Aarki 已推出 Encore,这是一款针对隐私优先场景下移动营销人员打造的下一代机器学习平台,旨在实现全漏斗增长。
为实现更智能的用户获取和更强的用户留存,Encore 结合了动态定位、持续模型演进以及 SKAN 4 准备优化。
Encore 是业内唯一采用隐私优先框架的一体化平台,支持 iOS 和 Android 系统的用户获取 (UA) 以及重定向 (RT) —— 为可持续增长和长期用户留存释放了强大的协同效应。
依托于位于旧金山的 Aarki 专有 AI 基础设施(包括超过 1,000 台自有及运营服务器及每秒处理 6,000,000 次查询的能力),Encore 动态融合了归因数据、非归因信号以及实时广告调用叠加,从而最大限度地减少媒体浪费并提升广告活动效率。
Encore 的主要优势
更智能的定位 :利用全谱数据构建高精度的受众细分,包括非归因的 MMP 数据及实时广告信号。
全漏斗智能 :无缝整合 UA 与 RT 策略,提升应用内用户终身价值。
持续学习 :基于实时表现信号,深度神经网络实时重新校正模型。
SKAN 4 准备优化 :面向未来的定位及下漏斗优化,适用于隐私中心化的移动生态系统。
Aarki 首席执行官 Aman Sareen 在声明中表示:“在 Aarki,我们相信移动营销的未来属于那些能够整合性能与隐私的平台。通过 Encore,我们提供了一套全漏斗解决方案,使移动应用营销人员能够更智能地实现从获取到留存的增长,同时在隐私优先的环境中蓬勃发展。Encore 不仅仅是一种演进,而是业界在智能、负责任广告方式上的根本性转变。”
早期结果已证明了 Encore 的显著影响。对一家全球性游戏品牌而言,Aarki 的 Encore 将第七天广告支出回报率 (D7 ROAS) 提升了 25%,并将每安装成本 (CPI) 降低了 18%,相较于以往的优化方法。Encore 还提供了内部创意工作室,用于实时广告策略制定和表现监控。通过采用持续学习、动态受众构建及跨生命周期优化,Encore 帮助品牌加速增长,同时建立长期用户信任。
在过去 14 年中,Aarki 一直处于 AI 驱动的移动增长解决方案的前沿。如今,该公司在全球超过 10 亿台设备上每秒处理 5,000,000 次广告请求,为数百家领先品牌和发布商带来可衡量的成果。基于其 Post-Back 解决方案的成功(该方案帮助品牌利用第一方数据开拓新的用户获取和留存机会),Aarki 继续在后 IDFA 时代以隐私优先的创新引领可持续移动增长的发展。
Aarki 是一个利用 AI 驱动的移动增长平台,通过动态定位、深度神经网络优化和隐私优先的创新实现全漏斗表现。Aarki 为全球领先品牌和发布商提供服务,整合先进的机器学习、创意策略与自有基础设施,推动更智能的用户获取、更强的用户留存以及卓越的投资回报率。Aarki 总部位于旧金山,并在北美、欧洲、中东及北非和亚洲设有办事处。
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。
VidText是一个全新的视频文本理解基准,解决了现有评估体系的关键缺口。它涵盖多种现实场景和多语言内容,提出三层评估框架(视频级、片段级、实例级),并配对感知与推理任务。对18个先进多模态模型的测试显示,即使最佳表现的Gemini 1.5 Pro也仅达46.8%平均分,远低于人类水平。研究揭示输入分辨率、OCR能力等内在因素和辅助信息、思维链推理等外部因素对性能有显著影响,为未来视频文本理解研究提供了方向。
ZeroGUI是一项突破性研究,实现了零人工成本下的GUI代理自动化在线学习。由上海人工智能实验室和清华大学等机构联合开发,这一框架利用视觉-语言模型自动生成训练任务并提供奖励反馈,使AI助手能够自主学习操作各种图形界面。通过两阶段强化学习策略,ZeroGUI显著提升了代理性能,在OSWorld环境中使UI-TARS和Aguvis模型分别获得14%和63%的相对改进。该研究彻底消除了传统方法对昂贵人工标注的依赖,为GUI代理技术的大规模应用铺平了道路。