ZD至顶网CIO与应用频道 04月07日 北京消息(文/孙博):三月底,Adobe在Adobe Summit大会上宣布推出Adobe Experience Cloud。这套云服务面向企业营销人员,帮助客户创造优质的用户体验。Adobe说希望让企业客户与消费者建立牢固的关系,从而提升品牌忠诚度,促进品牌发展。
据了解,整个系统建立在Adobe云平台之上,并且在Adobe产品家族体系下,实现了Experience Cloud与Adobe Creative Cloud及Document Cloud相融合。
整合后的两个变化
Adobe Experience Cloud是由Adobe Marketing Cloud、Adobe Advertising Cloud和Adobe Analytic Cloud组成。既然是整合了Adobe此前的三朵云, Adobe Experience Cloud能为用户带来哪些价值。为了有个更直观的印象,下面就来分别做个介绍:
Adobe Marketing Cloud:提供了一整套的解决方案,使营销人员能够创造区别其品牌,与客户联系并主动参与其中的体验。
Adobe Advertising Cloud:结合了Adobe Media Optimizer和最近购买的TubeMogul的功能,简化了跨渠道和屏幕视频,显示和搜索广告的交付。
Adobe Analytics Cloud:是一种客户智能引擎,让品牌能够更好地捕获、聚合、合理化和理解大量它们自己的不同数据量,从而使得品牌能够更好的把握、积累、理顺并理解海量数据,并转化为有针对性的客户档案。
“很多企业强调要做一个最好的平台,但是他们却没有感觉到企业的组织架构、业务流程其实是不支持的。” Adobe大中华区数字营销总监廖强坦言,Adobe目标不是带来一个最好的平台,而是通过多年来积累的数字化转型经验,帮助企业做一些组织的规划,进而为企业设定一个明确的阶段性实施目标。
所以针对于此,此次整合后,Adobe也做了两点提升。据了解,相较整合前,Adobe Experience Cloud第一个特点是丰富了其以往的数字体验解决方案,范畴更广,也更侧重在用户体验上。第二个变化,则是提供了更多的接口,拥抱更多的合作伙伴,共同开发市场的同时,也更提升了用户体验。
整合后更加注重本土化
“我接触的大部分国内客户,他们共同的现状是上一代信息化改革还没走完,现在又急需一个新的提升,而且是想投了钱就要立刻见到效果。”廖强说,这是他们在与客户沟通中遇到的共同特性——希望尽快转型,实现弯道超车。
对此,作为一家外企,Adobe目前针对国内企业的需求,主要通过跟行业中的合作伙伴一起发力,让自身得以尽快适应本地化的需要。谈到本地化,Adobe大中华区解决方案顾问总监聂双艺强调,Adobe当前对于全线产品本地化方面愈发重视,并且程度也越来越高。
“国内很多客户在技术点上最大的问题是不知道真正有价值的用户在哪儿。”说起国内外客户有哪些不同痛点时,廖强这么回答道。所以对于这样的问题,Adobe第一步的做法则是先帮助客户进行分类。
“最起码能够分出男女老少,然后再逐渐进行下一步的细化。这样一来分析结果才能愈加精准,效率才能提升。”廖强说,国外“走”的相对快些,所以有时他们也会借鉴国外的相关经验,来对国内客户提供本土化的解决方案,而这也是Adobe“功力”的体现。
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。