ZD至顶网CIO与应用频道 05月10日 北京消息:ADP发布了2016年4月《全美就业报告》,报告显示,从2016年3月到4月,美国私营企业就业人数增加15.6万。《ADP全美就业报告》由国际领先的人力资本管理(HCM)解决方案供应商ADP与穆迪分析公司(Moody’s Analytics)联合制作完成。报告来自ADP的实际支付薪酬数据,是在季节性调整的基础上,反映美国非农私企每月总的就业人数变化情况。
2016年4月就业报告摘要
注:由于部分数据做了四舍五入处理,所以数据的总和可能不等于总数
4月,雇员人数少于49人的小型企业增加了93000个工作岗位,与3月的增长数量基本持平。企业规模在50-499名雇员的中型企业增加了39000个岗位,相对于3月修正的66000个工作岗位显著减少。规模在500或以上雇员的大型企业就业人数从3月的35000下降到了4月的24000人。企业雇员规模在500-999之间的增加了15000个岗位,而雇员超过1000名员工的公司只增加了9000个工作岗位。
商品生产领域在4月的就业人数下降了11000个就业岗位,相对3月的下修数字5,000有显著减少。建筑行业增加了14000个工作岗位,略低于3月份的18000个就业岗位。与此同时,制造业失去了13000个工作岗位,与上个月相比向下修正了3000个岗位。
服务领域提供的就业岗位在4月增长了166000个岗位,略低于3月份的189000个。《ADP全美就业报告》显示:专业、商业服务行业在4月增加了27000个工作岗位,相比于3月份的31000个岗位有所下降。贸易、运输和公共事业4月增长了25000个就业岗位,明显低于3月份增加的42000个岗位。另外,金融服务行业在4月份只增加了4000个工作岗位。“
“总的来说,近三年来每月的就业增长都比较疲弱,但小企业仍然成为了四月份就业成长的引擎。”ADP 研究院负责人兼副总裁 Ahu Yildirmaz表示,“小企业受全球性因素,如商品价格下降和美元走强的影响不大,而这些因素却可能导致大企业延缓招聘。”
Moody ' s Analytics的首席经济学家马克·赞迪(Mark Zandi)表示, “在四月就业市场增长乏力——就业增长速度明显减缓,大多数行业都呈疲弱状态。虽然一个月的表现不能视为趋势,但是今年早些时候由于金融市场动荡已经对某些企业的招聘造成损害,从中可见一斑。”
图表1:全美非农私营企业就业的月变化
图表2:全美非农私营企业就业变化——历史趋势
图表3:全美非农私营企业特定行业的就业变化
图表4:全美非农私营企业按照企业规模划分的就业变化
《ADP全美就业报告》的配套数据样本来自ADP就业数据,这些数据反应了ADP 411,000家美国客户及其近2400万名美国雇员的就业状况,3月以来的岗位增加总量从200,000个修订到了156,000个工作岗位。
关于《ADP全美就业报告》的其他信息,如图表、支持数据和公布日程,或需要订阅每月的电邮通知和RSS,请访问:www.adpemploymentreport.com
2016年5月《ADP全美就业报告》将在美国东部时间2016年06月03日8点15分公布。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。