2015年1月6日,中国第二大搜索引擎360搜索正式推出全新独立品牌“好搜”,新品牌从名称、logo、视觉标识、新功能等方面都给外界以“为移动互联定制”的印象,引发业界高度关注。与此同时,基于对移动搜索未来发展趋势的判断,360搜索决定推出独立的品牌好搜,并重点发力移动端,而360“摸字搜”更为移动端用户带来了巨大惊喜。
近年,移动互联网发展迅猛,包括BAT、小米、360在内无不将移动互联网看做是未来的增长点,包括陌陌、微信、脸萌、秘密等在内,一批重磅移动产品也纷纷应运而生。然而,在PC时代如日中天的搜索,似乎在移动时代逐渐变得“平庸”。在很多人看来,当前的移动搜索只是照搬PC端的模式,没有颠覆性的创新,难道移动互联网时代将成为搜索的滑铁卢?
基于新的移动搜索思维,“好搜”配合新品牌诞生,推出了包括照妖镜、安心购、良心医、摸字搜、周边号、万花筒以及随心谈等“七种武器”。这些功能分别从安全、可信赖、便利性、实时性、本地化服务、社交功能等多个方面,全面满足用户在移动环境下使用搜索的习惯和需求,让“好搜”成为更顺手、更好用的移动搜索APP,促进整体搜索品牌价值的提升。在新品牌亮相之际,好搜七大创新功能同步推出,为用户打造一个不作坏事、使用特顺手的移动搜索,并向中国第一搜索品牌全面迈进。
以“摸字搜”为例,当用户刷微博或者看微信时,如果想要复制感兴趣的内容部分,只能先复制全部,然后再在搜索框中删除多余信息。

(好搜“摸字搜”在手机桌面的显示及首页显示)
在“摸字搜索”出现之前,假定用户正在使用一个APP时遇到问题需要搜索,需要先退出当前应用、然后打开搜索APP,搜索完成后再次回到应用当中,操作非常不便。“摸字搜索”的出现大大提升了搜索效率,它可以让整个搜索过程都是在当前应用上的浮层进行,不会影响到当前应用的运行,无论你正在聊微信、刷微博、看小说、看电影、浏览网页等,需要搜索时只用轻轻一摸就可以完成,非常方便。 可以说,摸字搜索是好搜在移动搜索领域颠覆式创新的第一步,它颠覆了传统的移动搜索习惯。未来好搜还会推出一系列类似的让用户眼前一亮甚至尖叫的惊艳创新,持续保持产品创新和用户体验的优势。

(好搜“摸字搜”使用介绍)
与传统手机复制方式相比,尤其是在微博微信等载体上复制内容不便时,好搜采用的用手指摸的方式,如同在PC上可以依靠鼠标一样,让用户可以随意复制内容。从功能原理上来讲,好搜实际上是采用了图像识别技术,当用手指触摸想要复制的文字时,则自动识别指定图片部分后,不用再跳转到手机浏览器上,就可以直接进行搜索,极大地提高了搜索效率与操作便捷度。摸字搜的创新之处就在于,它打破了手机屏幕空间的限制,让手指发挥了鼠标的作用,用户轻松一摸,即可实现搜索。
虽然较PC端的使用频率降低,但是搜索功能、使用场景更加丰富多样化,好搜“摸字搜”能够为用户提供更多的PC搜索无法满足的生活服务需求,产品创新才是赢得用户的根本所在。当好搜提出“向中国第一搜索品牌迈进”这个目标之时,毫无疑问,它的未来表现值得期待。
去年10月,中国互联网络信息中心发布《2014中国网民搜索行为研究报告》显示,2014年上半年我国手机搜索引擎用户规模达4.0583亿人,同比增长8152万人。预计到2014年底,我国移动搜索用户将达4.5亿人,市场规模将达92.3亿元。齐向东预测,在移动搜索用户规模持续增长的形势下,360好搜用两年或者两年以内的时间,在移动搜索市场份额将超过30%,甚至可以向40%、50%迈进。这无疑预示着2015年移动搜索大战将更加激烈。
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。