人人公司在公布2015财年第一季度财务报告之后,人人公司董事长兼首席执行官陈一舟公布了公司的重大转型,将追随互联网金融的风口,从社交网络平台向在线金融公司演进,开拓互联网金融的相关业务。
陈一舟在接受专访时透露,于2014年推出的“人人分期”平台已经积累了27万注册用户,交易额达3.3亿元。之后还将上线人人理财平台,并涉足二手车交易贷款、家装O2O贷款等垂直领域。
转型金融公司 发挥社交优势
陈一舟表示,人人公司对于金融业务的布局从四年前已经开始,现阶段将以投资和自建平台两种方式为主,覆盖P2P、校园分期、股票投资等,且已经获得私募牌照。目前人人分期平台的交易额超过3.3亿元,通过收取服务费的方式获得营收,这块业务数据将从第二季度开始单独在财务报表中呈现。
人人分期平台已经上线几个月,主要给大学生提供贷款,帮助其购买电子产品、服饰、化妆品等。人人理财平台已经在内测阶段,几周之后将正式上线,是主要针对投资者的融资平台,主要提供固定收益的理财产品、股票基金类投资产品等。
此外,人人还将涉足二手车交易贷款,融合到人人分期的平台。“通过对Social Finance等国内外金融公司的投资,我们一方面学习到了世界性的金融产品设计思路,另一方面也会和一些平台直接达成合作”。
今年2月,人人公司领投了二手车电商交易服务平台车易拍,近期又投资了家装O2O平台“筑巢”等,未来将通过这些平台介入二手车交易贷款、家装O2O消费贷款等领域。
陈一舟认为,人人在社交、社区领域有多年积累,因此有稳定的用户池,已有的用户群比较优质,加之在社交关系等数据上的积累,可以更加高效地来做用户信用判断,比如好友数、活跃度、真实动向等,因此对应的坏账率也会更低。
反对烧钱模式 看好国内投资市场
陈一舟表示,自己是价值投资者,人人公司在金融业务上的策略是价值+量化分析,整体会比较保守,不会采用大肆烧钱、短期冲击交易额的方式。“互联网金融公司的本质是金融,其次才是互联网,金融部分需要对目前主流金融产品没有解决好的方式提供方案,同时通过互联网来降低获取用户和运营的效率”。
陈一舟认为,金融是一个长线业务,不能以一百米的速度来跑一万米的比赛,“这个行业和保险业类似,在别人贪婪的时候要恐惧,等别人遭遇风险的时候,就是进入市场的好时机”。
据透露,人人的金融业务由陈一舟亲自上阵负责,产品设计、风控等都由传统金融领域的专业人士负责,营销、推广则由原来糯米团队的部分员工负责。
此外,对于近期国内A股市场的火爆,有“股神”和投资专家美誉的陈一舟认为,中国市场是非常清晰的牛市,相比于美国市场更加看好中国,因为互联网代表了现金的生产力,国家的产业转型等需要依靠互联网。
对于一些在美股上市公司计划退市后回归中国市场的现象,陈一舟明确表示人人方面还在不断观察市场。
改变硬碰硬策略 做差异化市场
在金融业务之外,人人公司还将持续在社交方面做出创新,除了提升既有社交平台的用户数、活跃度,还会将更多的视角元素融合到新的产品中,定位以年轻人为中心,与微信、微博等做出明显的差异化。
陈一舟坦言,和几年之前要和微信等平台硬碰硬的思路不同,人人在社交产品特别是移动端产品上,会强调差异化,比如专注图片分享等,以此拉动新的用户增长。
“我觉得人人最危险的时期已经过去,我的态度更加乐观。目前人人游戏重新开始盈利,人人网方面开始聚焦移动端,我相信现有业务会逐渐摆脱衰退并恢复增长,我不太在意未来几个月、一年我们的股价或估值,希望10年、20年之后我们还是成功的公司”。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。