
6月8日晚7点,搜狐公司董事局主席兼CEO、搜狐视频CEO张朝阳在搜狐视频APP关注流中开启个人直播带货首秀。
此次直播带货以《Charles的好物分享》为主题,模式与众不同,此次张朝阳带货的物品,都是他生活中长期使用过,觉得不错的好物,并采取真正的限量发售。跟单纯卖货兜售不同,主要通过带货直播的形式展现个人生活方式,“聊聊生活,分享常用的好物,珍惜信得过的人,只带信得过的货”。
张朝阳强调这次直播带货要“抛砖引玉”,未来会拉动更多名人来搜狐视频入局直播,跟搜狐的优势基因相结合,打造独具特色的价值平台。
本次直播带货首秀也吸引了很多品牌商家的参与,如作为《Charles的好物分享》首席合作伙伴的京东,以及作为福利伙伴的阿道夫、万得妙、小码王、马爹利,还包括奥迪等头部品牌。
直播开场,张朝阳就在搜狐媒体大厦18层的办公室前门口等候网友,随后通过健康食谱大公开、办公好物、闲暇时光等多个场景,在自己的真实办公空间内如办公室、茶水间、阳光房,进行转场,让直播观众弹幕直呼有真实带入感。
此次虽是带货首秀,但张朝阳表现十分自如,他已经坚持多年进行英语新闻等各种直播,可算上是“资深主播”。“好可爱”、“自带音效”,张朝阳自带网感的主播方式,引发现场大型“圈粉”。
他围绕自己真实的办公生活场景,一边聊生活,介绍自身生活方式,一边带货,推荐了长时间使用“自己鉴定”过的ERGO CHEF My Juicer S 榨汁机、奔腾加湿器、德龙咖啡机、星巴克咖啡豆等物品,并在购物车中发售,很多产品争取到了全网深度低价,由于采取真正限量,引起了网友激烈秒杀。
更令网友直呼过瘾的是,张朝阳在直播中设置大量福利环节。比如提供了“清空你的京东1万元购物车”锦鲤大奖。还有作为福利伙伴的阿道夫、万得妙、小码王、马爹利等现场抽奖派发给网友。
大量头部品牌受到张朝阳直播带货的吸引,比如奥迪出现在张朝阳一个多小时直播的最后。他走到楼下,发动一辆e-tron电动车直接开回家。
张朝阳表示很看好直播带货的形式,直播带货不是一个风口,而是长期的趋势。而直播未来进化的平台化方向,一直在搜狐战略的规划之中。
在营销路径上,直播带货靠的是口碑,通过互联网时代带来的新机会,大量的货通过有影响力人,通过信誉传递实现分享。对于这种“人货场”新的结合方式,张朝阳认为,使好的产品能够被喜欢的人用,是新的营销方向,是一个很好的态势。
“直播这件事一定要特别真实,带的货肯定是我看好的东西,一目了然。”而内容呈现也是,“更多的是对自身生活方式的介绍。” 张朝阳表示自己的带货方式跟其他网红主播和纷纷入局的大佬都有差别,这次带货是 “先开个头,希望更多的名人和专家入驻搜狐视频更多直播,更多‘营业’。”
这番表态的背后是搜狐视频正将直播平台推向更广阔的大众领域,和更宽阔的价值空间。比如此前的疫情期间,搜狐视频邀请大量医生和专家“开播”并不断向情感心理、母婴亲子、文化教育、汽车、美妆、房地产、健康、美食等等领域拓宽,主打搜狐视频价值直播,这也是未来继续打造价值平台的方向。直播不仅要止步于带货,更是要带知识,带价值,带平台。
此次搜狐视频平台直播带货,可以看出,搜狐拥有的多个优势得以发挥新的效能,搜索引擎、信息流分发、搜索分发、社交分发都在螺旋式上升,搜狐在这几个领域都在积极探索、稳步前进。
搜狐正在不断走向盈利的当下,做出更大的动作。事实上,张朝阳此次直播带货更像是搜狐平台的自然延伸。搜狐正在媒体+平台的基础上,进行新的内容的汇聚、产生和分发。
正如用户喜欢直播带货这种生活方式新选择和传统的秀场打赏模式不同,从原始的“颜值打赏”,到“主播带货”,再到“知识价值”,一个不断深化的平台进化路径不断成形。
据了解,张朝阳直播带货首秀之后,搜狐视频计划引入更多领域知识群体,让大批知识达人和大V入驻并开播以及带货,持续聚焦在高价值信息提供,深入推进价值平台;还可以让用户在社交信息流中,分享和制造感兴趣的内容,并通过算法和人工智能技术,结合5G新技术,推动搜狐在内容和平台方面不断进化,满足用户和客户的需求。
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。