
CNET科技资讯网 2月6日 国际报道:社交巨头Facebook第四季度营收超越预期,但假新闻带来的困扰亦不减反增。
最近几个月来,Facebook CEO扎克伯格(Mark Elliot Zuckerberg)一直在努力解决Facebook面临的假新闻问题,讨论社交网络在媒体行业中所扮演的角色这一议题。具体包括:信息传播企业是否负有遏制错误资讯的责任?在Facebook上持不同意见的用户是否有权利建立起这种并非人人都乐于接受的世界观?以上所有问题都有可能在未来引发危机,但Facebook至少在另一个最根本的问题上无需担心——也就是赚钱。
本周三,Facebook在其IPO的五年之后公布了截止于去年12月31日的最新财报。其营收高达88.1亿美元,高于分析师们预测的85.1亿美元。送去成本后的净利润折合每股1.41美元。分析师们此前给出的结论则为每股1.31美元。
该公司还表示,使用其平台的用户总量已经增长至18.6亿,高于上个季度的17.9亿。这意味着地球上几乎每七个人中,就有两个人每月都在使用Facebook。
“我们的目标是连通整个世界,其重要性已经达到前所未有的高度,”扎克伯格在一份声明中指出。“我们的企业在2016年中表现良好,但我们未来还需要投入更多精力以进一步改善人们之间的沟通能力。”
该公司股份在财报发布后的数小时中增长了近3%。
Facebook多年来一直与媒体行业保持着亦敌亦友的关系,但其张力在去年11月特朗普赢得大选后达到峰值。特朗普的部分批评者指责Facebook没有在打击虚假新闻方面投入应有的努力。另有一部分人则表示,Facebook的工作是将选民们的意见集中起来,因为Facebook的算法似乎更倾向于突出人们观点较为一致的文章。
该公司过去几个月来一直在努力解决这一问题。去年12月,他们提出一项计划以打击虚假新闻,包括纳入客观事实并让人们能够更轻松地标记出虚假故事。Facebook还在上周调整了其“趋势话题”功能。现在每个人都会看到相同的一组文章,而不再是一份针对个人喜好的个性化新闻内容列表,这似乎是希望为人们提供更为多样化的观点。
“我们一直在努力打击虚假新闻与恶作剧”,而具体方式则与该公司对抗垃圾邮件与欺诈链接一样,扎克伯格在本周三的分析师电话会议上表示。
但虽然Facebook方面目前仍能把控局势,但未来的情况却更加错综复杂。
本周三,该公司表示其广告收益达到86亿3千万美元,其中84%来自移动广告。但去年11月,公司CFO David Wehner曾警告称当年下半年的广告营收增幅出现“有意义”的放缓。
这到底是什么意思?翻阅Facebook的新闻推送,大家可能很快就会看到“推广故事”或者其它类型的广告。Facebook即将接近这一致命阈值,意味着如果广告继续增加,用户将因为反感而不再使用这一社交平台。
为了解决这一问题,Facebook公司开始尝试在其它位置投放广告,包括目前已经拥有10亿用户的聊天应用Facebook Messenger。
Facebook公司还准备向Snap发起新一轮冲击。作为Snapchat的母公司,其已经成为社交媒体中最为强大的竞争对手之一。这位年轻尊贵有望在本周进行期待已久的首轮公开募股。
Snapchat拥有疯狂而忠实的用户基础(月活跃用户达1亿5千万,其中大部分是年轻人)。Facebook一直在试图复制其中的一些酷炫元素,扎克伯格甚至明目张胆地复制了Snapchat中的流行功能——Stories。其允许人们发布视频与照片集,且这些资料会在24小时后自动消失。去年8月,Facebook持有的Instagram推出了自己的Stories功能。另外,Facebook本身也在爱尔兰开始测试同样的功能,名为Facebook Stories。
扎克伯格对于这种复制Snapchat流行功能的作法并不羞愧。
“很快,我们认为相机将成为分享体验的主要方式,”而不再是传统的文本框,扎克伯格在上季度指出。“我们认为视频的重要性显然将进一步提升。”
本周三,扎克伯格详细阐述了Facebook未来的视频功能发展思路。
他表示该公司对于用户上传的给朋友们观看的视频以及其它专业性内容很感兴趣。他还表示,其希望Facebook成为人们观看此类新鲜视频的环境,并最终实现“情节内容”。这很可能意味着扎克伯格有意将网站打造成类似于Netflix与YouTube的媒体平台。
不过扎克伯格指出,其目前的发展重点还不会归于大段视频内容。他解释称,“我们首先会着眼于较短的视频内容。”
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。