4月17日,一个再普通不过的日子,不过对于58同城而言可谓双喜临门。
这头才刚刚公开了与赶集的恋情,那头又传来腾讯投资的喜讯,然而,与投资赶集的消息不同,腾讯入股的事毫无风声流出。
根据投资协议,腾讯将以52美元(每ADS)认购价值4亿美元的58同城新发股票。这是继去年6月7.36亿美元及9月1亿美元重金砸向58之 后,腾讯又一次在58身上下注。截止目前,腾讯占股比例为25.1%(占股比例为全部发行股票总数完全稀释后的数量)。投资金额将分别用于58同城与赶集 网战略合作的现金部分以及增持58同城现有股权两个部分。
投资完成后,腾讯仍是58同城的第二大股东,姚劲波及管理团队仍为第一大股东,现金扶持之外,腾讯同样会在流量入口和社交人脉层面予以资源倾斜。由此见得,对于腾讯,继去斥7.36亿美元投资58同城,腾讯再加码依然将目标锁定于本地生活服务O2O领域。
弥补资源缺憾,打通产业上下游
在去年首次接受了腾讯投资后,被问及未来腾讯是否会进一步增持58股份时,姚劲波的回答是要看未来的发展和双方的意向。
去年9月,腾讯1亿美元增持58同城,同时占股比例也提升至24%。而今天,腾讯再次追加投资,以4亿美元认购58同城新发股票。
对于腾讯而言,在其整个的战略布局中本地生活服务O2O已经成为其重要一环,而58同城除了在分类信息领域积累了一大批中小商户资源外,这一年 来在生活服务O2O领域的大力的布局,巨资的投入,成功推出的5服务涵盖保洁、美甲、搬家、做饭等高频服务领域的58到家品牌,也不断加大其在生活服务垂 直领域上游的把控力,该路径恰巧使得腾讯本地化服务范畴更加广泛,这一系列动作都为腾讯再加码奠定了基础。
无需自己构建一整套线下体系,同时商家还能受益于更好的客户关系管理和更精准的消费者广告服务,58同城给了腾讯投资足够的理由。
另一方面,58现有的无论是搬家、保洁、美甲还是代驾等业务,都是基于强社交关系的服务。对于专注于分类信息服务的58而言,腾讯QQ、微信所 能带来的强粘性社交服务正好弥补了58在这方面的缺憾,更重要的通过腾讯QQ、微信以及QQ空间等入口,通过多种场景获取更优质的流量和用户资源,进一步 拓展本地用户群,增加用户粘性,提高产品使用频次。
强化入口,稳固地位
姚劲波曾坦言,58在业务上和大众点评等其他腾讯投资公司没有任何重合,商业模式也没有可比性,因而他们会合作的很好。
事实上腾讯的投资逻辑也正是如此。当它完成了以微信游戏为代表的娱乐化和以微信公众号为代表的媒体之后,第三步的布局也已正在逐步强化,先是通 过收购大众点评来强化电影票、外卖、订餐、团购、打车等领域的本地生活服务领域,而后又多次下注58同城来补全搬家、租房等其实高度需要社交关系和人的纯 服务,而这也是微信商业化最理想的生态。
一直以来强于线上的腾讯看中的正是58同城多年来对于线下的深耕,而恰恰正是线下市场存在着巨大的升值潜力,尤其在这个重服务重体验的领域,58同 城优势渐现,而投资58,腾讯可以上接流量用户,下接产业,从而布局一个完整的O2O生态链,这也体现了互联网公司对于传统生意价值的认可。
BAT领域,各家都在下大力气加码O2O领域。这从百度和阿里巴巴近期的投资路劲就可见一斑。几乎所有投资都剑指移动互联网、O2O.。.抢占入口、抢占用户更多停留时间、从而获取更多广告价值,通过提高生活服务类业态中的餐饮、娱乐、酒店、家政、打车等业务的基础服务能力,打造O2O广告交易平台…这或许是BAT意图所在。
因而,我们有理由相信,未来生活服务O2O领域必将上演一场场生死厮杀。而基于该领域的创业机会也将在这一两年内迅速爆发,事实上这从去年底兴起的上门按摩、上门美甲等一系列的上门服务中就已初见端倪。而58同城拿到这笔钱后,还会重金砸向这个领域。
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。