ZD至顶网软件频道消息: 说起美团,脑海第一浮现的关键词应该是团购、外卖,可能还有人知道美团的旅游、酒店、电影,但是说起美团云,相信大多数人就不太了解了。
相对于美团网在公众眼中的知名度,美团云则显得过于低调了。从负责人李爽往下,都只是低头做事。除了偶尔有一些新闻刷些存在感,美团云几乎悄无声息。但,如此低调的美团云却正是支撑了整个美团“千亿级市场”的背后力量。
解析独角兽美团
日前,天津电子商务协会和美团云在天津联合举办了“MOC沙龙天津行”活动,这也是2016年美团MOC系列沙龙的第二站。
作为沙龙主讲人,新美大技术学院院长刘江表示:估值10亿美元就可以被称为独角兽公司,千亿美元以上就是超级独角兽。目前,美团估值达到180亿美元,国内排行前五,成为名副其实的O2O独角兽。
刘江分享了一组数字:天津地区的到店餐饮市场规模有748亿元,占国内餐饮市场的2.3%,而国内实际线上到店餐饮市场规模是943亿元,而天津只有13.3亿元,占比只有1.41%,天津本地的线上业务市场潜力非常大。”刘江还表示,“新美大在线到店餐饮业务占天津线上到店餐饮业务的84%,拥有绝对的话语权。”
事实上,天津的到店线上餐饮比例远远低于北上广等一线城市,在全国范围内也只属于中等水平,从这个角度看,天津地区的到店线上餐饮只是全国市场的毛毛雨。据了解,目前中国本地O2O服务市场规模已经达到3240亿元。刘江表示,在新美大构建的“到店”、“到家”、“在途”三个消费场景,将会创造出千亿级的市场规模。
记者了解到,目前新美大年活跃用户达到2亿,2015年的交易额达到1700亿元,而新美大的目标是2020年达到一万亿元。刘江告诉记者:“照目前每年的增速,每年实现翻番的希望很大,2020年的万亿目标也不是不能实现。”
早前新美大CEO王兴就对O2O商业模式的特点进行了解析,他认为O2O具有“三高三低”的发展特点,即高品质低价格、高效率低成本、高科技低毛利,高频业务作为O2O的基础,会为低频高利润业务带来大量的流量,同时,要不断挖掘企业内部价值,通过IT系统实现高效管理、降低成本,另外还要通过高科技打造在低毛利行业特性下盈利的竞争壁垒。
美团喜欢用技术手段提升公司业务的运营效率,云计算和大数据是近几年美团用于提高生产效率和优化资源配置的两个技术手段。在这种情况下,美团云的出现几乎可以说是顺水推舟。
高调美团低调云
2013年美团将美团原私有云的技术团队剥离出来,对外正式推出其公有云服务美团云。
有人说,美团云的出现是王兴想效仿亚马逊,亚马逊出品了AWS,而美团则出品了美团云。无论这种说法是真是假,对于美团云来说,这都不重要,毕竟想怎么做是一码事,能做成什么样又是另外一码事。
经过几年的积累,美团云已经拥有2万多用户,包括O2O生活服务提供商、在线教育、知名电商、互联网金融、智能硬件、新媒体、汽车等,主要需求依然聚焦在云主机、云数据库和云存储等。
在现有用户中,美团网仍作为美团云业务的主要承载。据了解,2013年美团云刚上线时,美团网单月交易额能达到十亿元左右,2015年7月美团的单月交易额已突破百亿,单日交易额峰值更是突破5亿元。美团云需要支撑了超过两亿用户的高并发访问,以及Wap端和App端多业务类型的交互。
美团云产品运营经理徐国平表示,美团网的业务需求对公有云系统和网络的稳定性有非常高的要求,美团云能够完成对美团网业务的完美支撑,这本身也足以说明美团云的业务能力。
据了解,美团云的产品大多是自主研发,并且经过实战考验之后才部署上线。此外,美团云投产使用高品质、高等级的机房,新上线的三区机房位于亚洲最大的单体数据中心内,拥有完备的BGP线路和异地方案。
徐国平告诉记者:“美团云最大的优势在于响应时间和优质的服务,我们的工程师团队可以支持实时在线解决问题,这也在我们的用户之间形成了非常好的口碑效应,大大增加了用户黏性。”
在经历了大量的技术积累和大规模的商业运作之后,美团云的产品和服务已经成为经过验证的可信云服务。此后,美团云也将继续依靠强大的技术团队,不断优化产品,注重用户体验,为更多企业级用户提供最优的底层架构以及稳定的网络服务。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。