每天有3.46亿人打开快手,工人、农民、司机、非遗文化传承人、不同职业、不同地区的人在快手相聚。快手是一个短视频汇聚和分发的平台,每一个短视频都会经过神奇之旅,首先创作者会对短视频的内容进行构思,然后创造出这个短视频。接着这个短视频就会被上传到平台进行结构化的内容理解,再通过强大的分发引擎,分发给对这个视频内容感兴趣的用户。
在这个过程中,快手成为了一个具有“市井”烟火气息的地方,但同时,在这个过程中,背后其实有着快手算法团队超过3000个人工智能服务,几百万的CPU内核去做视频的处理,想着如何把视频编解码做的更好……
于是乎,快手索性把这些技术能力拿出来,对行业伙伴说,把我们的经验变成固化的产品工具,大家一起享受技术的便利,就有了“Streamlake”视频云品牌,正式进军B端业务领域。

图:StreamLake品牌发布会启动仪式
目标客户:需要视频的人
快手成立了独立的业务部门,面向B端客户,为他们做做技术赋能。这个团队,其实就是原本只服务于快手主站平台的团队。他们的目标是,服务于需要做视频内容,规模中等偏上的公司。
提到这个新部门目标,快手高级副总裁、Streamlake业务负责人于冰表示,已经有一些在视频领域提供服务的服务商,Streamlake在视频提供商里面做到头部就可以了。
“快手就是把自己在音视频领域最精华的积累抽象出来,提供给客户,让客户接入的成本低。”于冰说,“我们观察,有一些领域,对视频依赖很多,诸如传媒,社交,社区,娱乐,广电等,对视频的需求很大,快手的能力赋能他们,对他们的价值提升大,我们就从他们开始做起。”
数字化的进程,特别是在这两年,步入快速道,快手技术副总裁、AI技术及主站技术负责人王仲远认为,视频和直播会成为各行各业的基础设施,这是大的趋势,各行各业都开始受到视频化的影响。
“从电商用视频全方位展示商品,还有现在的招聘,相亲,都用视频去做了一些探索,越来越多的行业,在数字化的过程中需要通过视频化、直播的手段,来完成行业的转型升级”。
产品:操作系统、芯片
快手进入B端市场,走出的第一步,包含了StreamLake操作系统,以及云端智能视频处理芯片SL200。
StreamLake形成了编解码算法、传输算法、AI特效、知识图谱等丰富的原子能力,以及下一代产品矩阵,点播云、直播云、媒体处理与存储、虚拟人、内容审核、特效美化、内容理解、互动与创作、快手云剪、快手极目、音视频SDK、SoundMatrix智能会议音箱、6DoF自由视角视频等产品,辅以专业技术咨询服务,为行业客户提供场景化的解决方案。

图:StreamLake视频AI全景图
于冰说,当下的视频业务公司,面临的问题和挑战,是从无到有,从有到优,再从优到卷,在创新内卷的情况下,快手提供了对视频体验的整体方法论,通过Streamlake封装到我们的产品里面,去提供给我们的合作伙伴,一个行业最佳的解决方案和最佳实践。
此外,快手以AI和音视频业务为重点,研制出面向视频直播点播应用的云端智能视频处理SoC芯片SL200和解决方案,目前已流片成功,并正在进行线上内测。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。