日前,爱立信消费者研究室发布电视及媒体最新年度报告,该研究已经进行了五年,根据对23个国家和地区的23000位受访者的采访结果表明,用户行为的转变持续驱动电视和传媒产业的变革,促使人们放弃传统格式及业务模式,因而开启了优质、按需点播的娱乐新时代。
报告指出,全球范围来看,流媒体几乎与传统电视观看并驾齐驱,75%的消费者每周都会观看几次流媒体视频;相比之下,77%的消费者每周会观看几次传统广播电视节目。而对于中国城市用户来说,每周进行流媒体观看的用户比例已经远远超出观看传统广播电视的用户比例。
爱立信消费者研究室东北亚区总监徐晓莉表示:“传统广播电视业务存在的弊端直接对用户的媒体消费体验有影响,并导致用户减少乃至停用广播电视服务。对于中国城市中20-24岁的用户,每天观看广播电视的用户比例从2012年的63% 下降至2014年的35%。”
消费者越来越多的使用不同终端观看视频。研究发现,用户在移动终端上观看视频的时长逐年提高,并且观看视频的地点也不仅仅是在家中。多屏生活趋使新的视频观看模式,“位移”式观看行为由此产生。19%的中国城市用户表示,他们一天当中至少有一次在不同终端之间进行视频内容的切换观看。
而随着订阅式视频点播(S-VOD)服务的出现,让消费者能够以较低的固定资费获得大量的视频内容,因此订阅式视频点播也成为许多消费者日常观看习惯中重要的组成部分,“煲剧”式观看由此出现。爱立信消费者研究室高级顾问Niklas Heyman Rönnblom表示:“我们的研究表明,56%的付费订阅视频点播服务的观众,希望电视剧所有剧集同时发布,这样他们可以按照自己的节奏观看,相比较之下没有支付使用付费订阅视频点播服务的观众只有45%支持这个观点。这表明此类服务对消费者观看行为及需求有着一定的影响。”52%的中国城市用户希望电视剧的所有剧集能够一起发布并播放。
移动终端在视频观看中发挥越来越重要的作用,但阻碍消费者在智能手机中观看视频的因素为价格、网络性能和内容本身。价格因素包括数据流量成本和内容本身的成本,而网络质量也是保证用户观看体验的重要因素,47%的中国用户认为,网络性能制约了他们在移动终端上进行视频观看。
研究同时表明,观众对视频画质的要求越来越高,其中71%的中国城市用户强调高清画质非常重要,65%的用户强调超高清(4K/UHD)对他们来说尤其重要,有45%的用户表示他们愿意为超高清(4K/UHD)画质付费。
针对内容的支付方式,徐晓莉表示:“针对不同类型的视频内容消费者有着不同的支付倾向,全球范围来看,用户最认可的支付方式是每月为内容支付固定的费用。中国城市消费者更愿意通过观看个性化广告来获取内容的接入,30% 左右的用户希望通过这种方式来观看正在播放的电影或电视剧节目。”
在未来,打包整合的个性化媒体体验将为用户带来更多价值,而消费者也更倾向于选择灵活的、可根据个人喜好,进行自由组合频道和媒体内容的电视解决方案。
Heyman Rönnblom补充道:“研究结果显而易见——媒体公司需要重新思考如何制作和发布内容,而电视服务提供商的重点是,不论用户使用什么样的设备观看,尽最大可能为观众提供最好的观影质量。格局变化日新月异,如果要继续为消费者传递可感知的价值,那么业务和传递模式都必须跟上变革的步伐。”
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。