上周,上市公司网秦宣布CEO林宇卸任,随后科技媒体钛媒体爆料称林宇已多日失联。其失联或与前央视主持人芮成钢有关。
笔者对这一八卦本身并不关心,反倒是网秦近年来的业务发展值得关注。当年网秦可是顶着移动互联网第一家上市公司的名头。
短短数年,全球迎来了移动互联网发展浪潮。伴随移动互联网和智能终端的快速普及,移动应用的生态体系更趋成熟。
巨头们都忙于移动互联网生态布局。谷歌、苹果从操作系统出发,构建了完善的移动应用商店体系,包括较为成熟的开发环境和发布渠道。腾讯、百度、阿里巴巴都将心思放在用户入口上。微信、百度91、手机淘宝、支付宝,无不是大体量综合型移动应用平台。
移动网络和设备与用户生活的无缝连接,用户将越来越多的碎片时间投入到移动设备中,通过打开一款应用实现多种功能成为迫切需求。因此,包含多个小型应用功能的综合型移动应用正在成为继移动操作系统后,争夺用户入口的新焦点。
对于中型公司而言,在移动互联网时代应如何作为?网秦或许给出了一些答案。从手机安全出发,到移动互联网平台,网秦正从单点突破转向移动互联网生态布局。

三年前 网秦还只是家手机安全公司
2011年5月上市时,网秦CEO林宇曾对媒体表示,网秦面向全球的移动安全服务公司,这也是他对投资人讲的故事。同时,他强调,网秦不是软件公司,而是移动互联网服务公司。
对于中国第一家移动互联网领域的上市公司,在上市之时有媒体如此评价“当前,移动互联网在全球无疑都是最热门的发展领域,移动互联网用户数量超越传统互联网用户数也仅仅是个时间问题。在这一轮国内互联网企业集体赴美上市的热潮中,网秦还是第一家完全意义上的移动互联网企业。事实上,尽管近年来移动互联网企业在数量上发展迅猛,但大多数移动互联网企业还处在摸索的阶段,无论从企业规模还是盈利模式都尚不成熟。”
仅仅三年时间,让媒体没有想到的是无论是从企业规模还是盈利模式,移动互联网领域的发展都远远超出所有行业专家及媒体的想象。
三年后 网秦已经覆盖移动游戏、移动广告、企业移动化、移动医疗
2013年10月底,在网秦8周年庆典上,网秦CEO林宇表示,网秦以开放性的移动安全业务为核心,整合了旗下手机游戏发行平台、企业级移动服务平台以及移动广告平台。
网秦将旗下业务归入四条业务线,即移动安全、手游、企业级、移动广告平台。这将使此前专注移动互联网安全市场的网秦转型成为“移动互联网平台型公司”。
在移动游戏领域,网秦旗下飞流公司在行业内第一个家提出重度手游概念,作为为全球移动游戏发行与运营服务商,截至2013年12月31日,飞流在iOS平台上运营和经销20款游戏,在Android平台上运营和经销69款游戏。这些游戏中,大多数都是由第三方开发的,但通过飞流发行和运营。在2013年的12个月中,飞流共有18款游戏进入了总应用排行榜100强。
2014年,飞流宣布独代墨麟3D ARPG手游《龙骑战歌》、携手宇峻奥汀 展开《三国群英传》IP合作 ,同时飞流韩国代理祖龙娱乐力作 神魔大陆正式公开,获《愤怒的小鸟季节版》国内代理权 。
对于企业移动化领域,网秦旗下公司国信灵通2014年与中国电信强强联手打造“手机管家”业务、为中移动提供“MDM云平台”、与国家信息中心签署战略合作协议,通过一系列合作巩固其在国内企业移动化领域的龙头地位。
对于移动广告领域,网秦旗下微乐动态壁纸、音乐雷达等应用,聚集大量移动互联网用户流量,并通过新颖的移动互动广告赢得广告主及合作伙伴的青睐。
2014年年初,网秦宣布进军移动医疗领域,移动医疗平台也成为网秦第五大业务平台。
据接近网秦的内部人士透露,一家公司的发展不仅得益于内部清晰的战略定位、创新的机制、员工的勤勉,同时也会经受行业“砖”家、“娱乐“媒体、“空军”司令、“恶意”同行的干扰。“这些险恶的环境将促进企业更明确自己方向和目标”该人士如是说。
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。