常大的影响。腾讯开放平台新增的Crash监控能力提供“Crash监控SDK+Crash监控平台”,凭借领先业界的数据分析、异常上报等多项优势能力,为开发者建立了一套连接用户的Crash问题全方位解决方案。有了Crash监控平台,开发者能够提取丰富的异常信息,及时掌控并快速定位修护Crash问题。
提供全面的Crash出错信息,提高修复效率
如果应用异常信息上报时只有“出错堆栈”,而不能实时定位机型、系统并解决具体的问题,这显然是不够的。Crash监控平台提供了“出错时应用运行信息+分析”结果,例如设备分布、系统版本、ROOT占比、硬盘剩余占比、SD卡剩余占比、内存剩余占比等全面的Crash出错信息都可以提供,帮助开发者快速排除Crash的可能原因,提高修复异常的效率。
除了普通的Java类型Crash ,还支持Android Native异常上报
对于Android移动应用的异常监控,除了普通的Java类型Crash,Crash监控平台还支持“Android Native Crash”的异常上报。所以,使用Android NDK开发C/C++的移动开发团队也可以使用Crash监控,快速发现异常问题。除此之外,Crash监控平台还支持查看系统日志,开发者可以轻松抓取log文件,再也不用苦苦等待用户反馈了。
24小时实时监控Crash,从容应对各种突发状况
Crash监控平台提供一天“24小时实时Crash监控”,并生成一份统计每小时Crash次数的“今天Crash次数按小时统计趋势图”,开发团队可以通过趋势图实时关注Crash情况,从而能够确定Crash问题是否严重,是否需要发布紧急修复包等,从容应对Crash问题所带来的各种突发状况。
Crash趋势定时跟踪,质量变化了然于胸
Crash监控平台还能按天统计并划分不同维度追踪Crash趋势变化。通过不同版本间的质量对比,开发者能更清晰的把握产品质量的变化走向,为下个版本开发做好准备。通过不同时间段的质量对比,开发者可以更清晰了解到Crash问题的引入时间和修复时间,让问题修复更有把握。
提供Crash高级搜索服务,在海量数据中快速找到关键信息
Crash监控平台还提供业界领先的多维度搜索查询服务,通过问题搜索功能,定位版本、Package、渠道、类型、状态、时间等信息,能在海量Crash数据中,快速找到上报时间、上报版本、Crash次数、Crash用户等关键信息(通过堆栈关键信息、特定机型等组合条件),帮助开发者及时定位解决问题。
腾讯开放平台全新上线的Crash监控平台能够更及时地发现异常,更全面地了解异常,更高效地修复异常,为广大开发者提供完整的Crash异常上报和解决方案。目前已有超过300款品牌产品正在使用Crash监控能力,日均覆盖亿级以上用户数,上报千万级以上异常,处理百亿级以上请求,应用的平均Crash率已成功降低了90%。Crash监控能力支持Android、iOS、WindowsPhone等平台应用的异常监控,想要接入Crash监控能力的开发者,可以前往Bugly官网(http://bugly.qq.com)及腾讯开放平台官网(http://open.qq.com)了解详细信息。
腾讯Bugly二维码/欢迎关注腾讯Bugly
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。