5月18日,中手游宣布收到私有化要约。2天后,中手游组织架构调整,原COO应书岭负责的发行线独立。几乎同时做出的两项决定,其背后的关联,被认为与两家公司谋划同在国内A股上市有关。
另一个隐秘未说,但是大家都心知肚明的关键点是,貌合神离的两位,终于从实质上也要各管一块了。
组织调整形同分拆
5月20日,中手游宣布进行战略重组,将旗下子公司北京卓越晨星科技有限公司(北京卓越晨星)51%股份将在3年内转给中手游首席运营官应书岭控制的天津卓越科技有限公司(天津卓越)。应书岭将担任北京卓越晨星的首席执行官,不再担任中手游首席运营官一职。
应书岭
这一决定等于将中手游内部一直并行的两大发行团队正式拆分,应书岭团队将获独立。中手游CEO肖健公开表示,自从去年6月,中手游内部就分为北京发行中心和随悦、岚悦两大发行团队,分别由应书岭和肖健负责。
拆分之后,北京发行中心独立为子公司北京卓越晨星,控制权掌握在应书岭手中。成都卓星手中的《全民枪战》及《天天炫舞》两款手游的发行运营业务也移交给北京卓越晨星。
同时,肖健负责的随悦和岚悦,变更为中手游的网络游戏发行事业部、休闲与棋牌游戏发行事业部和海外发行事业部。主要产品包括《决战沙城》、《新仙剑奇侠传》、《喜羊羊快跑》等。
应书岭欲独立早有征兆。去年6月,中手游发生人事地震,一度掀起轩然大波,招来了美国律师事务所的调查。数日内,应书岭从被停职、到复出担任COO,最后与肖健在朋友圈“秀恩爱”。
有观点认为,对于想独立的应书岭来说,摆在面前的有两条路可走:要么离开中手游,要么内部分家。经过这场风波之后,发现前者走不通。鉴于当时的美国股市环境,应书岭至少在表面上不能离开中手游,选择内部分家亦在情理之中。
退市与拆分的关联
5月18日,中手游宣布,收到来自东方证券旗下子公司东方弘泰(北京)投资有限公司提出的初步非约束性私有化提议,以每A类或B类普通股1.5357美元、相当于每美国存托股21.5美元的价格,现金收购中手游全部发行在外股票。
中手游并非第一家想从美国退市的游戏企业,在它前面还有盛大游戏、巨人、完美世界。不过,中手游的退市为拆分提供了前提条件。如果说当初中手游留下应书岭是出于美国股市的考虑,如今,既然中手游自己都要退市了,这一顾忌也就不复存在了。
有业内人士打趣说,正应了一句俗语“烧香看和尚,一事两勾当。”一方面,A股的高估值吸引那些在海外“不受待见”的中概股们纷纷回归,另一方面,也把内部拆分的事顺手儿解决了。
或携手重回A股
正因为这次拆分,令中手游的回归之路与盛大游戏等不同。
从中手游这次架构调整内容来看,大部分收入业务依然留在了中手游,拆分不会对中手游A股上市产生较大影响。
肖健公布的产品计划中,包括了《火影忍者-忍者大师》、《航海王 强者之路》、《少林寺》、《四大名捕大对决》、《择天记》、《决战沙城2》、《无间狱》、《侍魂》、《龙珠Z》和《北斗神拳》等多款产品。棋牌游戏产品月流水峰值超过5000万,目前仍保持在3000万的规模。
《全民枪战》
另外,应书岭团队分到了《全民枪战》及《天天炫舞》两款产品,其中《全民枪战》上线首日流水破千万,这就为应书岭独立上市提供了想象空间。
从中手游的母公司第一视频的角度,两家公司同在国内上市是最理想的局面。最令第一视频董事长开心的,恐怕莫过于看到肖健与应书岭两位能干的“管家”不再争执,而是各自努力打工了。
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。