
CNET科技资讯网 8月26日 北京消息:2013年,在迅雷内部悄然启动的“水晶计划”并不算引人注目,但彼时已经勾画出“云计算与共享经济结合”的雏形,次年9月,经过初期实践后,迅雷找到了一个合适的运作载体——迅雷赚钱宝。2015年1月,迅雷赚钱宝在2万内测用户的检验中逐步成型,4月23日正式亮相后便迅速以“会赚钱的智能硬件”打响市场,一年之内就先后出了两代产品。
昨天,迅雷赚钱宝宣布升级,在原有的用带宽“赚钱”的功能外,添加迅雷下载宝插件功能,原有的迅雷快鸟等插件也升至最新版本。
网心科技营销副总裁董鳕介绍,升级后,迅雷赚钱宝用户将在星域共享平台上集中体验到多种功能,迅雷赚钱宝也将自此升级为共享经济智能平台。
网心科技营销副总裁董鳕
去年底,迅雷赚钱宝首次升级换代为迅雷赚钱宝Pro,并首度开放插件功能,这次增加下载宝插件功能后,迅雷赚钱宝用户的手机、平板等智能设备只要连上Wi-Fi,新增照片、视频、影视剧等即可自动备份至迅雷赚钱宝,实现智能转存,就能在电视、电脑等多个共享终端上直接播放迅雷赚钱宝所连硬盘中的影片。
将迅雷赚钱宝与移动硬盘连上后,迅雷赚钱宝还将摇身变为用户专属个人云盘,家中、办公室所有的智能设备均可局域网共享云盘存储,并支持远程访问和远程手机相册备份。同时,迅雷赚钱宝的下载宝插件App还提供找片、影院、相册等功能。
在使用上同样无需开启电脑,用户用手机App即可7*24H宽带满速下载,且延续前两代产品低功耗特性,迅雷赚钱宝实际运行功耗仍为3W-4W,10天仅需1度电。
一直以来给自己打上“共享经济”标签的网心科技的目标显然不只是做智能硬件,而是寻求包括空闲宽带在内的计算资源的全民共享。迅雷赚钱宝正式投入市场1年4个月后,将从“会赚钱的智能硬件”,升级为“共享经济智能平台”,通过聚合包括迅雷下载宝、迅雷快鸟在内的多项服务,让迅雷赚钱宝成为一个复合型的智能平台。
迅雷赚钱宝的用户们将不止于变现空闲带宽,还能够通过插件的方式使用下载宝的多项功能,包括数据共享、数据备份、多端影音体验等。这意味着迅雷赚钱宝将告别过去单纯的资源再利用阶段,玩客将由此更深入地参与共享经济云计算,获得更为广泛的价值反馈。
即日起,迅雷赚钱宝用户即可通过三步——打开迅雷赚钱宝APP中星域共享平台、点击下载宝插件图标下载、完成安装就能使用。未来,迅雷赚钱宝还将开放更多插件功能。截止去年11月,迅雷赚钱宝和赚钱宝Pro已为社会节约下价值2亿多元的带宽资源。
值得一提的是,除了小米、爱奇艺、熊猫TV等客户,网心科技还开始在VR(虚拟现实)领域有所动作,合作伙伴包括迅雷投资的Insta360、乐相科技。
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。