
2014腾讯全球合作伙伴大会在海南博鳌举行,此次大会由主论坛和9个分论坛组成。创业分论坛上,腾讯公司副总裁彭迦信透露,腾讯规划今年在全国19个城市建立20个腾讯创业基地,北京、上海、武汉、厦门、杭州等城市已揭牌入驻。
彭迦信首先肯定了腾讯开放平台三年开放历程以来的成果。腾讯开放平台通过三年发展,目前平台上应用数量达240万以上,创业公司总估值超过2000亿。
彭迦信认为,中国的互联网创业赢来了“黄金时代”,其背后的原因是依靠“互联网创业的三大推动力”,即“创新力”、“开放力”和“支持力”。
腾讯公司副总裁彭迦信
“创新力”:创业团队小型化和年轻化
彭迦信指出,在腾讯开放平台上,开发团队逐渐呈现“小型化”和“年轻化”特点。个人开发者占40%。同时,超过50%开发者在25岁以下。在创业区域上,除一线城市依然是开发者的首选之外,城市环境较好和开发成本较低的二三线城市,已成为开发者热衷选择的城市。开发团队回归二三线城市,有利于全国创业资源的平衡发展和打造区域特色的创业环境。
参与创业论坛的9个创新团队,来自于不同应用领域,分别是“社交和娱乐”、“生活和O2O”和“智能硬件”。
“开放力”:“腾讯创业服务体系”打造一站式创业孵化平台
彭迦信以腾讯开放平台的“创业服务体系”为例,说明了开放共赢的创业生态圈,是创业成功的必备土壤。腾讯开放平台致力于做“中国最成功的创业孵化器“,“腾讯创业服务体系”一直为创业者打造创业生态环境。
腾讯开放平台的“一站式扶持体系”,通过应用宝、腾讯云和广点通三大开放能力平台,构建了“以应用宝为核心,腾讯云作为基础保障,广点通等作为运营能力支撑”的一体化服务体系,在盈利能力、运营能力、开发能力和硬件能力上给予创业者全方位一站式的支持。腾讯云的骨干机房已经覆盖全球15大城市,在全国上百个城市建设了超过300个加速节点。
截止2014年6月,腾讯开放平台第三方开发者中流水过1亿的创业团队已达到22家,合作伙伴获得的收益同比增长超过1倍。
腾讯开放平台也同时提供多种形式和内容丰富的创业知识共享与交流平台,包括“创业公开课”、“创业训练营”、“开发者沙龙”、“创业开放日”和“创业创新大赛”,为不同阶段的创业者,开创全方位的知识和资源共享体系,提升创业者的“软实力”。
社会各界人士的“支持力”:海南创业基地带动区域新经济
创业论坛秉承腾讯开放和连接的心态,邀请到包括国内知名投资机构合伙人代表、海南省政府和生态软件园负责人代表、美国硅谷门罗帕克市市长、硅谷Plug & Play孵化器基金管理合伙人代表、《创业家》创媒创始人等重量级嘉宾,共同为互联网创业的未来寻求成功之路。
腾讯规划今年在全国19个城市建立20个腾讯创业基地。北京、上海、武汉、厦门、杭州等城市的创业基地已揭牌入驻。截止目前,腾讯创业基地孵化的移动开发者中有61%获得了各轮融资。
最后,彭迦信宣布海南创业基地正式启动,这成为腾讯创业基地继续向全国扩展的标志,也进一步满足了沿海地区创业者植根于周边城市,最大化区域资源的需求。海南省政府和创业基地代表都表示,将出台一系列扶持政策,竭力扶持当地创业者,打造有区域特色的创业环境,多样化区域产业经济发展。
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。