移动行业领先的效果营销和广告变现平台 Liftoff 日前宣布推出新一代机器学习引擎Cortex。通过运用先进的神经网络模型,Cortex显著提升了广告活动的表现,标志着机器学习在广告技术领域的应用取得了重大突破。
Cortex大幅提升了计算能力与模式识别能力,数据处理能力是逻辑回归模型的 10 倍以上。
这种显著提升的处理能力使Cortex能够充分挖掘更多Liftoff旗下平台(包括 Vungle Monetize SDK 和 GameRefinery)的独家数据信息,在日益复杂的环境中实现更准确的预测。综合来看,这些技术进步为广告客户带来了更多高价值的转化,并提升了广告投资回报率。
Liftoff首席执行官Jeremy Bondy表示:“Cortex 代表了移动广告技术的一次重大飞跃。 Liftoff一直把为合作伙伴创造的业绩视为衡量成功的标准。看到Cortex帮助客户提升业绩表现,我们倍感振奋。”
“借助全新的深度机器学习模型,我们能够更有效地利用自有平台的大量数据,优化广告活动,提升业绩表现。更快的模型训练和迭代速度,使我们能在瞬息万变的市场中迅速调整策略。我们相信,这些模型的升级创新为所有 Liftoff 平台带来了巨大的增长机遇。”
Cortex在早期阶段已显著提升广告表现。平均来看,Cortex将CPI成本降低了23%,CPA成本减少了21%,同时ROAS回报率提升了16%。
全球直播平台Bigo Live表示:“Liftoff 积极开发新的优化方式,满足广告客户的需求。特别是在用户生成内容(UGC)和Cortex的支持下,我们不仅降低了CPI成本,还提升了用户留存率。”
一些韩国游戏开发者,如Playlinks,已经切实体会到了Cortex带来的优势。Playlinks的市场营销经理Seokyung Lee表示:“与其他平台相比,Liftoff的Cortex凭借其强大的机器学习逻辑,提供了出色的ROAS表现,使我们在iOS上获取的新用户比例接近80%。Cortex的优化能力以及对创意的赋能,持续帮助我们提升广告效果。”
Cortex先进的机器学习模型具备以下主要特点和优势:
总体而言,Cortex的数据驱动方法通过精准识别最有效的渠道、受众和创意元素,助力广告客户实现更高的投资回报。
好文章,需要你的鼓励
这项来自麻省理工和滑铁卢大学的研究质疑了在AI文本排序中"思考过程"的必要性。研究者比较了三种文章重排模型:直接判断的StandardRR、先推理再判断的ReasonRR,以及禁用推理功能的ReasonRR-NoReason。实验结果表明,不仅推理过程没有提高排序质量,有时甚至会降低效果。主要原因是推理导致模型倾向于极端判断,难以表达"部分相关"这种微妙关系。即使应用"自洽性"等改进技术,简单直接的判断方式仍然更为高效有效。研究为信息检索系统设计提供了新视角:有时,少即是多。
TAGS是一种创新的医学问答框架,结合了泛医和专医两种视角,通过层次化检索和不确定性验证机制提升医学AI回答的准确性。该框架由穆罕默德·本·扎耶德人工智能大学等机构的研究团队开发,无需任何模型微调即可显著提升包括GPT-4o和DeepSeek-R1在内的大型语言模型在九个医学问答基准测试上的表现。TAGS通过模拟医疗专家协作、结构化知识检索和质量控制,解决了现有方法在复杂医学推理中的短板,为构建更可靠的医学AI系统提供了新思路。
这篇研究提出了时间抽象值学习(OTA)方法,解决离线目标条件强化学习中的长期规划问题。研究团队发现现有分层方法失败的关键在于高层策略无法生成合适子目标,原因是价值函数在长期规划中估计不准确。OTA通过"选项"概念实现时间抽象,有效缩短规划视野,使价值函数能提供更准确的优势信号。在复杂迷宫导航和视觉机器人操作任务中,OTA显著优于现有方法,证明了该方法在处理长期任务时的有效性。
这项研究探索了大语言模型内部可解释特征的形成过程,分析了它们在训练过程中(时间)、模型层级间(空间)和不同规模模型(尺度)的行为变化。研究团队使用稀疏自编码器技术,成功识别出特定语义概念在神经激活中出现的时间点和位置。研究结果显示,不同领域的知识概念在模型训练和规模扩展中存在明确的激活阈值,且在空间分析中发现了早期层特征会在后期层重新激活的现象,这挑战了对变换器模型表示动态的传统认知。