ZD至顶网软件频道消息:央视与支付宝上周联合发布了今年春晚的互动玩法。今日,支付宝9.5版本上线,春晚红包神器“咻一咻”也首次亮相,成为网友争相“把玩”的功能。除了春晚红包外,支付宝9.5新版也包括了中文口令红包、讨红包、随机红包和可以区分性别的男女红包也一同上线,几乎是今年春节最有趣的红包玩法集合。
上周,央视与支付宝上周联合发布了今年春晚的互动合作。中央电视台广告经营管理中心主任任学安认为,支付宝将和春晚一起创造全球最大规模的台网互动。
今日,支付宝9.5新版本发布,苹果iOS和安卓用户目前都可以更新下载。支付宝春晚红包玩法“咻一咻”也随新版首次亮相。全球的观众,在除夕夜看春晚的同时,打开支付宝咻一咻可以与央视春晚现场互动,完成任务设定就可平分春晚现金红包。
记者登录支付宝发现,“咻一咻”功能位于支付宝首页,目前可以用来咻人和商家。也就是说,现在用户点击“咻一咻”,可以咻到附近的支付宝用户和商家。支付宝方面透露,1月下旬开始-2月6日,支付宝就会开始春晚前的红包预热,届时用户可以咻到商家发放的优惠和其他彩蛋。2月7日春晚当天,用户就可以咻到春晚现金红包,同时与春晚舞台进行互动,参与互动的用户还可以分享一个超级大红包。
在境外部分地区,包括香港、台湾、泰国普吉岛和清迈等,中国大陆用户在部分商户支付宝合作商户也有机会收到现金红包或返现等惊喜。
这两年,用手机发红包成为了流行。大家盯着手机屏幕抢红包的时候,反而少了和朋友、家人的互动和情感交流,缺少了一点年味。今年支付宝春晚红包在“咻一咻”上更加注重福气的传递,专门地任务设定,让抢红包、传福气成为春节团圆的一部分。“年轻人看春晚时不会独自盯着手机”。
支付宝方面表示,在除夕夜前夕,会对外公布春晚红包的整体金额。
据了解,咻一咻功能未来将沉淀为支付宝的常用功能,成为连接用户与商家的最短路径。“以后不仅可以咻红包,还可以咻商家、咻优惠,帮助商家实现从品牌曝光到交易转化,并将消费者沉淀为会员,做持续的数据运营。
记者在手机上体验支付宝9.5新版发现,除了春晚红包外,支付宝还推出了中文口令红包、讨红包和可以定义性别的男女红包,堪称今年春节最有趣、最有噱头的红包玩法集合。这些红包除了可以分享给支付宝好友和群以外,还可以分享到支付宝生活圈、微博、钉钉群、微信朋友圈等社交平台。支付宝9.5新版新增了“吱口令”功能,添加支付宝好友、建群变的更加方便。
去年,支付宝为了冲破微信封杀,推出了数字口令红包和面向品牌商的中文口令红包,被网友赞为机智的“黑科技”一炮而红。今年,支付宝全面升级了口令红包,推出了中文口令红包。也就说,除了数字口令红包外,今年每一个用户在发群红包时,都可以自定义中文口令红包。中文口令最少输入6个字,最长不可超过12个字。
比如,灰太狼就可以设置“我还会回来的”或者“我爱红太狼么么哒”作为中文口令,那喜羊羊们只有输入这两句话才能领取灰太狼的红包。
男女红包是支付宝红包的又一亮点玩法。用户在支付宝群里发送群红包的时候,可以设置所有人可领、女生可领、男生可领,让群红包变的更加有趣。支付宝群红包也支持同步到支付宝生活圈,生活圈用户看到后就可领取。有微博网友调侃说,以后红包都有性别了。
今年,支付宝还开发了讨红包和随机红包玩法,让发红包变的轻松简单。支付宝今年支持发放随机红包,勾选朋友后就可发放,随机红包金额在3块钱以内。用户也可以主动向自己的好友、老板、老公“撒娇”讨红包。
网友表示,支付宝红包玩法不仅机智而且可玩性极高,预计又将引发全民参与的浪潮。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。