Netflix 正在对其电视用户界面进行重大升级。除了焕然一新、更简洁的外观外,你还会看到根据你的观看行为动态调整的推荐内容,Netflix 正努力更准确地判断你此刻可能想看的节目。该公司计划在未来几周和几个月内逐步推出此次更新。
看起来,此举——一直以来也是 Netflix 的目标——是为了帮助你更快地找到想看的内容。这样一来,你就不会花费大量时间在各种选项间不停滑动,同时苦苦思索该从哪里开始观看。
Netflix 最初设计电视用户界面时主要是为了展示剧集和电影,但为了更好地适应直播、云游戏等新型娱乐内容的需求,界面也不得不不断进化。Netflix 首席产品官 Eunice Kim 表示,公司自去年起就一直在致力于全新电视体验的开发。Kim 在一次记者电话会议上表示:“我们重新设计的电视首页更加简洁、直观,更好地呈现了当今 Netflix 所拥有的丰富娱乐内容。”
全新的剧集、电影等项目的展示块尺寸大大增大。重新设计后的页面不再将某个高亮标题的信息放在屏幕顶部,而是将所有信息整合在一起。
每个展示块都包含更多一目了然的上下文信息,说明你为什么可能会对某个内容感兴趣。它可能标明某个剧集或电影是最近新加入的,是 Netflix 最受欢迎前十的内容之一,曾获奖项,或者即将离开平台。否则,Netflix 也可能认为你会非常喜欢这种推荐。
Kim 表示,当你在不同展示块间切换时,动画效果将显得更加迅捷和流畅。全新用户界面还使 Netflix 更容易在首页顶部突出显示直播活动——例如圣诞节 NFL 比赛、 WWE 节目及 Everybody's Live with John Mulaney 等。
现在,主导航栏已移至屏幕上方,包含首页、剧集、电影、游戏以及 My Netflix(在这里你可以找到“继续观看”列表、My List、提醒等)。搜索功能也在上方,依然可以浏览各个分类。你只需轻按电视遥控器上的返回键,就能便捷地切换到上方的导航栏。
浏览过程中,Netflix 会实时调整推荐内容。所以,如果你恰好对《鱿鱼游戏》双击点赞以示喜爱,Netflix 可能会在首页稍微下方即时添加一排类似风格的内容。你所观看的预告片以及搜索内容也会影响这些响应式推荐。所有这些操作都在后台默默进行,旨在让整体体验更加无缝流畅。
Netflix 早已将观看习惯等因素融入个性化推荐中。公司首席技术官 Elizabeth Stone 表示:“响应式推荐的更新之处在于活跃的浏览行为。”Stone 补充道:“这还可能包括诸如时间点等因素。随着时间的推移,还可能涵盖用户明确表达其想要寻找什么的情况。”
此外,Netflix 最近开始测试一项由 OpenAI 驱动的生成式 AI 搜索功能。该功能的理念是让你根据当前心情搜索内容。所以,你可以要求找一些既有一点恐怖又有点幽默,不过不能过于极端(毕竟恐怖喜剧是最佳电影类型),系统会给出一些相关建议。澳大利亚和新西兰的一些用户最先获得了此工具的试用权限。Netflix 正从本周开始以自愿参加的测试版形式,将这一功能推广给更多订阅用户。
未来几周内,Netflix 还将开启一项全球范围内的手机竖屏视频测试。该视频流将包含片段和预告片,并可从应用首页的一行内容中访问。你可以轻触立即观看该剧集或电影,或将其加入 My List,同时还有分享片段的选项。过去几年中,Netflix 曾尝试过类似的喜剧短片和儿童节目片段推送。
与此同时,当被问及在苹果被迫更改 App Store 付费政策后,Netflix 是否会效仿 Spotify 允许用户从 iOS 应用中注册账号时,Kim 表示公司正密切关注该情况,但目前没有更多更新可分享。与此同时,Netflix 将“继续遵守 App Store 政策,直到我们了解如何最好地实施未来的相关变更。”
好文章,需要你的鼓励
穆拉蒂时隔18个月首次接受重大媒体采访,介绍其创立的Thinking Machines Lab正在开发的"交互模型"。该模型能以200毫秒间隔处理音频、文本和视频流,捕捉人类交流中的中断、修正和停顿。她还谈及OpenAI"政变周"经历,强调行业决策权过于集中的担忧,并回应了公司近期研究人员离职问题,表示这是初创实验室的正常波动。
STATE16研究院这篇综述发现,物理AI系统存在"静默失效"风险——AI以高度自信执行基于错误世界信息的动作,却不触发任何报警,并提出在AI输出与物理执行之间建立独立授权层的框架。
本期《Quick Charge》播客涵盖多个热点话题:特斯拉疑似试图删除FSD欺诈相关证据以规避巨额赔付;卡特彼勒持续推进建筑领域电气化布局;住宅太阳能30%税收抵免即将到期。此外,嘉宾Tom Pacheco就高压系统与电池技术培训展开探讨,强调电动车技术人才培养的紧迫性。节目同时提醒有意安装太阳能的用户尽快行动,可通过EnergySage平台比较多家安装商报价。
UIUC与微软联合研发的OpenWebRL框架让4B小模型仅凭400条初始数据,通过在真实网站上边做边学的强化学习方式,在网页智能体基准上超越了用27万条数据训练的竞争对手。