最近,很多南京的朋友们发现本市的公交车已被气质女星倪妮承包,一身休闲装扮的倪妮在车体广告中化身金陵吃喝玩乐代言人,号召大家一起“让生活更来丝”。随着网易号本地战略发布会的举行,同步出街的网易新闻今年首个本地化品牌形象广告,提出“来网易新闻南京频道,让生活更来丝”的品牌主张,背后是网易新闻今年围绕网易号×直播本地战略升级的系列品牌价值输出。来自各城市的媒体、自媒体、企事业机构通过网易号内容生产及直播等工具与本地用户相连,大大提升了网易新闻用户的本地新闻阅读和生活资讯服务体验。
“吃喝玩乐要来丝” 品牌推广强化本地用户需求
“来丝”其实是南京方言里“厉害”的意思,碰巧和英文中的“nice”一词谐音相近。很多南京用户在看到品牌广告后均表示“让生活更来丝”的口号十分接地气,有种和亲朋好友家长里短过后相互打气的场景感。网易新闻的本地化战略,正是建立在针对本地用户资讯需求分析基础上,致力于给用户带来需求度和满意度均高的本地生活服务资讯大餐。
根据相关调研报告,购物、交通出行和天气是南京用户最为关注的资讯,其次为美食、房产、旅游,而医疗、时尚及旅游等需求较高的资讯,用户则苦于获取途径太少。不难看出以南京为代表的本地用户在资讯需求方面呈现出多元化特点,并希望通过需求的满足实现生活品质的提升。而在整个移动资讯服务领域,社会民生、美食、旅游、购物、理财、时尚等方面的资讯在本地用户中呈现出需求偏高,满意度偏低的情况。网易新闻洞察到这一需求特点,结合网易号本地战略落地江苏进行“吃喝玩乐要来丝”的品牌战略推广,在用户中更易获得认同感。随着网易号本地战略的逐步下沉,网易新闻本地化品牌推广也将围绕不同城市用户需求特点进行具有本地认同感的品牌价值输出,让品牌落地更接地气。
网易号×直播 网易新闻营造城市内容服务生态
在刚刚结束的网易号本地战略江苏站发布会上,网易传媒副总编辑章丰披露,目前网易新闻江苏累计用户超过3800万。江苏是网易新闻布局的第一个直营省份,凭借对新闻的快速反应及不断创新报道形式的媒体专业精神,网易江苏成为了最早实现网易直播常态化的地方站,并创造了多个优质新闻直播案例。清明节沪蓉高速发生连环车祸,网易江苏迅速做出反应,苏州、无锡、常州三地联动, 4小时创下660万人次参与的直播记录,充分发挥了地方站迅速抵达一线的信息优势和新闻客户端作为大平台的流量优势。除此之外,网易本地利用直播这一强大的新闻载体对功能服务性内容深耕,用户反响强烈。5月网易江苏发起“南京全城联动为女童寻找父亲”的直播,75万网友见证了这场全民公益行动的实施,网友互动的力量和价值通过直播得到了充分展现。
随着网易号本地战略的启动,网易新闻本地化资讯服务将跳出单纯的网易地方站新闻内容输出模式,打造网易号×直播的媒体新常态。来自各城市媒体、企事业机构及自媒体的优质、多元化本地内容生产,大大丰富了本地用户的资讯需求。网易号匹配的强大自媒体直播功能,多维度助力网易本地直击城市正在发生的新闻现场,使得本地用户随时“置身”城市热点现场成为可能。未来一场医院的健康讲座,图书馆的读者沙龙,科技馆的科学实验,都可以用直播的方式和用户“见面”,并通过高强互动让新闻产生更多服务价值。
网易号主体的多样性,使得“网易号×直播”呈现出城市内容服务生态圈效应,“媒体合伙人”实现网易新闻和本地媒体的传播优势互补,企业网易号直播助力原生广告的诞生,来自个人的网易号直播,则真正重新定义了“人人都在新闻现场”。未来网易号作为网易新闻和每座城市的连接器、内容池,将随着自身体系的不断发展完善,有效连接起每一个新闻源,并通过网易新闻的智能分发,精准推送给用户,真正实现让每一个本地用户“生活更来丝”的愿景。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。