今日,微信团队正式宣布面向商户开放微信现金红包申请。只要商户(公众号、App或者线下店皆可)开通了微信支付,就可以申请接入现金红包。
商户开通微信支付,即可申请接入微信红包
恰逢新年即将到来,不禁让人回想2014年“800万人的红包春节”,从除夕夜到大年初八,有超过800万的用户通过微信参与了抢红包活动,超过4000万个红包被领取,平均每人抢到了4至5个红包,在除夕夜的最高峰时段,每分钟有2.5万个红包被领取。
一年来,大小节日在微信群里求老板、长辈发个红包,或不时将自己从各商家处获得的红包分享给好友,让大家一起来“拼手气”,已经成为了一种“新习俗”。而微信与运营商合作,推出的流量红包等新玩法也大受用户欢迎。在2014世界杯期间, 微信彩票每天发放红包,网友投注世界杯焦点赛事即可100%领取,不仅吸引了大批球迷关注,甚至很多不看球的普通人也因此开始关注赛程。如今,这项商户期盼已久的功能接口正式开放,将带来的红利不言而喻。
无需复杂的申请流程,商户可根据开发能力及所举办活动的具体需求来选择红包发放方式。目前,商户发放现金红包有系统自动发放、人工手动发放两种方式。其中“系统自动发放”由商户自行根据开发文档进行开发,可满足多元化的运营需求;而“人工手动发放”则实现了零开发。
选择“系统自动发放”,商户需先发送邮件至 wxhongbao@tencent.com 获取流程指引,再登录商户平台( pay.weixin.qq.com ),在“资金管理-现金管理”中充值;然后即可自行根据开发文档进行开发,并发放现金红包。

而选择“人工手动发放”,商户在已经获知要发送的用户的openid情况下,可以将openid编辑成txt文件,直接登录微信支付商户平台,同样在“资金管理-现金管理”中充值后,创建要发放的红包,并填写金额等相关信息,再根据指引操作即可。
微信红包助力“开年促销第一战”
微信红包不仅是红包,还是能够挑起好友间“争抢欲望”、不断刺激用户兴趣点的游戏。同时,商家通过微信发红包,绕开了传统营销活动中繁复的领奖流程,用户获得红包后奖金即时就进账,最大限度提升了其心理满足感。也正因如此,微信红包已成为当下较受青睐,用户接受度颇高的一种互动营销模式。
而在操作层面,微信为商户搭建了一个可视化的自助发放平台,商户可全程自助、“0”开发使用。
对于线上商户来说,微信红包方案技术成熟、接入快捷,红包获取方案可延展性高。而对于线下商户来说,通过二维码等线下入口,灵活运用微信红包,更能够快速打通线上线下、建立可行的O2O模式,且方案可移植度高,能够快捷运用于其他活动中。
比如, 康师傅就将活动二维码直接印在其产品瓶身上,用户购买后直接扫码即可参与活动,获取微信红包现金奖励。而传统的方式是在瓶盖内印获奖码,需要用户自己再跑商铺、或上网去兑奖,这种方式流程复杂,用户参与度低。

元旦、春节即将到来,不管是送红包还是收红包,都是不可或缺的重要项目。广派红包迅速聚拢人气,拉动线上线下销售,不失为打赢“开年促销第一战”的利器。
“为提升自助发放平台对商户的支持力度,后续微信红包将增加更多的自动发放规则。”微信团队表示,此外,未来还将支持商户商标在微信红包界面上展示,并优化红包页面视觉效果,进一步提升商户品牌曝光,更多的保障商户权益。
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。