
乐视是做什么的?这个值得好好探究一番,人家做影业、电视、汽车、云计算,现在都跨界到手机圈了,乐视真的打算将“颠覆”进行到底。
今日,乐视在京举行主题为“有幸”的新闻发布会,主持人乐视体育首席内容官刘建宏一上台就表示,今天有两件事儿,一是欢迎冯幸的加入,第二就是发布乐视移动战略(进入手机领域)。
如果你不关注联想以及乐视的新闻,那么你可能还不知道冯幸到底是何许人也。
他是原联想集团副总裁、MIDH中国业务部总经理,冯幸非常熟悉手机渠道的建设,尤其是运营商渠道。去年年中,网络爆料乐视挖角冯幸时,外界都猜测乐视是打算推出手机,今天也坐实了这一“传言”。
冯幸被任命为乐视控股高级副总裁、乐视移动智能公司总裁,不仅如此,在去年,乐视也挖了好多大咖,比如名导张艺谋、央视名嘴刘建宏等。
夏则资皮,冬则资舟。乐视正逐步在研发、营销和渠道等领域集结精兵强将,为大展拳脚做好丰富的人才储备。
本次发布会,乐视正式确认进入手机领域,并首次曝光移动战略。基于“平台+内容+终端+应用”的垂直整合完整生态,乐视将打造中国首个生态手机变革手机产业,即乐视的目标不只是要制造手机,而是要打造一个完整的移动互联网生态系统,颠覆现有手机行业传统制造派和互联网营销派,重新定义手机成为手机行业第三极。
冯幸也在发布会表示,无生态、不手机!
他表达了他的观点,认为现在手机有两大派系,分别是传统制造派与互联网营销派,而他想做的是手机行业第三极,也就是生态派(生态手机)。
现如今,用户需求已经发生改变,不在单单只关注手机性能,更关注服务体验。冯幸解释道,乐视会给用户提供更好的内容与服务,给行业提供革命性的生态产品、推动移动互联产业的繁荣。乐视要重新定义手机,不只是手机,更是一套完整的移动互联生态系统!
在发布会上,乐视宣布,超级手机上市进入倒计时,但是并未公布具体时间表。冯幸透露,乐视超级手机将秉持着奢侈科技、完整生态、极致体验、颠覆价格这个理念,该产品将采用全金属外壳、搭载业内即将上市的顶级芯片、专属定制屏幕等,而价格将会最大程度让利于用户。
在本次发布会之前,乐视网董事长兼CEO贾跃亭在微博发布一张密码图,暗藏玄机,网友的解读如下:“冯幸加盟乐视,出任超级手机移动端总裁,乐迷所有等待,都是值得的。无颠覆,不出手。两倍性能,一倍价格。完整乐视生态,超级手机、超级汽车,奢侈体验,无不动容,小米自取其辱。”
冯幸也在本次发布会上表示,乐视的核心竞争力主要有三点:1、过硬的产品研发能力;2、成熟的产业链基础;3、融合丰富的乐视生态。这些也是乐视最引以为傲的资本。
乐视超级手机无疑被乐视寄予了厚望,看贾跃亭的微博,定制专属芯片、录制4K视频、HiFi以及惊人的价格,单凭这几点元素,已经让一众网友对乐视超级手机的期待值爆棚。
乐视已经亮剑,你能HOLD得住么?
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。