
2014 年初,果库3.0 Android版发布,一次大刀阔斧的改版竟是一段弯路的开端。用户量没增加,活跃用户慢慢流失。今天,果库 4.0 Android 版在豌豆荚独家首发,在同样大刀阔斧的改版背后,果库经历了什么?创始人廖锦有与豌豆荚“应用发布会”栏目聊了聊两次改版背后的故事。
果库 4.0:重回最简单的商品发现
从 1.0 到 4.0 果库 4 个版本首页图对比
果库又回来了。
「每日精选」回到了首页。没有了侧边栏,改用四标签页底栏的设计,果库 3.0 Android 版的首页被放到了第二个标签页里。图片大而精致,编辑直接在这里为你推荐的最好的商品。
作为国内第一家做优质商品推荐的 App,它不仅为用户推荐有趣又开眼的商品,精彩的商品评论也是看点之一。
从 1.0 到 4.0 的首页截图,你可以看出这一次是果库对自己的回归。
用户流失了 果库迷失在入口变多的3.0
豌豆荚「应用发布会」主办方:一觉醒来,发现 4.0 的首页又改回最初精选商品的信息流了,那中间杀出来的 3.0 版本算啥?
果库 4.0 回到了极简的交互体验,砍掉了侧栏导航,采用经典的固定底栏设计,「精选–发现–通知–个人」4 个按钮将功能划分得更加清楚。
3.0 版本光是首页就有 6 个发现商品的入口:专题图片、「精选」、「热门」、热门品类、「新品推荐」的信息流
廖锦有:3.0 我们走了个弯路。很多人看不懂果库到底要干嘛了,要做电商还是社交?其实我们自己也有点迷失。
3.0 最初是为了增加发现商品的维度,但入口变多,产品反而复杂了。精选商品的页面被折了起来,这个改变让用户留存率明显减少,而浏览深度也没有达到我们的构想。
iOS 版本升级到 4.0 以后,回升的数据也证实了我们的想法——开启频次增长约 10%,停留时间比之前增长了约 1 分钟。
豌豆荚「应用发布会」主办方:3.0 为啥做那么复杂?能具体讲讲么。
左侧是 3.0 前端呈现的入口,右侧为 4.0
廖锦有:3.0 通过首页和抽屉式的选单来呈现所有功能,精选商品的信息流被藏起来了。4.0 改版之后,精选商品的信息流回到了第一屏,3.0 的首页被放到了 4.0「发现」页里,从数据上看,这个以前的首页流量不是特别高……
我们之前的思路是把功能入口都放到表面,但这是不对的,很多功能应该自然而然地出现在用户需要的地方,微信这一点其实做得很好。
豌豆荚「应用发布会」主办方:果然是一段弯路……
l 回到「帮用户筛选好商品」
豌豆荚「应用发布会」主办方:好像现在每个大佬都喜欢讲「初心」,果库这次改版是不是也能看作一种回归?
廖锦有:果库的初衷是帮用户从浩瀚的淘宝商品中筛选最优质的那部分,但 3.0 的设计又让整个体验变复杂了。从 2.0 到 4.0,都是一个重新定义果库的过程。果库发生了很多改变,竞争对手也发生了很多改变,但「帮用户筛选好商品」这件事仍然没有做好。
果库 4.0 基础的技术架构,实时且更有效地支持用户在前端对商品的喜爱、点评、评论、点赞及购买等具体行为操作。
4.0 我们考虑得更长远,现在看似相对基础的功能,其实是在搭建一个框架,未来会不断增加新的东西进来。可以说真正的重点是 4.1 及以后的版本。
做媒体 不做电商
豌豆荚「应用发布会」主办方:考虑得更长远具体是考虑什么?
廖锦有:未来果库会逐渐去掉电商的部分,这点跟竞争对手不同。我们想以媒体的方式,完全从用户的角度出发,帮用户解决实际的生活问题,比如「日本家政妇用的十大扫除利器」。所以跟购买转化相关的数据,都可以边缘化了,商品的「喜爱」数和评论数,反而更重要。
打开果库 4.0,那种熟悉又亲切的感觉扑面而来,就像一个尚不成熟的少年,走了一些弯路之后终于想明白自己到底要做什么。
不管之前吃过多少苦头,任何一次重新出发都值得被珍惜。
豌豆荚「应用发布会」是什么?
豌豆荚已经跟传统的「应用首发」分道扬镳啦,我们会以全新的方式,跟你聊聊优质 Android 应用的大版本更新,聊聊令人惊喜的 Android 新应用。那到底「全新的方式」是有多全新呢?相信你应该已经感受到了。关注豌豆荚公众微信号,搜索「应用发布会」可查看往期内容。
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。