Fox旗下流媒体服务Tubi于本周二宣布,正式在ChatGPT内推出其原生应用程序,为用户提供一种更便捷的方式来探索其超过30万部电影及电视剧集的庞大内容库。
尽管Netflix和亚马逊Prime Video等竞争对手已在各自平台内尝试引入AI驱动的内容推荐功能,但Tubi是首家直接在ChatGPT内部构建专属体验的主流流媒体服务商。
用户只需从ChatGPT应用商店安装Tubi应用,并在提示框中输入"@Tubi"即可开始使用。随后,用户可以用自然语言提出需求,例如"适合女生之夜的惊悚片"或"好笑的内容",系统将即时返回个性化推荐内容,并直接链接至Tubi平台上的对应影片。
此次发布恰逢流媒体行业竞争日趋激烈之际。面对海量娱乐内容,内容发现已成为各平台争夺有限用户注意力的核心挑战。不少流媒体平台甚至开始借鉴社交媒体的功能设计,以提升用户黏性,折射出受众内容消费方式的深层变迁。
Tubi此举是其早期AI探索的延伸。2023年,该公司曾在移动应用内推出由ChatGPT驱动的"Rabbit AI"功能,允许用户提问并获取个性化推荐,但该功能于次年被下线。
此次与ChatGPT的整合意味着一次战略转向:Tubi不再试图在内部自建AI体验,而是选择直接进入用户已习惯寻求答案的平台。目前,ChatGPT的每周活跃用户已于今年2月达到9亿,而Tubi的月活跃用户数则超过1亿。
此外,Tubi近期还推出了"Creatorverse孵化计划",这是一项旨在扶持新兴内容创作者的新举措,为将在该平台独家首播的原创节目提供推广支持及潜在资金机会。
OpenAI早在去年10月便推出了供开发者在ChatGPT内构建应用的功能,目前已有数十家企业上线了相关集成,包括Booking.com、Canva、DoorDash、Expedia、Spotify、Figma和Zillow等。SeatGeek则是最新完成原生应用上线的企业之一。
Q&A
Q1:Tubi在ChatGPT内的原生应用怎么用?
A:用户可以在ChatGPT应用商店中安装Tubi应用,安装完成后在对话框中输入"@Tubi"即可启用。之后只需用自然语言描述想看的内容类型,比如"想看搞笑的"或"适合闺蜜之夜的惊悚片",系统会即时推荐匹配内容,并直接链接到Tubi平台上的对应影片,无需额外跳转搜索。
Q2:Tubi之前推出的"Rabbit AI"功能为什么被下线了?
A:Tubi于2023年在移动应用内推出了由ChatGPT驱动的"Rabbit AI"功能,支持用户提问并获取个性化内容推荐。然而该功能在推出后不久便于次年被终止。此次直接在ChatGPT平台内构建原生应用,被视为Tubi战略方向的调整——不再自建AI功能,而是借助用户已在使用的AI平台触达目标受众。
Q3:目前还有哪些公司在ChatGPT内上线了原生应用?
A:自OpenAI于2024年10月开放开发者在ChatGPT内构建应用的能力以来,已有数十家企业完成集成,包括Booking.com、Canva、DoorDash、Expedia、Spotify、Figma、Zillow以及最新上线的SeatGeek。Tubi是首家在ChatGPT内推出原生应用的主流流媒体平台。
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。