2024 年 3 月 13日北京 – 领先的监测和数据分析公司 Adjust今日宣布集成 PC 版 Google Play 游戏,这一举措不仅开创了行业先河,成为赋能游戏应用开发者、营销人员和工作室的关键里程碑,更使跨平台营销推广活动的投放和监测更加轻松、流畅、高效。通过添加Google Play Install Referrer API ,Adjust能将安装直接归因到PC端推广活动,强化了PC|主机监测的能力,帮助应用开发者更好地掌握渠道表现,找到能从Google Play商店吸引最多应用用户的渠道。
一直以来,跨平台游戏的开发和表现监测难度都相当高,而且需要耗费大量的资源。现在,依托 PC版Google Play游戏,安卓游戏开发者可以在电脑网页端发布安卓应用,为玩家提供沉浸性更强和更加流畅的跨平台游戏体验。但如何才能针对PC端开展高效监测呢?Adjust本次的新集成就是营销人员期待已久的答案。
"跨设备游戏不仅是玩家梦寐以求的功能,更是潜力无限的用户获取渠道,它的崛起为手游开发者带来了海量机遇。" Adjust联网电视和新渠道总监Gijsbert Pols博士表示,"Adjust安卓SDK集成 Google Play Install Referrer API后,开发者能够更好地调整营销策略,拓宽应用覆盖面。"
在最近的一项问卷调查中,高达71% 的美国受访者表示,如果其钟爱的移动游戏被移植到PC或主机平台,那么他们就愿意进行下载或购买。由此可见,玩家对跨平台游戏功能的需求愈发强烈,而这一需求也推动着Adjust不懈努力,不断研发创新、易用的解决方案。
Adjust与PC版Google Play游戏Play Install Referrer API的直接集成,为游戏应用开发者、营销人员和工作室开启了更多增长机遇,能够提供无缝跨平台游戏体验和高效监测,推动ROI不断增长。
依靠 Adjust 强大的PC | 主机监测解决方案,营销人员能够开展高效卓有成效的跨平台监测,全面覆盖玩家,高效拓展游戏。通过评估PC和主机平台营销活动的实际影响力,营销人员可以拓展新渠道,优化ROI,让预算的每一分钱都发挥出最大的效果。
"当今的消费者愿意与广告交互,并且会在 PC、移动端等多种平台上玩我们的游戏。因此,我们也需要能跨设备、跨平台的归因服务提供商。" Take Two Interactive Software, Inc. 数据分析和营销负责人 Robert Zhao 表示,"Adjust 支持多平台监测,拥有强大的报告功能和针对 PC 版 Google Play 游戏的创新监测工具,让我们能够精简推广活动管理工作,无论面对哪个平台,都能自信、精准地监测游戏 LTV。"
Adjust 简介
Adjust 是 AppLovin (纳斯达克代码:APP) 旗下公司,旨在帮助海量应用实现从移动端到联网电视等多平台的监测和业务增长,深受全球营销者的信赖。无论是快速增长的数字品牌还是试水应用领域的实体公司,Adjust 都能为其应用营销旅程保驾护航。Adjust 强大的监测和数据分析套件能深入洞察营销表现、汲取关键洞见并提供多种必备工具,进而帮助营销者获得卓越的营销效果。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。