科技行者 5月22日 北京消息: 今天,拼多多(NASDAQ:PDD)发布2020年第一季度财报。在截至2020年3月31日的前12个月内,拼多多的年度活跃买家数达6.28亿,单季度劲增4290万,继续保持用户的高速增长势头。与2019年同期相比,活跃买家数更是增加了1.85亿。
从“0”起步发展到服务超过6亿用户,拼多多只用了不到5年的时间,创造了电商行业的新纪录,6.28亿的年度活跃买家已经接近了阿里巴巴在2018年第四季度的6.36亿。同时在此基础上,拼多多仍然保持了40%以上的用户增速。
拼多多平台上单个用户的消费额也在稳步提升。截至3月底,平台活跃买家平均年度支出金额达到1842.4元,较去年同期增长了47%,在2019年底,这一数字为1720.1元。
受益于买家数与人均支出的增长,拼多多平台的交易额(GMV)也继续保持高速增长。在截至3月底的前12个月里,拼多多GMV达到11572亿元,较2019年同期增长了108%。
与用户在拼多多上越买越多的趋势同步,拼多多平台的用户粘性也在稳步增强。在最新一个季度,拼多多App的平均月活用户数达到4.87亿,较2019年同期增加了1.98亿。
“月活用户一年增加近2亿,且月活/年度买家的指标,从19年一季度的65.4%提升到了20年一季度的77.6%。”拼多多董事局主席兼CEO黄峥表示,这代表了用户更加喜欢拼多多的产品,拼多多也有更强的能力来满足用户多样性的需求。
2020年第一季度,拼多多的收入达到65.41亿元,较2019年同期增长44%。据此前彭博统计的37位分析师给出的一致预期,拼多多2020年Q1营收将达49.69亿元,较去年同期增长9.3%,或出现营收同比增速新低。而拼多多实际营收大幅超越了彭博37位分析师的预期。
同时,拼多多于2020年第一季度的亏损有所扩大,本季度非通用会计准则下归属于普通股股东的净亏损为人民币31.70亿元,对比去年同期净亏损为人民币13.79亿元。
拼多多方面解释,亏损扩大主要有两个原因,一方面是疫情期间,为了帮助平台上的商家,拼多多在保持0佣金的基础之上,主动继续降低商家在平台上的营销成本,并将大量的免费流量资源优先给到了用户最需要的医疗用品,因此在交易额翻倍增长的情况下,营收只实现44%的增长。
另一方面,拼多多继续加大在技术、产品和商品直接补贴上的持续投入。多多直播让用户在家中就可以浏览博物馆,在买水果的时候可以看到水果的采摘和包装,可以与商家有更好的互动,这些都会带来更高的宽带成本。同时,拼多多百亿补贴持续在线,不断给用户提供更加有性价比的品牌商品,这一季度,平台的销售与市场推广费用达到了72.97亿元。
值得注意的是,截至一季度末,拼多多账上现金及现金等价物和短期投资合计 426亿元(不含受限资金)。拼多多方面表示,公司现金储备充足,百亿补贴仍会持续,并不断扩大补贴的品类与商品数量。给消费者提供更多选择与更好的消费体验。
作为与中国农业、制造业融合最为紧密的电商平台,2020年第一季度,拼多多积极出台了各项举措,解决滞销农产品的产销对接难题、平抑特殊时期的商品市场价格、帮助商家缓解因物流和人力成本提升所导致的经营压力。
期间,拼多多率先开启了“政企合作 直播助农”“产业带复工大联播”等一系列创新模式,帮助农户、企业解决实际问题。截至5月14日,拼多多“市县长直播间”累计带动助农产品销量超过8.5亿斤,直接帮扶农户超过35万户。
制造业帮扶方面,拼多多先后联手广东、浙江、山东、江苏等16个省份政府及企业,深入推进“产业带复工大联播”,助力中国制造企业“从线上到线下”“从外贸转内销”,直接带动相关成交额超过58.9亿元,期间,平台新入驻外贸转内销企业超过11.3万家。
在各项综合举措的推动下,拼多多最新披露的数据显示,5月份以来,平台日均在途物流包裹数已超过6500万件,较今年3月上涨30%。
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。