新一代折叠屏刷新闻和视频会有什么新感受?大屏、双列、悬停……这一系列的技术更新,为新闻和视频类应用带来了一次全新的升级。
3月23日,华为春季旗舰新品发布会在上海举办,现场发布了新款折叠旗舰Mate X3,轻薄化的高端设计、可靠性高的整机性能、极致化的用户体验,让国产手机在折叠屏技术上迎来一次大跨越。
为了推动这场折叠屏的技术浪潮,在这场发布会上,作为华为重要的合作伙伴,搜狐创始人、董事局主席兼首席执行官张朝阳便在现场展示搜狐在新闻和视频上所做的技术融合,效果相当出圈。
以技术作为基石,以内容作为爆点,搜狐牵手华为折叠屏手机,这必将引领国内客户端产品在技术与内容的双擎驱动。
技术出圈 搜狐带来新体验
来自终端的每次技术变革,都必然会伴随内容产品的一次振动。
根据艾瑞咨询发布的《2023年中国折叠屏手机市场洞察报告》显示,在手机市场大盘整体平淡的背景下,折叠屏依然实现了逆势增长,出货量同比增长154%,而这其中,华为已经连续3年占据国内折叠屏市场的50%以上。
而搜狐也体现出持续在最新变革中始终站在内容的风口浪尖,不断创新和进化,引领用户体验的升级。搜狐新闻客户端、搜狐视频客户端也敏锐地抓住了这一次变革,从折叠屏技术本身出发,对产品进行融合升级。
从产品界面而言,相较于小屏幕,折叠屏拥有更宽广的视野,在搜狐视频中,大屏幕可以拥有更加全面、丰富、舒适的观看体验。从产品功能来说,搜狐独创了一键分屏的体验,用户可手动点击按钮,就能开启分屏模式,左边看主要内容,右边看相关推荐、热门评论。并且在内容分布、视觉重心、分屏比例等方面都经过了大量的实验与测试,让用户的整体观感达到效率的最大化。
为了更深入了解折叠屏手机的展开状态,搜狐特意展开了科学人因实验和眼动焦点实验,发现了展开状态下,用户更多的视线集中在左半部分,因此,在更适配的状态下,根据用户分屏阅读轨迹,进行了左主右辅的分屏设计。
另外,值得一提的是,搜狐视频均还针对折叠屏手机进行了悬停态适配,通过结合折叠屏的悬停能力,不仅让用户可以轻松实现悬停看视频,同时上下屏的设计,分屏控制,也使得手机坐拥一个“天然支架”, 下半屏成为一个触控板,还可轻松调节进度、亮度和音量等,解放双手,畅享观影新体验。
内容赋能 视频打开新窗口
技术改变终端,内容始终是其中不可或缺的核心。
搜狐视频凭借着娱乐基因及平台基础,开启了一个又一个属于自己的独特破圈内容。近几年搜狐视频在内容上形成了清晰独特的发展路径,以直播+长短视频双引擎不断开启新窗口。
其中,尤以《张朝阳的物理课》持续出圈,还有《张朝阳的英语课》、《Boss1+1》、《Charles的好物分享》、《星光下的直播》等一系列综艺直播节目。
科学直播成为了搜狐视频占据优势的跑道,让平台在直播领域的积累持续加深,从而形成了一种独特知识直播、价值直播的模式。
同时,搜狐视频不断强化视频技术,通过增强多设备能力、智能设备接入和智能画面理解能力,从内容有声化到数字人视听化,不断拓展公司的商业化势能。
除了直播之外,搜狐所形成的长短视频双引擎联动模式,大量自制剧、版权剧、综艺等长视频,以及以幽默搞笑内容为代表的短视频,也极大地激活了平台各个端口的有效联动,通过产品技术的创新,服务于全平台技术和营销的升级。
在这次与旗舰折叠屏的合作中,搜狐为了实现在大屏上更好的呈现效果,通过一系列的实验来完善用户功能,实现页面美观与功能性的平衡,让用户的舒适性体验最佳。
媒介在变,搜狐初心不变,针对新设备新的探索创新变化永不息,搜狐视频也力争在变革浪潮中,始终利用前瞻性地洞察,通过自身独立的判断,选择最合适的赛道,为用户创造新的内容和平台价值。
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。