至顶网CIO与应用频道 11月25日 北京消息:尝试一个新领域是需要勇气的,而对于已经成为一名世界500强某外企的亚太区研发财务控制总监,抛弃现有名望重新去到一个自己完全不熟悉的行业重头再来,需要的一定是百分之二百的决心。
六年前,用即时影像共享服务平台VPhoto创始人曹玉敏的话说,跟摄影行业半毛钱关系都没有,一心想成为全球CFO的她,却因为第二个孩子的B超照片,决定重新思考未来的人生规划。一段时间后,曹玉敏开始将美国流行的“摄影+云计算”商业模式,引入了国内市场,让国内的摄影也能加入科技的力量。
起初,凭着老顾客的口碑传播,公司业务发展很好,工作室也从一家开到了三家。但后来,随着业务的不断扩张,问题随之显现——无法解决照片流转的问题。“最开始我们的做法是雇专人每天去上海各个地方收电子版的照片,再当天送到我们的后期数码中心,等到处理好再转送到各个门店。”曹玉敏说,这样的照片流转模式在某次交付给用户时,出现了照片拿错的问题,并收到了用户的强烈投诉。后来,VPhoto决定尝试建立自己的照片流转系统,尽量减少人工环节,加强门店、摄影师、修图师、消费者之间的沟通和协作,也促进了消费者的购买欲望。
据了解,两年多的时间,VPhoto已为数千家企业客户拍摄近1000万张照片,浏览量高达57亿次。 目前,VPhoto拥有3000余名签约的摄影师和云端数码师,覆盖全球87个城市。
11月21日,VPhoto在北京召开全球影像传播峰会。会上,曹玉敏宣布独立研发的智能硬件V5,以及云摄像V视频产品上线,并公布了一年内四次累计近亿元的融资额。
曹玉敏说,VPhoto正在建立从拍摄、到后期、到客户交付,再到长期的存储管理,全生命周期、闭环的解决方案。并且,VPhoto打造的智能硬件+云平台的自动化流程,是目前影像行业唯一一家底层数据闭环的平台,实现了让专业摄影领域的服务效率提升300倍以上。从按下快门,到修片,分享给现场用户浏览,全程只需5分钟。
在峰会上,曹玉敏介绍了几个VPhoto的真实使用案例。其中一个就是在2017年阿里巴巴年会中,VPhoto首次承担了体育馆中4万多名员工和演出的拍摄任务。这次活动在云相册中,创造了6小时内490万次以上的浏览量。
“我们希望建立一个类似于‘滴滴出行’的共享平台。它整合摄影资源,将自由职业属性的摄影师,和广泛的客户需求匹配起来,进而重塑摄影的业界生态。”对于未来,除了长远的愿景外,曹玉敏还介绍了近期VPhoto规划。接下来,VPhoto将进一步拓展产业链,向传输压力更大更慢的视频业务逐渐深入,并正式推出自主研发的云摄像V视频产品。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。