6月18日,上海机场(集团)有限公司与腾讯正式签署战略合作框架协议,双方将联手打造国内首个“微信智慧机场社区”,促进上海机场与周边区域内市政交通、航空产业、社区治理的打通,并带动这个集成综合体的一体化建设。
至此,微信“智慧机场”已覆盖北京首都国际机场、湖南机场集团、上海机场集团、云南机场集团下辖的数十家机场。
微信打通一站式行、购、娱智慧服务
上海机场作为中国以及世界的重要航空枢纽,是腾讯在出行领域非常重要的合作伙伴。此次双方的合作将结合各自的优势资源,针对航空旅客出行的特点,共同探索“智慧机场社区”模式,为旅客提供更多便利与优势服务。
微信“智慧机场”解决方案全面落地后,上海机场的旅客不但可以通过公众号完成值机、航班查询、天气查询等操作,还可以实时接收航班动态等机场内各类信息。结合微信摇一摇和腾讯地图,上海机场还将实现场内全景地图导航,而贵宾服务、机场Wi-Fi、租车服务等众多公共服务也在接入中。而机场内的各类零售门店、餐饮休闲娱乐等服务也都将支持微信支付付款,候机的旅客由此可享受到更便捷的购物、餐饮消费体验。
未来,上海机场“智慧机场社区”将与市内大交通、政府在线服务窗口、微信城市服务入口对接,为上海市民的航空出行提供更多有用的信息,支持上海“智慧交通”、“智慧城市”的建设。
布局大交通时代,微信“智慧机场”版图高速扩张
目前,根据既有的合作,北京首都国际机场,上海机场集团下属的浦东国际机场、虹桥国际机场,湖南机场集团下属的长沙黄花、张家界荷花、常德桃花源、永州零陵、怀化芷江、衡阳南岳等机场,云南机场集团下属的昆明长水、丽江、西双版纳、德宏芒市、腾冲、迪庆香格里拉、大理、思茅普洱、保山、临沧、文山、昭通等机场均已纳入智慧转型规划。
早在今年3月,微信就已开始与北京首都国际机场围绕机场旅客一站式出行、机场智慧商业展开合作。如今,在首都机场,旅客不但可以通过机场公众号查询航班、天气信息,还可以在各零售门店使用微信支付消费付款。此后国内各大机场也纷纷积极响应,比如湖南机场集团发挥就自身集群优势,打造出全国首个“微信智慧机场集群”;云南机场则借助微信来提升机场微信公共服务水平、助推云南机场电子商务建设。
将机场公众号作为线上服务的统一入口,微信智慧机场解决方案以微信公众平台和微信支付为基础,联合微信卡包、微信摇一摇、微信连Wi-Fi等能力,优化、整合机场公共服务资源和商业资源,打造出“从家门到舱门,从舱门到家门”的一站式出行智慧服务,为旅客提供了更为高效、便捷的航空出行体验。
机场内各类零售、餐饮、休闲等商业服务,也可借助微信平台实现O2O业务的深度探索和创新、构造线上和线下的商业闭环,并以微信泛会员体系为基础,构建机场大会员体系和信息共享,提升旅客消费体验和促进消费转化。
6月18日起,上海机场就将携手腾讯在机场内推出“摇一摇”体验活动,旅客使用微信摇一摇即有机会随机摇取微信现金红包、微信电影票、滴滴打车券等奖品,为旅途增添一份额外的惊喜。
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。