CNET科技资讯网 2月1日 北京消息(文/周雅):今天中午,合一集团(优酷土豆)内部信称,在近期的一次内审中发现,前员工卢梵溪在职期间,涉嫌利用职务之便进行违法犯罪行为,由于事情复杂严重,已经被警方带走配合调查。
资料显示,卢梵溪于2009年加入优酷,曾担任优酷土豆集团副总裁、优酷出品总制片人,期间发起并监制了总点击量逾1亿7000万次的《老男孩》微电影以及《万万没想到》《名侦探狄仁杰》等网剧。2015年7月,卢梵溪宣布离职创业,创业范围仍在视频领域。
对于卢梵溪一案,合一方面表示,“卢梵溪在多年的工作中,对于公司的发展有着不可否认的贡献”,但“此事突破了公司的底线、触及到法律,任何人都必须承担相应的后果”。
1月29日,在合一集团的年会上,合一董事长兼CEO古永锵重点提到了公司内部廉政和反腐:“半年以来,廉政的团队开始启动反腐的活动。我们也发现了一些问题,很多事情是我非常痛心的,最近在做一些非常难的决定,都是对公司非常有贡献的人,非常难受。但这种情况下,法律就是底线,如果你真的有问题,那其实是在伤害每一个同学的利益,这是绝对不被允许的,如果这里还有这样的同学,我们就要求他下车,在未来大发展的十年,我们决不允许有这样的情况。虽然做一些决定很痛心,但是我们也会做”。
关于前员工卢梵溪涉嫌违法的内部通报
合一全体同学:
最近一年以来,集团大力推动全新的文化娱乐生态的建设,致力打造互联网+文化娱乐创业平台。为了让业务健康有序发展,集团对历史项目的财务、流程进行了全面的梳理。在内审过程中,我们发现某些制作项目存在严重的疑点,由于事情复杂严重,目前警方已经介入调查。
目前掌握的情况是,前员工卢梵溪在职期间,涉嫌利用职务之便进行违法犯罪行为,卢梵溪已经被警方带走配合调查。卢梵溪在多年的工作中,对于公司的发展有着不可否认的贡献,对于此事的发生,公司管理层表示震惊、遗憾和痛心。此事突破了公司的底线、触及到法律,任何人都必须承担相应的后果。法不容情,希望大家引以为戒,严格自律。
我们相信一个人、一个组织、一个行业只有做得正、才能走得远。集团会将反腐倡廉工作常态化,通过内审等手段,及时发现行为不端者并将其清除出我们的组织、请他下车;如果触及法律,集团也会充分利用法律手段维护自身及广大合作伙伴的权益,严惩不贷、绝不姑息。
合一十年,我们从无到有,不断创新,成为拥有3000多名员工和众多上下游合作伙伴的行业领导企业。我们是一个温馨有爱的大学堂,同学们能汇集在一起,不仅是因为我们有着共同的目标和愿景,也是因为我们有着共同的价值观和行为准则。
当下,我们所处的行业正在迎来前所未有的黄金时代,技术发展、商业模式创新、自频道爆发、IP繁荣。今年不论是在内容上还是产品研发方面,公司都将投入巨大的资金,在未来的三年内我们还将投入一百亿催生网生内容、打造全新的生态系统。宏大目标的成功需要每一位同学、每一个团队、每一家合作伙伴的创新和努力。集团大后台将不断优化内部架构、流程,不断强化运营管理和业务合作,建立规范的流程和行为准则,引领行业健康、良性、可持续发展。
集团希望每一位同学都能开开心心做事,堂堂正正做人,严格遵守公司的管理规定和各项法律法规。在快速发展、不断创新中,同学们一起不断完善管理体系和流程,打造健康、绿色的多屏文化娱乐生态系统,推动中国文化娱乐产业的发展,分享快乐、智慧和感动。
合一集团总裁办
2016年2月1日
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。