微信扫一扫,关注公众号

  • 科技行者

  • 算力行者

见证连接与计算的「力量」

首页 你造吗?13小时半362亿超过去年天猫双11全天交易额

你造吗?13小时半362亿超过去年天猫双11全天交易额

2014-11-11 15:19
分享至:
----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-
2014-11-11 15:19 CNET科技资讯网

11月11日13时31分,天猫双十一交易额突破362亿元,超过去年双十一全天交易额,其中无线成交占比45.3%。且数字还在刷新。

13小时31分 打破去年350亿双天猫11交易额记录

虽然外界就预测今年双11成交额将再次刷新,但当天“剁手党们”的下手速度之快仍突破想象:根据阿里巴巴官方数据显示,双十一开始1分11秒破亿;凌晨刚过3分钟,交易额突破10亿,这个数字在去年耗时6分7秒,今年同比快了3分多钟;14分钟02秒,突破50亿;38分钟28秒,冲到100亿元,其中无线占比45.5%,去年冲到100亿用了5小时49分;截止到13:31,成交额超过去年双11全天。

在移动端,从11月11日零时就一路攀升,开场仅75秒成交额突破1亿元,相比去年4分10秒,时间提前了3.3倍,刷新移动网购成交破亿的最短时间世界记录;开场后4分28秒,移动端成交额突破10亿元。随后,无线成交额一路直线飙升,到早上7时36分,移动网购的成交额已刷新到100亿。

商家也不断刷新成交:截止11日中午12时,天猫有12家店铺销售额过亿元,手机、服饰、家具、电器类商家领衔, 42家店铺超过5000万,其中小米官方旗舰店支付金额突破10亿元,成为首个销售额破10亿的商家。而去年双十一全天,包括海尔、优衣库、罗莱、小米旗舰店、JackJones等17家官方旗舰店交易额破亿元,43家店铺销售过5000万。

回顾历年双十一,其成交额都是呈现几何级的增长,2009年5200万元;2010年9.36亿元;2011年52亿元;2012年191亿元;2013年350亿元。

今年双十一,是历年商家数目参与最多的一年,仅天猫就有近2.7万商家、4.2万个品牌参与其中。同时,天猫和商家投入近百万的客服保证售前咨询和售后的服务。而与菜鸟网络合作的14家物流快递公司新增了25万名新的快递员,总计125万余名快递员加入到今年的双十一。

据悉,在双十一狂欢开始的一小时内,已有175个国家和地区成交。其中,交易额前10的省份分别为:浙江、广东、江苏、上海、北京、四川、山东、湖北、湖南、河南;除去大陆市场,在出口交易前十名的国家和地区中,香港交易量排在首位,几乎相当于第二名台北的2倍,第三是美国。

分享至
0赞

好文章,需要你的鼓励

推荐文章
  • 奖励设计:让AI学会智能使用工具的关键
    2025-04-23 17:39

    奖励设计:让AI学会智能使用工具的关键

    想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。

  • ToolRL:奖励设计是工具学习所需的全部
    2025-04-23 17:34

    ToolRL:奖励设计是工具学习所需的全部

    想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。

  • X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御
    2025-04-23 14:08

    X-Teaming:使用自适应多智能体进行多轮越狱攻击和防御

    想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。

  • "思考操纵":用外部思考让大型推理模型更高效
    2025-04-22 16:43

    "思考操纵":用外部思考让大型推理模型更高效

    想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。

----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.- ----..---.-...-/--...-.-......./-...-....-..--../-............-.-