羊年春节,看电影成为人们节日期间最为热门的休闲娱乐方式。今日,中国领先的城市生活消费平台大众点评透露,今年春节期间,越来越多的人通过大众点评购买电影票,今年春节,大众点评共卖出电影票650万张,全国每7张电影票就有1张通过大众点评售出。
而在强片林立的春节档电影中,大众点评更是帮助《澳门风云2》上演了票房逆袭。数据统计显示,截至2月26日晚19:30,《澳门风云2》票房总金额达5.4亿元,成为春节档电影中当仁不让的票房冠军,而其中,作为联合发行方的大众点评发挥了吃喝玩乐入口以及媒体平台的优势,帮助电影片方在吃喝玩乐等本地生活领域开拓出巨大的电影增量市场,精准挖掘出大量的潜在消费者,据统计,《澳门风云2》最高峰单日每3张电影票中就有1张通过大众点评售出。
大众点评助《澳门风云2》逆袭夺冠
今年春节档强片不断,包括《狼图腾》、《爸爸去哪儿2》和《爸爸的假期》等影片前期呼声都很高。但在众多影片中,由大众点评联合发行的《澳门风云2》后劲十足,在各路劲敌中杀进春节电影票房第一梯队,最终登顶春节档票房冠军,这再一次证明了O2O平台对于电影市场的价值。
在这其中,大众点评帮助《澳门风云2》上演了票房逆袭。数据统计显示,《澳门风云2》各大院线的排片率在2月19日大年初一首映后一路上扬,并在2月23日超过此前的排片冠军《天将雄师》。2月24日,《澳门风云2》以22%的高排片率位居榜首。
除了排片率,《澳门风云2》在票房上也是节节攀升。上映3天后,《澳门风云2》单日票房超过《天将雄师》登顶2月22日单日票房冠军。截至2月26日晚19:30,《澳门风云2》的累计票房总金额已达5.4亿元,成为春节档电影市场的票房总冠军。而其中,《澳门风云2》最高峰单日每3张电影票中就有1张通过联合发行方——大众点评售出。
业内人士分析称,回顾春节期间电影市场,《澳门风云2》在首映之初不管是排片还是票房上的表现均不算突出,但却后劲十足,节节上扬,并一步步成功逆袭,而这背后原因在于,联合发行方大众点评持续在帮助电影片方做票房增量市场。由此对照,由猫眼电影担任联合发行方的《天将雄师》不管在排片还是票房销售额上,表现却并未如《澳门风云2》亮眼。
大众点评春节卖出650万张电影票
今年春节,电影市场非常火爆。大众点评电影业务负责人介绍,今年春节,大众点评共卖出电影票650万张,全国每7张电影票就有1张通过大众点评售出。
上述业内人士表示,目前猫眼电影和大众点评已经成为国内影票O2O最大的两个平台。有数据统计显示,春节期间,猫眼电影和大众点评一起在全国电影市场占有超过40%的市场份额。
该人士认为,大众点评对于电影片方的核心价值之一即是大众点评持续在帮助片方做票房的增量市场。数据统计显示,在大众点评,电影用户与吃喝玩乐用户之间有着极强的消费关联性,50%的消费者会在享用美食前后,去KTV唱歌或去做足疗按摩前后去观看电影。一方面,大众点评的媒体属性帮电影片方在用户口碑上完成了大量的积累,据数据统计,对今年春节档的6部电影,用户在大众点评发布的评价数量是猫眼电影的2倍;另一方面,作为国内吃喝玩乐本地生活的主入口,大众点评还实现了对2亿吃喝玩乐用户的触达——把大量的吃喝玩乐用户转化成电影用户,而这是国内很多院线尤为看重的。
据公开数据显示,目前,中国已跃升为世界第二大电影市场,2014年全年中国电影总票房超过296亿元,2015年春节期间,全国电影总票房超过17.3亿元,同比增长超过36%。
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。