昨日有消息称,乐视云正洽谈收购国内某直播平台,并已签订战略合作协议,针对该消息,乐视云官方并未给予回应。垂直于视频领域云服务的乐视云近来动作频频,不久前曾对外宣布正式启动A+融资,希望引入多元化投资方。如今再爆收购传闻,可见在战略和资本布局方面乐视云的脚步一直没有停止。
今年3月乐视云完成首轮10亿融资,金额为全球云计算领域首轮融资最高,与此同时再度发力视频云领域,据相关数据显示,目前乐视云的服务已覆盖国内互联网、广电、教育、电商等多个领域,其中国内95%的直播平台的视频云服务商名单中均有乐视云。”拥有基础底层架构和视频云服务的乐视云,如果拿下国内某主流直播企业,那么在抢占国内视频直播市场的道路上将更具优势”,某行业分析人士称。
提到乐视云,外界对其的认知大多在云计算、做视频相关、脱胎于乐视网等标签,甚至此前业界有观点认为,“乐视云计算充其量是个CDN服务售卖者,与网宿、蓝汛等传统CDN厂商无异”。而从去年至今,乐视云一直在用实际行动摆脱外界的这个评判。
乐视云CEO吴亚洲此前曾在接受采访时表示,乐视云做的是“IaaS、PaaS和SaaS的全云布局“。从目前乐视云的业务分析来看,在IaaS和PaaS领域乐视云的成绩单还算亮丽。
在底层IaaS的CDN服务方面,乐视云拥有全球60多个国家和地区的680个CDN节点、20Tbps出口带宽,相比国内阿里云500个CDN、10T带宽和腾讯云550个CDN、20T带宽,乐视云的基础服务保障明显强于阿里云和腾讯云,乐视云还是国内首家启用卫星引流的云服务商,曾为熊猫TV、摩登天空等多家客户的直播提供了高清流畅的服务保障;在PaaS层面乐视云提供了云点播、云直播、移动直播、Data+等应用和全云解决方案,在视频云领域的表现也获得外界颇多赞许,仅2016年就为猴年央视春晚、澳门电影节、格莱美音乐盛典、中超、英超、苹果新品发布会、Google开发者大会等数万场重量级的活动提供过全球直播,在不久前财新直播IMF时采用的就是乐视云移动直播SDK,更是在新闻媒体领域首次实现“美国一台手机、中国同步观看”的跨境移动直播。
然而在SaaS领域,乐视云目前的产品尚显薄弱,包括自助生成视频媒体门户的“应用工厂”和商业发行平台。据了解,应用工厂是一款一键式生成PC、APP、TV等全终端视频网站的自助服务平台,商业发行平台则是通过内容汇聚,将视频发行到Facebook、YouTube、斗鱼TV、天府TV等国内外视频网站、互联网电视、直播平台、广电、户外大屏等数百家渠道,从而实现内容价值变现。
有行业分析人士曾表示,如果视频云企业仅靠基础的C D N采购等底层服务模式,效率低、门槛高,“如果把视频编解码、传输、播放、互动甚至广告、安全等用云一站式交付给用户,围绕自己主营业务建立生态,商业模式才可以实现最大化”。在微软近日发布的合作伙伴“红宝书”中提到,在企业向云转型的过程中,要避免为企业客户提供大量定制化的服务,而尽量以模块化的产品和解决方案来节省人力、物力和成本——这种模块化的产品和解决方案,在视频云领域便集中体现在PaaS和SaaS领域。
反观乐视云的业务发展轨迹,从CDN到云直播、云点播、移动直播,再到一键生成视频媒体门户的应用工厂和自助化内容商业发行平台等视频门户和视频交易产品,可以看出,乐视云的产品形态正在逐步朝向自助化、模块化、体系化发展。吴亚洲曾在接受媒体采访时透露,目前乐视云的IaaS和PaaS收入是主体,但预期在2年左右SaaS和PaaS的收入将成为第一大收入。
“乐视云非常看重视频领域在SaaS和PaaS上的布局,这有利于乐视云通过模块化的产品和解决方案,在提供技术服务的同时,对其平台上的海量内容做商业变现,这将成为未来乐视云商业模式的一大主力”,据某位接近乐视云的人士表示。
值得注意的是,本周网上还有一则疑似乐视云内部会议的视频曝光,视频内容引发业内对乐视云8月的新品、资本等方面的猜测。如若视频中曝光内容属实,结合上述分析,乐视云很有可能在8月发布基于SaaS或PaaS领域的相关产品和解决方案。
不过,截至目前我们尚不知乐视云8月的大动作究竟是什么,但可以确定的是,乐视云的下一步棋的走向势必在SaaS和PaaS领域。
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。