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
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。