
CNET科技资讯网 11月18日 北京消息(文/周雅):一年一度的黑色星期五又要来了,照例,2016亚马逊全球购物狂欢又要开始了。
想必“没有水份放心购”的亚马逊广告已经打满了各个写字楼,为了让“剁手族”更直观的感受一下,亚马逊海外购线下体验馆昨天空降北京三里屯通盈中心北广场。
从外观上看,这是一个巨大的亚马逊包裹盒子,走进去,盒子打破了次元壁,因为里面完全就是一个二!次!元!世!界!一个个立体的小商品摆那儿,就像是一个线下买手店,时尚、美妆、家居、厨具、母婴、玩具、数码、户外等热销品类的数百件精选商品,看着就心欢。
墙面上可以体验各种海淘的场景,有多种互动游戏,还有很多小巧的二次元道具可以凹造型拍照发朋友圈,完全就是一个品(装)质(X)生活方式。
对海淘党而言,买买买固然高兴,然而收到账单的那一刻多少会有点惆怅,不少人直言要开始吃土,暂时把这种状态叫“剁手综合症”吧。更更更郁闷的是,海淘的运费一般看着肉疼,总觉得自己亏了大的。
亚马逊特别准备了海淘大杀器——亚马逊Prime会员服务线下体验区,这个Prime体验在其中一面墙上,亚马逊Prime会员能省多少运费在上面一目了然,而且很多爆款在“黑五”的价格已经是异常诱惑了,如同折上折一样,算完账现场也可以注册成为会员,看着总觉得自己赚了大的。
国际大牌衣服、配饰、包包、鞋子、美妆能让妹子走不动道,随便瞥一眼,有很多时尚品牌例如UGG,Stuart Weitzman,Ivanka Trump,Dr.Martens,Bottega Veneta、Furla,当然,还有WMF、Lodge家的美锅,Kitchen Aid 家的颜值厨师机,Vitamix的品质搅拌机这些家居小能手。
男生的商品也有很多,服装鞋靴,电子数码,户外装备,还有健身器械及周边,不会打扮的男生照着墙上的模型去亚马逊买同款就行了,正好赶上“黑五”大促还能优惠。
娃也不放过!彼得兔,Peppa Pig在迷你城堡里等着,还有亚马逊卖疯了的Comotomo小奶瓶,玛格罗兰儿童推车,智能玩具……
这个“大盒子”从11月17号开始一直摆台到11月27日。
在“黑五”之前,亚马逊最新消息是:亚马逊Prime会员服务拓展至亚马逊海外购百万英国选品。这就意味着:
1、中国消费者可以足不出户买买买亚马逊美国和亚马逊英国的近2000个镇店之宝的东东,涵盖了超过7万个海淘热门品牌;2、亚马逊会实时同步海外站点;3、亚马逊Prime会员能享受跨境全年无限次免费配送服务。
在“黑五”期间,亚马逊中国联合百大国际品牌打造超级折扣和银行卡叠加返利优惠活动,部分低至4.8折;同时,来自24个品类45000多款进口直采商品将推出全场优惠,一件九折、两件八折,并从黑五当天开始,全场满499减100、满999减300;亚马逊中国还联手中信银行和兴业银行打造叠加返利优惠。
黑五当日的抢购则分别开始于11月25日星期五上午八点(伦敦时间周五凌晨12点)和下午四点(美国太平洋时间周五凌晨12点),消费者可登陆亚马逊海外购商店开始抢购,双11没买爽的可以继续了。
至于买什么划算,看这里:
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。