
58同城并购中华英才网后,时隔两个月终于公开发声,58同城CEO姚劲波表示,预计在两年内将投入不少于10亿元人民币支持中华英才网发展,主要用于团队建设及市场推广。
据介绍,在团队建设方面,58同城会将现有部分产品团队调入中华英才网,发力产品、校园、销售三方面,在产品技术等底层进行优化,加强校园招聘,提升在移动端的服务体验;在市场推广方面,中华英才网将进行大规模户外广告投放、电视节目冠名(比如《非你莫属》)、影视剧植入(比如《翻译官》)等,加强品牌知名度。
同时,中华英才网还将在用户端和企业端进行产品升级,提升服务和体验,包括改版用户端的产品页面、建立微招聘平台、个人中心等,以及在企业端建立中高端人才库、HR培训体系、校园PRO业务等。
1997年成立的中华英才网已经三易其主:从2005年4月到2008年,网络服务提供商Monster Worldwide通过三次交易完成了对中华英才网的全资收购;2013年2月,全球网络招聘机构爱尔兰尚龙集团(Saongroup)宣布,其在华品牌Myjob已收购中华英才网90%的股权,交易完成后,Monster Worldwide仍保留中华英才网10%股权;今年5月8日,58同城宣布并购中华英才网,交易金额未披露,中华英才网原母公司爱尔兰尚龙集团将退出其在华业务,并将全权负责与员工相关的后续事宜。
姚劲波今日表示,自己的第一份工作是通过中华英才网找到的,这样的经历对自己影响很大,因此多年来一直关注着中华英才网。对于其近年来发展不佳的状况,姚劲波直言,这实际上是给了58同城并购的机会。他指出,中华英才网作为一家纯外资持有和管理的中国互联网公司,员工没有持股,本土的团队也缺乏工作动力,“确实走了很多弯路”。
在58并购中华英才网的消息公布后,品牌已衰落的中华英才网又陷入了裁员风波中,据凤凰科技当时了解,中华英才网的BD、客服等团队均全数被裁,并且未获得与58同城的签约机会。从此次姚劲波对中华英才网原团队表现不满,以及对其团队建设的改造也不难看出,58同城对中华英才网的并购,的确如姚劲波所说,是要“纠正错误”。
58同城副总裁、中华英才网总经理刘扬今日对此回应称,中华英才网之前的裁员是原母公司爱尔兰尚龙集团在退出时进行的全体员工解聘,而58同城当时对所有员工都发出了签约邀请,最终有20%的人因为有其他机会、不愿接受辛苦加班等原因没有签约。中华英才网副总经理王毅透露,原技术与产品团队中90%的人都留了下来。
刘扬还表示,目前中华英才网改造的两个核心,一为员工的工作心态,即从原来外资管理的“半休眠”状态转变成根据工作需要加班等状态;同时对产品进行创新,包括面对企业端,在原有广告位投放基础上推出的“按效果付费”的招聘模式。她指出,效果付费模式从7月开始推行,预计在明年上半年体现出贡献收入的效果。
姚劲波称,在并购中华英才网两个月的时间里,后者的团队表现等已经发生了很大变化,在未来几个月后,中华英才的流量情况和产品模式都会发生变化。他更自信表示,三年后中华英才网将重回校园招聘行业第一的位置。据他介绍,目前在线招聘中,中华英才网的市场份额为30%以上。
在58同城与赶集合并时,双方曾明确表示,合并后赶集将侧重运营二手车业务与招聘业务,58同城侧重房产与到家服务。而58同城在并购中华英才网后瞄准校园与白领的中高端人才招聘的“回归”,此前就曾被质疑过其在招聘领域“野心昭昭”,并不会真的将招聘业务交由赶集侧重发展。
姚劲波今日表示,58旗下的招聘平台,日访问峰值为3亿,总简历量达2亿以上,在集团业务中具有重要的战略地位。刘扬也指出,58与赶集合并后,双方会在蓝领招聘方面进行业务分工,中华英才网将是独立品牌和运营。可见,58同城不仅会继续在蓝领招聘上发力,还计划通过中华英才网在中高端人才招聘上分一杯羹。
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。