至顶网CIO与CTO频道 09月10日 编译:我最近写了一篇关于零售数字化转型的大趋势文章,希望花点时间来确定一家能够良好推动转型、但又不受旧有品牌影响的企业。而这,正是我选择Stitch Fix的理由。目前市面上存在不少“套餐”订阅服务,从服装到肉类组合、从蜡烛到化妆品,几乎所有东西都以套餐的形式出售。但在我看来,Stitch Fix正是这波浪潮的发起者,而且做得非常好。甚至有不少人认为,他们的商业模式有可能彻底颠覆整个零售业的数字化转型方式。
首先,让我们回顾一下发展历程。Stitch Fix公司成立于2011年,是一家“个人造型”服务公司,负责通过广泛的风格调查(也就是数据)为客户选择并邮寄衣服、鞋子以及配饰。“造型师”选择的服装越符合用户要求,Stitch Fix赚取的回报就越可观。正因为如此,Stitch Fix开始大力投入数据分析,可以看到其中的根本驱动力与整个零售业的数字化转型别无二致。
更重要的是,如今零售行业的生存空间正在快速萎缩。在美国,高达49%的日常消费品通过网络在Amazon上售出,而实体零售商则不断关闭一家家门店,面对电子商务的压力一筹莫展。那么,有谁能想到这种通过“套餐”组合将服饰寄给消费者的业务,竟然造就了一个热门的小众市场?但事实证明,购物者并不是不喜欢逛街买东——他们只是懒得出门。
另外,Stitch Fix的一大显著特性并不在于商业模式,而是如何将数字化与现实完美融合起来。他们在一切可能的范围之内使用算法,并取得了巨大成功。下面,我们一起来看Stitch Fix的数据处理心得,相信各行各业都能够从中受到启发:
时至今日,利用数据资源已经不是什么新鲜事物。众多企业都在利用数据发现购物模式,并确保销售与营销活动更符合目标人群的喜好。然而,Stitch Fix更进一步,决定让数据引导企业,并由此获得了强大的差异性优势。
Stitch Fix公司正在为零售业的数字化转型树立黄金标准。更准确地讲,他们几乎是在为一切行业的数字化转型树立标准,并用实际行动证明即使是在那些看似与“技术”毫无关联的行业当中,从业者也同样可以利用数据改善客户体验与销售情况。正如哈雷-戴维森经销商开始利用预测分析更好地识别潜在客户并提高销售额一样,这些公司已经逐渐发现了诀窍,并在数字化转型中取得成功。
老实说,他们的经验也吸引到了其他企业的关注。亚马逊(Prime Wardrobe)与Nordstrom(Trunk Club)等都在从Stitch Fix的成功中汲取养分,他们也意识到零售行业中的数字化转型颠覆可能来自任何一个角落——包括人们早已司空见惯的套餐组合。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。