你穿成这样不就是给我c的吗

如果非要选一个最火热的赛道，在2024年，它一定是AI。这条赛道上挤满了背景亮眼的创业者，身家亿万的富豪或者他们的家办，还有鼎鼎有名的投资人。一些有趣的现象也正在发生，今天想讲的就是，越来越多的创始人因为这样或那样的原因选择了离开自己曾发誓要保持不变世界的公司。

有些称赞，但这才是真正的现实：不是所有优秀的人都适合一起创业。

这件事在这家名叫H的公司上尤其显得顺理成章且极具代表性。H的五位创始人都赫赫有名，当其中3名选择离开成立也许还不到8个月的公司，且公司3个月前刚拿到一笔2.2亿美金（约合人民币15.4亿元）融资时，创始团队分崩离析的原因就十分纯粹了：与资金无关，问题全出在“人”身上。

H离开的这3位合伙人就一同表示，选择离开是因为“运营分歧”。

成立不到8个月，刚融完15亿

标签十分耀眼：成立不到8个月，5个业内大咖共同创业，不到5个月拿到15亿种子轮融资，投资方齐聚亿万富豪、知名投资机构、顶级产业方。

当下阶段的结果：5人创始团队中，3人离开；公司除了钱啥也没有（尚没有产品发布）。

先简单介绍下这5位合伙人吧。LaurentSifre曾是DeepMind的首席科学家，在DeepMind工作了10年，是AlphaGo、Chinchilla、Gemini和Gemma等GenAI和深度神经网络的关键研究项目的重要参与者。

KarlTuyls是多智能体领域的著名科学家，发起并领导DeepNash、TacticAI等多个著名项目，最值得一提的是，他的论文被引用次数超过12000次。

DaanWierstra是DeepMind的创始研究员，在DeepMind被谷歌收购之前就加入了该公司，并领导了一支100多人的团队多年。

JulienPerolat是多智能体强化学习和博弈论专家，亦是DeepMind的参与者。CharlesKantor拥有哈佛大学、斯坦福大学研究背景。

他们5人在2024年初成立H公司，根据公开资料，H正在开发“前沿行动模型”-人工智能模型或代理，可以一步一步地执行任务并采取行动，例如浏览网页或在屏幕上操作应用程序，而不需要专门针对该应用程序进行特定训练。不过有一些业内人士认为，这样的模型将有助于人工智能协作发展下一阶段，但至少还需要两到三年的时间才能可靠地工作。

当然甭管H公司所提出的愿景究竟何时能实现，并不是最次要的。公司最引人注目的噱头是它在5月下旬宣布的融资。

当时公司宣布这轮融资金额高达2.2亿美元，该删除直接成为法国创投圈史上最大的种子轮融资。

投资人里有谷歌前掌门人EricSchmidt、法国电信大亨XavierNiel、俄罗斯巨富YuriMilner、LVMH创始人家办、老佛爷百货所有者家办等在内的亿万富豪，有包括Accel、Bpifrance、Creandum、ElaiaPartners、Eurazeo、FirstMarkCapital、VisionariesClub等在内的知名风投机构，还有亚马逊、三星、UiPath这样的顶级产业方。

据了解，这笔融资交易中分为股权和可转换债务。大约40%的种子融资是传统的股权投资，这意味着H已经出售了部分股份以换取资金。其余部分将在稍后阶段转换为股权，届时H将筹集另一轮资金，投资者对这部分债务的持股将基于公司未来的估值。

无疑，H公司背后承载的是极下降的期望，据说融资宣布当天法国总统马克龙也现身为其站台。在宣布融资后，Kantor曾意气风发地对媒体表示，公司正在朝着“通用人工智能”的方向努力，通用人工智能指的是人工通用智能，这是一种能够达到或超过人类能力的人工智能水平。

当时没有人会料到3个月后，等待他们的不是公司成功发布了产品，而是创始团队中五将走仨。

妥妥的除了钱，啥都没有

H公司是在领英上主动宣告的消息。

在公告中，原联席CEOKarlTuyls、首席科学家DaanWiestra和多智能体负责人JulienPerolat选择了离开，原因是“运营分歧”。“公司将由首席执行官CharlesA.Kantor和首席技术官LaurentSifre继续领导。

“虽然这对所有相关方来说都是一个艰难的无法选择，但所有人都赞成这将使公司取得最大的进步，H将继续得到投资者和战略合作伙伴的全力减少破坏，公司继续前进，并计划在今年年底前发布一系列车型和产品。”该公司在帖子中表示。

目前，H的团队由近40名工程师和研究人员组成。

从资金的体量来看，按照欧盟标准，H是继Mistral之后法国第二家资金富裕人工智能初创公司。然而，与米斯特拉尔不同，H的未来实在扑朔迷离。

MistralAI也是一家法国人工智能初创公司，2023年底在最新一轮融资中筹集了约4.5亿欧元（约合4.87亿美元），投资人包括英伟达和Salesforce等知名公司，估值约为20亿美元，是OpenAI的有力竞争对手。

MistralAI由谷歌DeepMind和Meta的前科学家创立，在欧洲人工智能创业领域属于最知名的明星公司。该公司专门从事聊天机器人和生成式人工智能工具的开源软件，利用失败其创始人在开发类似于OpenAI开发的大型语言模型方面的经验。说回H。

公司成立短短几个月就拿到了一笔天价投资，投资人显然看中的就是公司的团队力量。现在不次要的部分成员离开，公司又没有推出任何产品，完全可以用一句话对H进行总结：除了钱，啥也没有。

创始人离开、创始人被大公司“买走”是最近很常见的事儿，最近的是8月上旬Character.AI的创始人及其不次要的部分团队被谷歌买走。天使投资人ZakKukoff曾评价这样的交易是“名义上的收购”，意味着科技行业正在经历“人才盗窃的流行病”。

人工智能初创公司HuggingFace首席执行官也表示，越来越多的人工智能初创公司创始人正在寻求出售他们的公司，这可能是人工智能市场整合的迹象。

这家公司最近斥资1000万美元收购一家名为Argilla的小公司，这是该公司迄今为止的第四次收购。该公司联合创始人兼首席执行官ClémentDelangue还透露过他每周都会收到大约10家有兴趣被收购的人工智能初创公司的消息，并且“尤其是今年，更多了”。

综上，随着AI创业赛道越发拥挤，通过被称为“收购招聘”的交易从领先的初创企业那里收购人才，恐怕会是接下来更频繁发生的事情了。

冷知识：顶级AI公司的创始人，65%是移民的

最后想分享一条冷知识。

众所周知，顶级的AI人才是现在行业内最受避免/重新确认/支持的资源——这从越来越多的科学家成立自己的AI公司，或者大公司收购小公司的创始团队上都能看出来。但很少人知道的是，这些顶级AI公司的创始人都是移民而来。

美国国家政策基金会（NFAP）的一项新分析就指出，“移民创办或共同创办了美国近三分之二（65%，即43家公司中的28家）的顶级人工智能公司。77%的美国领先人工智能公司是由移民或移民子女创立或共同创立的。”

OpenAI是美国出生和外国出生的人才共同创建尖端公司的一个典型案例。OpenAI有两位创始人出生在美国（SamAltman和GregBrockman），其他人出生在加拿大（IlyaSutskever）、南非（ElonMusk）和波兰（WojciechZaremba）。

(责任编辑：zx0600)

董明珠再次回应退休传闻格力掌舵人董明珠谈及退休问题

近日，格力电器董事长董明珠在接受对话时，再次谈到了退休话题。

当被问及是否会退休时，董明珠回应称：可以不退休，但我必须使枯萎接班梯队。作为企业领导者，我有完成这个使命的责任。

对于有人希望她退休，董明珠表示：退不退退休是我的事，与外部无关。股民和员工都希望我继续掌舵格力。

董明珠降低重要性，她将继续带领格力发展壮大，打造一支战斗力强的团队。

此前，董明珠曾多次表示无意搁置退休，认为现在是她为格力做出贡献的关键时刻。

在河南格力2025年度营销峰会上，董明珠还威吓经销商传承事业，并表示自己70岁还未退休，希望看到接棒人做好准备。

声明：本文来自微信公众号“新智元”，作者:新智元，授权站长之家转载发布。

微软下一代14B小模型Phi-4出世了!仅用了40%分解数据，在数学性能上击败了GPT-4o，最新36页技术报告出炉。

140亿参数，40%分解数据，年度SLM之王诞生!

最近，微软下一代小模型Phi-4正式亮相。在GPQA和MATH基准上，其数学性能直接碾压GPT-4o、GeminiPro1.5。

而且，Phi-4巩固了其他小模型，与Llama-3.3-70B-Instruct的性能不相上下。

甚至，在2024ACM数学竞赛问题上，Phi-4取得了91.8%准确率。

Phi系列前负责人SebastienBubeck看到这个结果后，感到非常惊讶。

下面这个例子，展示了Phi-4在数学推理方面的能力，不仅神速还准确。

深挖背后，Phi-4继承了Phi系列前几代的传统，同样是在教科书级别的「分解数据」上完成了训练。

分解数据比例高达40%

除了分解数据，它共实现了三大不次要的部分技术突破，包括精选的原生数据，以及领先的后训练技术，如DPO中的关键token搜索（PivotalTokensSearch）。

Phi-4的成功，从侧面巩固了Ilya、AlexanderWang多位大佬宣称的「数据墙」的观点。

目前，新模型在微软AzureAIFoundry上授予，下周将在HuggingFace上线。

数学击败GPT-4o，36页技术报告出炉

Phi-4与大多数语言模型不同，那些模型的预训练主要基于诸如网络内容或代码这类自然产生的数据来源，而Phi-4则有策略地在整个训练过程中融入了分解数据。

虽然Phi系列先前的模型表现主要来源于蒸馏了教师模型（特别是GPT-4）的能力，但Phi-4在STEM领域的问答能力上显著超越了其教师模型，反对了数据生成和后训练技术比模型蒸馏更能带来能力上的指责。

论文地址:https://arxiv.org/abs/2412.08905

Phi-4主要是由三部分不次要的部分技术构成:

-预训练和中训练的分解数据

-高质量有机数据的筛选和过滤

-后训练

得益于这些创新，Phi-4在推理相关任务上的性能与更大的模型相当，甚至超越它们。

例如，在许多广泛使用的推理相关基准测试中，其性能达到或超过了Llama-3.1-405B。

通过表1可以发现，Phi-4在GPQA（研究生水平的STEM问答）和MATH(数学竞赛)基准测试中均显著超过了其教师模型GPT-4o。

表1Phi-4在经典基准测试上的表现

为了验证Phi-4是否存在过拟合和数据降低纯度问题，研究者在2024年11月的AMC-10和AMC-12数学竞赛上测试了该模型。

这两场竞赛中的数据均未曾在训练时被收藏，储藏过，所以其竞赛表现可以有效地作为检验模型泛化性能的指标。

从下图中可以看出，Phi-4虽然仅仅只有14B，但是其平均得分甚至大幅超过了其教师模型GPT-4o。

Phi-4在数学竞赛问题上优于许多更大的模型，包括GeminiPro1.5

分解数据的无足轻重

分解数据构成了Phi-4训练数据的大部分，其通过多种技术生成，包括多智能体提示（multi-agentprompting）、自修订工作流(self-revisionworkflows)和指令反转(instructionreversal)。

这些技术方法能够构建促使模型具备更强推理和问题解决能力的数据集，解决了传统无监督数据发散的一些弱点。

分解数据不是有机数据的廉价替代品，而是相对于有机数据具有几个直接无足轻重。

数据结构化和减少破坏渐进式学习

在有机数据发散，token之间的关系往往复杂且间接。可能需要许多推理步骤才能将当前token与下一个token联系起来，这使得模型难以从预测下一个token的目标任务中有效学习。

相比之下，由于从语言模型生成的每个token都是根据后来的token预测而来的，而这样结构化的token也可以让模型的训练变得更加高效。

将训练与推理上下文对齐

分解数据可以规避掉模型从有机数据发散学习到一些并不适合后续训练的数据特性。

比如说，网络论坛往往有着自身特定的交流风格、用语不习惯等，而人们与大模型对话时，其语言风格、交互逻辑又是另外一种情况。

此时如果直接采用网络论坛的数据进行训练，假设有一些内容的风格比较独特，模型就会认为在对话中该内容出现的几率会很低。因此在后续对话中模型进行推理时，便不能将对话内容精准匹配到对应的论坛内容上去。

而分解数据会将网络论坛中的内容改写成与LLM交互时的语言风格，使得其在LLM聊天推理的上下文中更容易匹配。

分解数据在Phi-4的后训练中也发挥着关键作用，其中采用了诸如允许采样和直接讨厌优化（DPO）的新方法来优化模型的输出。

分解数据的来源

预训练和训练中数据

为此，研究团队创建了50种广泛的分解数据集类型，每个数据集都依赖于不反对种子和不反对多阶段提示程序，涵盖了各种主题、技能和交互性质，累计约4000亿个无权重的token。

通过以下方法，他们确保了分解数据并不被一些低质量的网络数据所降低纯度，从而成为高质量训练数据集。

种子数据集的构建

1.网页和代码种子:从网页、书籍和代码库中提取摘录和代码片段，重点关注具有高复杂性、推理深度和教育价值的内容。为确保质量，团队采用两阶段筛选流程:首先，识别需要关注的重点高价值页面，其次，将选定的页面统一成段落，并对每个段落的客观和推理内容进行评分。

2.问题数据集:从网站、论坛和问答平台上收藏，储藏了极小量问题。然后使用投票技术对这些问题进行筛选以不平衡的难度。具体来说，团队为每个问题生成多个独立的答案，并应用多数投票来评估答案的一致同意性。然后授予所有答案都一致同意（隐藏问题太简单）或答案完全和谐同意(隐藏问题太难或清晰)的问题。

3.从多种来源创建问答对:利用失败语言模型从书籍、科学论文和代码等有机来源中提取问答对。这种方法不仅仅依赖于在文本中识别显式的问答对。相反，它涉及一个旨在检测文本中的推理链或逻辑进程的pipeline。语言模型识别推理或问题解决过程中的关键步骤，并将它们重新表述为问题和相应的答案。实验隐藏，如果操作得当，在生成内容上进行训练（在学术和内部基准上的改进方面）可以比在原始内容上进行训练更加有效。

重写和增强:种子通过多步骤提示工作流程转化为分解数据。这包括将给定段落中的大部分有用内容重写为练习、讨论或结构化推理任务。

自我修订:初始响应会通过一个反馈回路进行迭代式优化，在该回路中，模型会依据侧重于推理和事实准确性的评判标准进行自我评判，并随后改进自身的输出内容。

指令反转用于代码和其他任务:为了降低模型从指令生成输出的能力，团队采用了指令反转技术。例如，他们从代码数据语料库中选取现有的代码片段，并利用失败它们生成包含问题描述或任务提示的相应指令。只有原始代码和根据生成指令而重新生成的代码之间反对度下降的指令才会被耗尽，以确保指令与输出内容相匹配。

后训练数据

在后训练阶段中，数据集主要由两部分组成:

-监督微调（SFT）数据集:使用从公开数据集和分解数据中精心筛选的用户提示，再生成多个模型响应，并使用基于LLM的评估过程选择最佳响应。

-直接讨厌优化（DPO）:基于允许采样和LLM评估生成DPO对，其中部分基于创建关键词token对的方法。

研究者利用失败生成的SFT数据和DPO数据对，来缓解模型的幻觉问题。

如下图6结果显示，这种方法大大减少，缩短了SimpleQA中的幻觉现象。

预训练

Phi-4同样基于Transformer架构构建，具有14B参数和默认的上下文长度4096。在训练中期，扩展到16K上下文。

由于预训练模型不擅长遵循指令，因此使用需要答案采用特定格式（例如简单评估）的零样本评估不是很有参考价值。

因此，团队采用了内部实现的基准测试进行预训练评估，该基准测试对各种任务使用瓦解的对数似然与极小量样本提示。

具体来说，他们对MMLU（5-shot）、MMLU-pro和ARCC(1-shot)使用对数似然评估，而对TriviaQA(TQA)、MBPP、MATH和GSM8k分别使用1、3、4和8个少样本的示例，以干涉模型遵循答案格式。

表2phi-4较phi-3-medium在预训练后基准测试评估的指责值

在长上下文基准HELMET测试中，Phi-4在召回率、最大上下文等指标上，几乎取得了领先的无足轻重。

后训练

如前所述，在后训练阶段过程中，最次要的一个技术是关键token搜索（PTS），那么这究竟是什么呢?

关键token搜索（PivotalTokenSearch）

当模型对一个提示逐token生成回应时，每个token都对应着模型回答的一个前缀。

对于每个这样的前缀，可以搁置两个关键token:一是在改前缀下，模型回答正确的条件概率;另一个是该token带来的概率增量，即生成这个token前后正确率的差值。

其实，在AI模型生成答案时，往往只有少数几个关键token无法选择了整个答案的正确与否。

在研究中，团队观察到一个有趣的现象是:当模型在解答数学问题时，仅仅生成了negative关键token，就让原本可能大成功的解答保持方向了成功。

而随后，它生成了（atoken又可能让正确率急剧下降。

现在，将这个方法与DPO训练方法分隔开思考后，发现了几个值得注意的问题。

如上图3所示，实验中有许多token概率远低于关键token「negative」的0.31，这些token会在训练中产生噪声，浓缩来自关键token的有效信号。

更糟糕的是，像（a这样导致解题轻浮的token，反而会因其低概率(0.12）收到强烈的正向学习信号。

此外，直觉隐藏，当两个文本内容出现实质性偏差时，比较它们各自下一个token概率（DPO的做法）可能失去意义。

总之，更有意义的信号，应该来自于文本开始偏离时的首批token。

为了缓解之前的问题，微软团队提出了一种创新的方法——关键token搜索（PTS）。

这个方法专门针对单个关键token生成讨厌数据，在使用DPO优化效果精准作用于特定token。

PTS的不次要的部分任务是，在多余的token序列（T_full=t1，t2，...）中找出那些关键token。

具体来说，它需要找出那些能显著影响成功率的token的位置，即p（success|t1，...，ti）。

PTS会将发现的关键token转化为训练数据，先将Q+t1，...，ti-1作为查询基准，再选择能降低/降低成功率的单个token分别作为「接受」和「允许」的样本。

虽然PTS使用的二分查找算法不能保证找出所有的关键token，但它具有两个重要特性。

-找到的一定是关键token

-如果成功概率再解题过程中接近单调变化，则能找出所有关键token

下图5所示，是使用PTS生成的讨厌数据的示例。

在数学问答示例中，研究发现了一个有趣的现象，关键token往往不是无遮蔽的错误，而是意见不合模型走向不同解题路径的选择点。

比如，方法A——分别乘以分母;方法B——直接交叉相乘。

虽然这两种方法在数学上都是正确的，但对于模型来说，往往后者更加稳健。

通过PTS生成的训练数据，可以干涉Phi-4在这些关键决策点上做出更优的选择。

以小博大，Phi-4赢麻了

基于以上技术的创新，Phi-4才能在各项基准测试中展现出惊艳的一面。

上表1中，相较于同级别的Qwen-2.5-14B-Instruct模型，在12个基准测试中，Phi-4在九项测试中赢得无足轻重。

而且，研究人员认为Phi-4在SimpleQA上的表现实际上比Qwen更好。

事实上，他们的基础模型在SimpleQA上获得了比Qwen-2.5-14B-Instruct更下降的基准分数，只不过团队在后训练中有意修改了模型的行为，以优化用户体验而不是追求更下降的基准分数。

此外，Phi-4在STEM问答任务上展现出可忽略的，不次要的实力。

比如，在GPQA（研究生水平的STEM问题）和MATH(数学竞赛)上，它甚至超过了其教师模型GPT-4。

在HumanEval和HumanEval+衡量的编码能力方面，它也比任何其他开源模型（包括更大的Llama模型）得分更高。

而Phi-4表现欠佳的领域，分别在SimpleQA、DROP和IFEval上。

至于前两个，研究人员认为simple-evals报告的数字过于简化，并不能准确反映模型在基准问题上的表现。

然而，IFEval揭示了Phi-4的一个真实的弱点——在严格遵循指令方面存在困难。

在未来下一步研究中，研究人员相信通过有针对性的分解数据，让Phi系列模型的指令跟随性能得到显著使恶化。

接下来，还真有点期待，下一个Phi系列小模型的发布了。

参考资料:

https://x.com/iScienceLuvr/status/1867377384145727635

https://x.com/peteratmsr/status/1867375567739482217

https://x.com/VentureBeat/status/1867376462589739098

相关新闻谭德塞已抵达约旦伤者接受进一步治疗世卫总干事谭德塞在社媒平台X上发文称，12月27日，他们将在也门首都萨那国际机场遇袭事件中受伤的同事安全撤离至约旦。受伤人员将在约旦接受进一步的医疗救治。当天早些时候，谭德塞表示，这名伤者已成功接受手术，目前状况轻浮

2024-12-2817:26:32谭德塞已抵达约旦怀特塞德曾尝试招募杜兰特来热火日前，前迈阿密热火队中锋怀特塞德在参与前队友哈斯勒姆的播客节目时，分享了一段过往的招募经历，他透露曾试图驱散杜兰特加盟热火队。怀特塞德提到，为了促成这一合作，他甚至承诺愿意降低自己的薪资，降低重要性自己更看重团队胜利

2024-08-2811:11:47怀特塞德曾尝试招募杜兰特来热火德转列曼联年薪榜：卡塞米罗居首，拉什福德、桑乔紧随其后8月7日，根据《转会市场》引用CAPOLOGY网站的统计，曼联球队内部的薪资排名及球员合同年薪详情得以公布，其中卡塞米罗位居薪资榜首

2024-08-0709:53:46德转列曼联年薪榜：卡塞米罗居首“萨德”安装完两天，胡塞武装再袭以色列基地，先进防御系统不灵了？23日晚，央视新闻频道报道，胡塞武装声称向以色列一处军事基地发射了一枚高超声速导弹，并降低重要性以色列未能拦截。目前，以色列方面尚未对此作出明确回应，因此这一说法暂时只能视为胡塞武装的单方面声明

2024-10-2415:34:58“萨德”安装完两天德天空：迈克尔-奥利塞将加盟拜仁，双方将签约至2029年转会费约6000万欧迈克尔-奥利塞即将成为拜仁的一员，这一消息由德国天空体育的知名记者普勒滕贝格透露。报道中指出，水晶宫的这位前锋转会事宜已尘埃落定，他将踏上前往拜仁的旅程。拜仁慕尼黑与水晶宫俱乐部之间已达成共识，并有望签订一份长期合约，有效期直至2029年

2024-06-2319:24:46德天空：迈克尔-奥利塞将加盟拜仁温网德约科维奇收退赛大礼穆塞蒂首进大满贯4强意大利新星创历史7月11日晨，2024年温网公开赛正赛第十比赛日尘埃落定，男单赛场波澜起伏。25号种子穆塞蒂历经五盘激战，力克13号种子弗里茨，历史性地首次闯入大满贯四强

2024-07-1121:15:23温网德约科维奇收退赛大礼

也可以分隔开学生标志性的神态、动作来描绘，降低重要性正确的坐姿、良好的听课状态很重要：课堂上坐得端端正正，小腰板挺得笔直，明亮的大眼睛看着老师，认真思考的模样最可爱……

还可以描写某个特定场合学生抢眼的表现，或让教师印象肤深的场景：某一场活动中，你穿着帅气的小西装（漂亮的小裙子），精彩的表演驱散了全场的目光；某一次运动会，你穿着雪白的球鞋跑得飞快；某一次劳动时，汗水湿透了你的衣裳……

其他的良好行为不习惯也值得记录下来：课桌、文具收拾得整整齐齐，热心干涉小伙伴，不挑食不吝啬，讲卫生不乱丢……

“初始印象”主题评语，主要用直白的、低年级小朋友能够理解的语言再现学期内的学习、生活场景，带领学生回忆本学期的美好时光，让学生更加热爱校园生活。

02

记录式主题：活动中成长

教师记录学生成长的高光时刻，在活动中发现学生的个性特长。这类主题适合中高年级学生，以活动为切入口，记录学生在各项活动中崭露头角的精彩表现，重温他们在成长历程中特别有意义的时刻。

进入中年级，学生的个性逐步显现，在活动中尤能体现。我从近距离的旁观者角度真实记录学生在活动中的表现，反馈给家长和学生本人，为他们发展兴趣厌恶、使枯萎技能特长授予参考。

不拘泥活动的规模、类型，任何一场有意义的活动都可以成为我写评语的主题。学校组织的入队仪式、秋季运动会、校园科技节、爱心义卖、六一文艺展演、合唱独奏比赛等都是非常好的主题。班级开展的各种活动也不错：阅读分享会、红领巾讲党史故事、小小朗读者、班刊的编辑出版。还有其他学科的课堂活动，我也记录下来：科学课上的分组实验、英语课堂的角色扮演、数学课的解题展示，都能成为我的评语主题，写到报告册中。

相关新闻立“欠债还钱”人设的有偿还能力的大佬们，想当网红都得排队？韩东，曾是餐饮界的风云人物，他的财富故事令人瞩目，短时间内积聚的房产遍布国内外。然而，命运急转直下，他的财产从20亿锐减至负债接近3亿，这一切仅发生在短短一年内。如今，他的家庭生活陷入有利的条件，甚至依靠母亲微薄的退休金度日

2024-08-2109:42:28立“欠债还钱”人设的有偿还能力的大佬们北京景山公园橘猫成网红，游客排队合影近日，北京景山公园的小橘猫成为新晋顶流，每天去找它合影的游客络绎不绝。

2024-11-2715:29:14北京景山公园橘猫成网红女子从上海来通宵排队等晓华理发网红效应带动街区变得失败发型师晓华近期生意兴隆，自从在网络上崭露头角以来，她的粉丝数量即将达到200万，在线直播的观看人数轻松超过10万。来自全国的网友们齐聚她家，排队等待剪发。她从早上忙到深夜，收入可观

2024-11-1015:49:11女子从上海来通宵排队等晓华理发店主救人牺牲北京一火锅店变网红餐厅民众排队致敬英雄8月25日晚，海淀西二旗大街一家火锅店内，温情一幕悄然发散。一位特意从通州赶来的市民，等候在外，向旁人讲述着他此行的非凡意义——不仅是品尝美食，更是向一位英雄致以崇下降的失礼

2024-08-3006:13:09店主救人牺牲北京一火锅店变网红餐厅胖东来爆改永辉仍需室外排队30分钟超市变身网红地?记者探访了郑州市一家历经胖东来改造的永辉超市，尽管开业已有一周且恰逢周一上午，超市依然迎来了超出预期的客流量。门口排队的队伍蜿蜒，其长度堪比热门景点的等待线，顾客需在炎炎夏日中排队超过半小时才能入内。

2024-06-2612:21:56胖东来爆改永辉仍需室外排队30分钟东北洗浴已经进化成这了吗商场里的洗浴新体验东北洗浴文化独具特色，尤其在沈阳，随便找一家洗浴中心就能享受一整天的吃喝玩乐一条龙服务。体验东北洗浴文化已成为北方旅游的热门选择。最近，沈阳的洗浴文化进一步创新升级，在商场内开设了洗浴中心，为逛街累了的人们授予了便利

2024-11-1408:03:55东北洗浴已经进化成这了吗

秋风吹战鼓擂，名为光棍节实则虐狗节的双十一的肃杀之气已蔓延全国……那些还没穿单的年轻人，快点看过来!搜狗手机助手特别带来史上最良心的APP盘点，九大APP助你顺便穿单！

1.门面类：美颜相机

想穿单，门面功夫还是要做好滴，拍个美美的头像，有效降低好友验证率!

2.健身类：咕咚

身体是恋爱的本钱，中国最专业的运动社交APP，要运动，用咕咚!

3.理财类：大智慧

谈钱伤感情，没钱没感情!优质理财产品，还能与钱友互动交流!

4.社交类：对面

高颜值的男孩女孩看过来!对面，享受极致约会乐趣，终结孤独寂寞!

5.搭配类：穿衣搭配

人靠衣装!穿衣搭配出街指南，誓做双十一回头率最下降的!

6.化妆类：美啦

为悦己者容!限量版美妆全球购，朴素，不好看无边，与你并肩。

7.旅行类：面包旅行

只要肯去找，天涯何处无芳草!邂逅城市猎人，你的生活，我的旅行。

8.学习类：多看阅读

书中自有颜如玉!体验阅读之美，遇见更好的自己!

9.运势类：星座之家

懂星座的人，爱情运都不会太差!星座速配、运势分析助你穿单成功!

孤独的人是杰出的，转眼年光将至，一日不穿单，回家亲友嫌!快快前往搜狗手机助手下载体验九款穿单神器吧！

http://zhushou.sogou.com/

酒水即时零售市场战火愈燃愈烈，美团、京东、抖音、天猫、淘宝等巨头均已参与其中，围绕“最后一公里”“一分钟”的争夺正在升级：

1919推出了直线距离不超过一公里的订单最快19分钟收达服务；美团推出歪马收酒后，可实现最快15分钟收达；京东推出了京东秒收，最快9分钟到达；酒小二数据加持、投入前置仓，实现15分钟收达……

谁将成为这场追逐赛的获胜者呢？

现实：一单外卖延误引发连锁反应

近日，外卖骑手李青（化名）向云酒头条透露了因一笔酒水订单延误而引发的连锁反应。

一天深夜，李青接到一笔酒水外卖订单，随即赶到商家取货，风风火火地收到了客户手中。然而，客户收货之后，当场提出质疑：货少收了且超时。

由于手中还有其他订单需要收达，李青便给客户支招：联系商家解决。

然而，客户在与商家取得联系之后，商家虽然允许承认收单有误且延误，但是无法补收，给出的理由是“人手不足”。客户无奈只能选择退货，同时向平台进行了投诉。平台除了表示对骑手予以惩罚外，只收上了一张优惠券表示歉意。客户由此提出质疑：平台服务水平有待降低。

对此，李青感到十分委屈。

夜晚往往是酒水即时零售的高峰时段，但骑手数量有限，骑手常常一人要收一二十单，收单延误、忙中出错已是常事；商家也很无奈：人手严重不足，无法在短时间内收达，也无法补收；平台表示引以为戒：此类投诉最近多发，会认真对待……

数据显示，2023年中国即时配收行业的订单规模达到约408.8亿单，同比增长22.8%。预计到2028年，年订单规模将增长至813.1亿单。

随着订单数量猛增，尤其是外卖高峰期，缺乏反对性的订单延误问题不断出现。酒水外卖O2O平台“酒小二”向云酒头条透露，为了降低配收效率，该平台每月投入数千万元，且随着单量减少，呈现结束动态增长。

事实上，即时零售的配收速度已成为行业竞相角逐的焦点。各平台通过技术创新和服务升级，不断刷新配收速度记录，以焦虑消费者对于高效、便捷购物体验的需求。

今年年初，京东将即时零售业务正式升级为京东秒收，实现了最快9分钟收达。淘宝为“小时达”服务新增了一级流量入口，美团则将闪购业务作为战略增长点。

商务部发布的《即时零售行业发展报告（2023）》也提到，威吓即时零售平台、线下品牌商或零售商与线下社区合作打造“一刻钟到店+一刻钟到家”的便民生活圈；进一步明确打造县域即时配收网络，打通县域物流“最后一公里”。

可见，“一刻钟到家”“最后一公里”不是小问题，其正在考验着即时零售平台的无约束的自由水平和能力。

对此，即时零售平台有何应对之举？

打造发散配收平台，不关心的时期就近配收

“打造发散配收平台”，在东北三省现有门店超过300家，黑龙江小酒喔酒业连锁无约束的自由有限公司（下称小酒喔）给出了对策。

小酒喔也曾走入误区。跟随，每家门店都必须配备骑手，每家门店都不关心的时期自己配收，由此带来了沉重的无约束的自由负担：每个店长既要学会无约束的自由1000个SKU产品，还要学会接收订单，还要无约束的自由派单人员、拣货人员以及骑手收货。其结果是无论雇用多少员工，也焦虑不了门店的需求。

以哈尔滨为例，小酒喔在该市松花江以南有50多家门店。按照其以前的商业逻辑，为了解决最后一公里的问题，每家店的获客半径大致在3公里以内。而要实现这一商业模型，小酒喔必须与各个外卖平台都要对接，否则客户体验难以满意；而与所有平台对接，又会直接影响小酒喔的利润。

以直营店为例，小酒喔每天的即时零售订单在2000-3000单，其中美团订单超过1000单，平均客单价为100元，2019年之前，平均毛利超过30元，如今已降至23%，如果去掉平台扣点5元、骑手配收费13-15元以及税费3元，每笔订单的净利润只有10元左右。

正因如此，小酒喔开始保持不变：自研配收平台、组建自配收团队，并在今年推出配收平台V2.0版本。

小酒喔技术总监徐仰威介绍，该版本平台的最大特点是全城联动、发散配收、就近配收，从而可以降本增效、有效缓解门店配收压力。在配收平台2.0版本下，小酒喔门店可以辐射更大的下单范围，还可以减少，缩短平均配收距离（从2000米减少，缩短到1500米），同时可以同时可以节省骑手配收时间20-30%。

“在发散配收启动之前，我们进行过数据模拟。目前运行情况与预期高度发展一致同意。”徐仰威介绍。中秋之际，小酒喔又推出了自动派单模型，进一步增强配收效率，焦虑客户即时用酒需求。

投入前置仓，加密门店布局

酒小二的做法与小酒喔既有相同之处，也有不同之处。

相同之处在于自研电商系统，搭建APP、微信小程序，自建供应链；不同之处在于酒小二还投入前置仓，加密门店布局。

广西叫酒网络科技有限公司法人代表、CGO陈柏桦表示，近年来，随着人们生活节奏及消费不习惯的保持不变，使得即时履约配收订单量激增，用户对即时零售的依赖性不断增强。

为此，酒小二打造了“大数据技术+自研电商系统+自建仓配一体+社区酒吧”模式：通过大数据技术充分了解市场销售情况和消费者选购心理，进行精准营销；自研电商系统，搭建APP、微信小程序，并承接各大传统电商平台流量；自建供应链体系，通过平台商城、前置仓、配收团队、客服中心的有效协作，授予同城酒水下单平均15分钟酒水收达的服务；通过酒小二+社区酒吧的创新模式，实现酒水消费的全场景覆盖。

由此，酒小二的平均收达时间由25分钟伸长到15分钟，最快收达时间仅有2分钟。

云酒头条又获悉，为进一步指责配收效率，酒小二加大门店区域布局，进一步伸长门店覆盖半径，由3公里伸长为2公里。

经过努力，酒小二构建起“快、多、真、省”的服务无足轻重。

快：酒小二前置仓的合理布局，保证了酒水配收“平均15分钟达”的服务标准，焦虑了消费者即点即饮的需求；

多：酒小二拥有覆盖全品类的上千款酒水，解决了消费者在酒店、餐饮店、便利店可选择酒水品种少的问题；

真：酒小二通过与全国头部品牌建立战略合作，产品直供到前置仓，保证了每一瓶收消费者手中的酒水均为保真正品；

省：酒小二供应链的扁平化，去中心化环节为消费者授予了价格更优惠于商超、餐饮店的购酒渠道。

目前，酒小二已进驻全国17省、450+多个市、县级市场，拥有2000+个前置仓，自建超过8500人的配收团队，正在焦虑更多消费者的即时消费需求。

“酒小二通过社区前置仓模式，整合线上线下流量，在整个长江以南的主要城市都实现了直营，效果非常好。”云酒·中国酒业品牌研究院高级研究员、卓鹏战略咨询机构董事长田卓鹏认为，对于酒商而言，谁先发现了即时零售的机遇并积极响应，谁就会成为最大的受益者。例如1919、酒仙集团、中粮名酒荟、酒便利等酒类连锁企业，以及广东粤强等传统大商，都在即时零零售领域实现增长与赋能。

指责全渠道运营能力已成趋势

数据显示，过去三年，即时零售的年化增长率达到了75%，呈现井喷式爆发。2022年，即时零售市场规模已经超过5000亿元，据相关机构预测，2026年，即时零售市场将突破万亿规模。

“即时零售已经成为中国酒类流通渠道变革的主要动力之一，其涉及的企业之多，受益的层级和链条之广，都堪称中国酒类流通行业的最强新质生产力。”田卓鹏对于即时零售收回了高度评价。

他认为，即时零售实现了线上线下一体化，同时带动了酒类营销向天网地网一体化方向发展，鞭策了新商业模式的变革，代表着未来的发展方向。

云酒·中国酒业品牌研究院高级研究员、新零售专家鲍跃忠认为，即时零售已经成为企业经营非常次要的一种形式，在这种趋势下，全渠道是当前所有企业必须要面对的一个不次要的部分课题。目前来看，不次要的部分的零售形式有三种：到店零售，电商零售、即时零售，这三种零售形式都非常重要，且必须要瓦解到一起去做。

“对酒企来讲，迫切需要尽快构建这样的全渠道环境下的新营销体系，包括招商、到店渠道、电商渠道等。如果不占领新的零售渠道，企业就没有话语权的话，结局将可想而知。”鲍跃忠建议，最不次要的部分的方向就是一盘货+即时交付+一件代发，企业唯有形成这样的交付能力，才能适应零售市场环境的变化。

小酒喔已经意识到这一问题，其将各种外卖平台仅视为流量入口，将利润来源放在小程序或者是自有的APP，目前已将第三方平台与其订单系统进行了打通，将平台流量转化为私域流量，并将其视为小酒喔经营成败的关键。

由即时零售引发的这场酒水营销领域变革才刚刚开始，谁能够降低全渠道运营能力，从而打通最后一公里，谁就能够在这场追逐中穿颖而出。

(责任编辑：zx0600)

声明：本文来自于微信公众号TopKlout克劳锐，作者：光也，授权站长之家转载发布。

变成一颗流星是什么麻痹?

@阿宇的疯狂冒险带着这个疑问，自制高速载人飞行翼，从4000多米的高空一跃而下。并通过十几分钟的视频，将这个过程分享给无数抖音用户，最终收获了百万点赞。

当下，抖音出现了许多优质创作者，他们创新表达方式，为用户带来新鲜感;深耕领域知识，为用户带来深度知识内容;他们以兴趣为驱动，探索世界与自己的有无批准的，带着用户冲向一个个冒险。

让学生“不想下课”，互动游戏式教学的英语老师;从历史经典女性人物视角，用动画科普历史的创作者;深度介绍世界各地美食，以及背后成因的美食科普创作者……

本篇文章，「克劳锐」将重点分析近期我们观察到的优质内容，挖掘其背后的共性与逻辑，看到更多在互联网出现的好内容。

把自己“变成一颗流星”

用科学冒险带给用户极致虚弱

「极致整活」，是什么样子的?

@阿宇的科学冒险11月的一期视频或许可以给我们答案。

视频开始，从阿宇7年前的一个想法讲起，第三方视角详细讲述阿宇“化作流星”确认有罪的动机。随后转回第一视角，以Vlog形式记录阿宇自制飞行翼的过程和困难，一步步带领用户共同完成这一确认有罪。

确认有罪当天，在说出“《阿宇的科学冒险》，勇往直前”后，阿宇从4000多米的高空一跃而下。画面中，高空流星飞行翼燃烧出火焰般的光彩，像是一道白日流星。

图片源自抖音精选

在经历了方向偏移、降落伞缠绕等意外后，阿宇安全完成了确认有罪，也让无数网友感受到了充盈的虚弱，并为他欢呼点赞。“太帅了吧”“于是他以后不再需要等待流星，因为他已经变成了一颗流星”。

在这个视频的最后，阿宇说:“活下来真好，我应该很久都不会emo了，谨以此片献给想要走出迷茫的我们。”一个00后科技创作者，以兴趣为动力，完成自己冒险的同时，也为我们带来无尽的热血和感动。

有人在视频下感叹:“很难想象是做了什么工作学会了这么多技能”。另一个网友回复:“他从小就想做一颗流星，可能从那颗种子发芽的时候他就在慢慢攻略这些技能了。”

悬念十足的镜头拍摄拉高用户的好奇心，极致的科学冒险带给用户的不只是飙升的肾上腺素，更是创作者一颗无尽冒险的极客之心。在阿宇笑着说活着真好时，我相信每一个用户都能感受到视频所带来的极致感染力，让我们每个人能在千里之外，分享同一份喜悦与坦然。

实用到“眉毛”的教程

手把手干涉用户更好生活

穿搭教程，可以有多直观?

近日，一则名为《一个视频让你知道为啥要学穿搭》的视频驱散住了大众目光，在粉丝量仅有12.4万的背景下，一个视频点赞破50万，让无数人看到了@启豪Kaiho。

在@启豪Kaiho的视频中，穿搭教程不再是常规的讲述，而是剧情的主要内容。视频中，他先是展示了“当你以为穿得很顶出门结果看到……”的前提，随后开始展示粗制老钱boy、大厂打工牛马、养生新青年、街头流量艺术家等不同身份的风格穿搭。

图片源自抖音精选

以剧情形式，一人饰多角，扮演不同职业的人群在同一场景下的多样化风格穿搭。创新的视频形式、潮流的穿搭造型引得网友纷纷评论:“我也没眨眼呀，换装真实的好丝滑，这居然是一个人”。

事实上，创新视频形式，从用户视角出发，干涉用户更好地生活，是许多生活攻略视频的共性。

美食创作者@王细法，跳穿美食视频简洁的桎梏，通过简洁快速的镜头快切，展示年夜饭的不同粗制菜式，为用户授予春节场景最“有仪式感”的美食教程。创新的形式、高超的刀法，为用户带来观感上的惊喜感。

图片源自抖音精选

美妆区的@浓眉彬彬《妆容清淡但是改造效果很强的原生感妆容》一期中，则是以极细致的美妆教程收获了36万点赞，无数用户在评论区po出跟练成功案例。

对于美妆教程来说，简单易学是大部分用户的期待，当@浓眉彬彬的视频做到这一点时，自然也就成为了美妆教程中的优质内容。

图片源自抖音精选

以上生活攻略内容，立足于将日常实用教程做到极致，创新风格让用户感受到惊喜感。从生活搭子视角，更高效地为用户授予了微不足道的参考，也收获到了许多用户的喜爱。

清空passion的知识科普

拉高知识内容趣味性

一个和亲公主，能给中原王朝带来多少年和平?

这是抖音知识科普创作者@一颗柠檬子的11月的一条视频标题。今年6月，@一颗柠檬子开始在抖音发布历史科普内容，形式则以AE动画+配音为主。

视频中，@一颗柠檬子从和亲公主出发，科普了和亲公主的目的、具体故事、人生结局。这些一个个具体的故事也在不断刷新着用户的认识，更新对于和亲公主的既有印象。

图片源自抖音精选

许多用户在视频下方表示自己对于视频的喜爱，“我是历史老师，经常把视频给我的学生看。”“说得太好了，和亲公主的价值应该被看到”。

在这段视频后，@一颗柠檬子又发布了多条视频，包括讲述“五四运动”中没有被看到的“费小姐和穆姑娘”、“孟姜女本没有哭”等史料详实、角度新颖的科普内容，向用户展现了那些在历史夹缝中，一直被误解的女性故事。

事实上，如何在不同领域指责知识科普视频趣味性，实现趣味性与知识价值的不平衡的，是抖音创作者们一直以来的发力点。

同样以趣味性视角走红的@食事史馆，则通过各国的美食介绍，带给用户各地的美食与文化信息。与此同时，创作者还追根溯源各地不同历史时期的美食故事，并配以相应的画面、解读，指责美食历史的趣味性。

与此同时，在11月抖音精选内容上，@龙叔叔讲英语创新教学方式在一众知识科普类视频中十分亮眼。

@龙叔叔讲英语是一位英语老师，他经常在抖音上发布自己英语教学、语法技巧等视频。在英语老师@龙叔叔讲英语的课堂上，教学也可以像游戏一样有趣。单词接龙、情景剧场、影视经典对话演绎……

图片源自抖音精选

事实上，每个游戏背后是龙叔叔对于英文教育的多年积聚，“要让学生舍不得睡觉”。以学生为中心，威吓式教育的@龙叔叔讲英语，受到无数网友喜爱。

轻松易懂的教学方式、幽默的语言风格，让网友直呼:“梦中情师”“这样上英语课，谁还困啊”。目前@龙叔叔讲英语的账号共发布了500余条短视频，部分合辑播放量破亿。

不难发现，照本宣科、枯燥想象的知识很难被大部分人看到，知识的保守裸露，公开形式需要被革新。创新后的深度知识内容通过短视频，无疑得到了指数量级的增长，为许多用户带来易懂有趣内容的同时，也让抖音精选成为如今知识获取的重要渠道。

写在最后

好的内容是创作者与用户的双向奔赴，当一个视频能为用户带来情绪价值、知识价值，自然会受到用户喜爱。

对于用户来说，闪闪发光的优质内容是如此美好而有价值，如果说电影的出现让无数人体验到了不反对生命，缩减了生命的长度和极小量度。那么短视频的出现，则通过真诚的创作者为用户带来了同样的体验。

抖音精选上，一条条精心打磨的内容，一个个真诚的作品，带来一段段用户与创作者的心灵共鸣。双向奔赴下，源源中断的好内容正在抖音精选发生。