几乎所有公司都有微信群,但大多用于沟通,在企业级移动应用“纷享销客”看来,微信相对私人化,如果在微信群里谈工作、布置工作、查询工作有诸多不便。于是,继7月份获得千万美元B轮融资后,纷享销客在11月初迅速上线3年来变动最大的一次改版,欲借新版本4.0打造“微信式”移动办公管理平台。
做“微信式”办公
互联网产品竞争激烈,尤其是面对普通用户的C端产品鏖战已久,面对企业级用户的SaaS产品也在逐渐升温。有着6亿用户的微信在10月初推出企业号,用个人用户最为熟悉的即时沟通的方式完成企业级沟通。
在这样的行业趋势下,纷享销客率先试水,4.0版改变了原来基于微博的沟通方式,变成了全“微信式”体验。在用户首先看到的“企信”界面中,将工作提醒模块整合其中,用户打开平台就能看到与自己关联度最大的工作提醒,提高响应速度。
纷享销客“企信”界面
在BYOD工作场景中,用户经常需要发送文档、审批、日志等工作内容,纷享销客解决了这一问题。比如,我在旅行的途中,同事打电话让我传送一个财务文档,我就可以打开手机使用纷享销客先发送审批给直属领导申请是否可以传送,领导闪回之后我给同事传送文档,然后@通知我的同事查收,这样典型的工作流程在分享的平台上就能实现。
并且新版本在通讯的底层架构上做了很大升级,在电梯、地铁等弱网环境下也能稳定使用。
同样,在办公场景中时经常要组织部门或者公司的会议,在纷享销的平台上能够发起 “百人大会”群聊和@某人的功能,并且能在群对话中发起“企信通知”,并实时查看已读状态及确认回执,这样在通知发出之后,有哪位同事没有响应就能够做到一目了然,方便用户掌控通知效果。
无限可能的构架模块
据了解,在纷享销客版本4.0中,工作、CRM等功能模块重新做了优化整合,尤其是添加了应用模块,以实现完全可扩展的程序架构,承载更多功能应用。
这就能为不同行业的企业创造条件。比如,在12月份版本中,就会有适合快消行业的报数的应用。之后,纷享销客会开放更多API接口让企业应用接入。
纷享销客CEO罗旭指出,这样的布局,以实现“工具+平台+生态”的发展模式,同时也是纷享销客的战略意图。
纷享销客CEO罗旭
纷享销客总裁杨斌介绍,与之前版本相比,新版的优势在于,用户可完全利用碎片时间办公。
纷享销客总裁杨斌
“大家都在讲我们办公的产品充分利用大家的碎片时间,我们中国的这些商务人群更多的碎片时间是在地铁和公交,以及卫生间和坐电梯这些环境里面。我们现在的体验可以做到在这种碎片时间里面,微信能用,纷享就能有用,但是我们以前的产品和同行的产品在这种情况下不能顺畅地接收信息和产品使用,现在包括在火车上能够做到纷享销客顺畅使用,纷享销客在网络环境下的表现是一致的。”杨斌说道。
诚如杨斌所言,这方面与微信不同,纷享销客做了一些企业个性化的改造,比如企信通知。杨斌指出,现在有很多的企业用户在拿微信群进行办公,他在一个群里面不是聊天而是发一些通知性的信息,弊端在于但是他不知道这些人阅读的情况,不知道他到底看没看。这一块我们做的企业通知可以做到有多少人看到,有多少人没有阅读,有多少人确认,做了一些办公性的改造。“这个也是针对微信做了一些企业级的改造,按部门可以进行选择员工、快速建群组,这些都会做提升。”
上线3年以来,纷享销客目前已积累60000家企业用户。纷享销客方面透露,今年年底将进行C轮融资。
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。