ZD至顶网软件频道消息:API驱动型业务的概念近年来逐步兴起。事实上,人们发现在数字化业务领域,应用程序编程接口与产品间的界线正变得愈发模糊。
其基本概念确实非常强大:发布API、允许客户参与、最终利用其实现价值交换。
为了切实完成这项目标,我们当然需要具备一定规模的严肃业务以及与之相匹配的技术架构。举例来说,API最好得到严格定义,否则您的业务可能遭遇意想不到的影响。另外,API必须易于使用,否则将带来噩梦般的客户体验。另外,API必须能够进行成功整合,从而通过切实起效以实现对接、监控及获利。
Amazon Web Services在将产品转化为API形式方面表现得相当出色。事实上,AWS整体即是由一系列API所构成:需要计算资源?提供对应API以实现。需要追踪资源使用量?提供对应API以实现。需要添加额外功能与容量?提供对应API以实现。
不过AWS方面已经开始超越API驱动型业务的基本范畴。通过AWS市场(AWS Marketplace),他们转而尝试API驱动型生态系统。这一宏伟愿景也许会在未来给软件市场带来深远影响。
在今天于旧金山召开的AWS峰会上(如上图),该公司扩展了AWS市场以引入“SaaS合同功能(SaaS Contracts Feature)”。具体来讲,AWS客户现在能够通过AWS购买多年期SaaS合同,并利用AWS购物车及计费流程实现获取、支付与购买行为监控。
更重要的是,任何SaaS服务都将独立于EC2或者相关资源而自行存在。这意味着在选择实例时,客户能够通过AWS合同进行购买并随处运行,包括AWS云内、内部设施中甚至是其它云供应商环境下。
AWS合同服务的实现流程非常简洁。AWS方面指出,其需要指定两位工程师在四周时间内审查并应用指向软件厂商业务的API。这种简单方式直接将软件公司的产品许可模式转化为服务配置模式。尽管其它厂商同样在这方面作出了尝试,但AWS在精简性方面无疑表现得最为出色。
大型用户亦可深入思考如何利用AWS作为其服务目录。一旦将软件(包括内部开发软件)发布至AWS目录当中,用户即呆享受软件供应商提供的全部功能。如果您身为首席信息官且喜爱商用软件当中的AMI机制,那么无疑应当尝试将这种新模式与您的内部软件加以结合。虽然具体执行细节可能仍存在问题,但这一改进方向确实值得称道。
那么这种解决思路是否适用于一切问题?答案当然是否定的。AWS公司表示其致力于消除软件市场中的“摩擦”因素,但软件行业中的交易成本仍然种类繁多且规模庞大。举例来说,AWS宣称(来自第三方数据)目前全球拥有75000家软件供应商,且每年通过风险投资建立的新兴软件厂商约为1000家。那么,我们未来是否能够利用Alexa Fund这类工具改变软件融资方式?
如果着眼于未来几年,可以想象AWS将持续发布一系列用于软件业务活动的API,包括在组合产品中嵌入第三方服务及数据以建立新的合作伙伴关系。但至少就目前来看,微软、甲骨文以及谷歌等企业还不一定会认同这种动作方式,而用户则将继续维持现有采购模式。
不过如果软件注定要统治整个世界,那么我们自然有必要让其变得更为小巧,而这也将给企业用户带来巨大助益。
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。