四年时间,房多多迅速成长为国内领先的移动互联网房地产交易服务平台,在新房领域,业务范围覆盖50个主要城市,合作项目千余个,在二手房领域,房多多稳步向前,落实100%真实房源、搭建经纪人服务评价体系,站在第三方的角度在房产O2O领域持续领跑。
3月22日,房多多联合创始人兼CTO李建成在颠覆式创新研习社“有料”创新商业案例演讲上,分享了房多多的创新模式,并以“连接×效率”为主题,分析了房多多在二手房市场的核心动力。
如何用连接×效率 治愈二手房痛点
“房多多对行业的价值是“连接×效率”,让传统行业各个角色的连接数增加,各个环节的工作效率提升,两者相乘,就是房多多的价值。”李建成这样总结房多多的核心价值。
事实上,在过去的2014年,以这个核心价值为基础,房多多在新房市场实现高效运转,到了2015年,“连接×效率”还将助力房多多在二手房市场大展拳脚。
与新房市场相比,传统的二手房市场更为复杂,痛点也更多。
分享过程中,李建成从买房、卖房、中介三个角度出发,逐一阐述交易环节中各方“难、假、苦”的行业痛点,深入分析了传统二手房中介存在的运营成本高、抗风险能力低、效率低下的问题以及买家和卖家存在的信息不对称、对中介服务不满意等问题,并介绍了房多多针对行业三方的多重痛点的解决方案。
李建成表示,“随着社会分工水平切分越来越厉害,提供服务的人,如果能够随时随地在线就会影响这个行业里面所有的行为模式,尤其是决策模式。移动互联网有五维一体的特性,因为智能手机随身携带,机器和人成了一体,由此实现了人随时在线的基础。”
房多多二手房交易服务平台的搭建就是把交易环节最重要的几个角色拉到移动互联网上来,打破时间、空间的限制,让他们在线、让他们即时连接,从而让信息透明,让产业链条的经纪人回归服务的本质。
“经纪人,这个角色以前就干三件事情,找房源+找客源+成交,50%时间是打骚扰电话找房源+在街边找客户, 20%时间去看房,交易时间大概有10%, 20%时间做售后。现在房多多要做的是为他提供客户,提供真实的房源信息,解放他的劳动力,让他专注服务本身。而买房子的人可以直接通过房多多的平台,看到真实在售的房子,规避了看假房源,浪费时间等问题,另外他们还可以通过房多多经纪人服务评价系统,选择最好的经纪人,进一步提高买房效率。“李建成举例说。
房多多凭什么提升买卖房的效率?
一直强调,“连接×效率”,那么房多多如何实现效率的提升?
李建成说,“第一,因为我们通过O2O的方法把信息变真实。如果业主在线,他就可以把真实房源立刻发布到平台上,线下房多多的团队去查验,查验这个房子是不是真的存在,产权属性是不是真的,买卖意向是不是真的。第二,房多多提供真实的服务,跟信用等级相关。经纪人的本质应该是提供服务方,如果能够确保这个服务是能够受到制约的,能够受到点评,这样把服务越做越真,平台的效率就会越来越高,我们觉得对于O2O来说它的本质上是O2S,在线上能够提供线下的服务,提供选择的效率,或者降低选择的成本。第三,反馈可以立刻及时,如果通过移动APP让卖房者在管理交易过程所有的数据,成本和效率是非常好的,移动连接的方法能够让各个环节之间的连接效率更高。
除此之外,李建成还强调平台的效率的提高,还在于内部的效率,员工的效率,就是这个公司存在的立足点和根本。
他表示,“房多多运行过程中,员工所有的作业行为,尽可能APP化。做O2O其实成本很大,商业的价值是靠线下的同事去传递去实现的。他的劳动效率是非常重要的。房多多实践过程中,所有商业的思考都是靠面对面提供服务那个人去实现的,寻找最优作业流程,将它标准化尽可能的落实到APP里面去,从而提升整体的工作效率。”
员工行为的移动APP化,还能改变员工与员工之间的连接,员工与公司之间的连接,这样一来员工遇到任何问题,都可以最及时的得到解决,内部效率也进一步得到提升。
的确,在移动互联网时代,连接是一切的根本,只有将这个根本做扎实,才能提高房多多在行业竞争中的效率,而效率的提升则是一切商业行为的本质。事实上,在李建成看来,四年来房多多正是遵循“连接×效率”的本质,才能由一个20人的小团队发展到今天的三千多人,才能从众多凶猛的电商服务平台中脱颖而出。
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。