互联网视频供应商Netflix认为, “Netflix的仍然是领导者高峰期的交通,我们的研究中占下游业务的36.5%。” 而YouTube处于遥远的第二名,占15.6%。
在此之后,下行流量,HTTP、普通的Web流量只有6%。剩下的都是iTunes,BitTorrent的,Facebook和MPEG流量。
未来在第八位,亚马逊即时视频拥有Netflix的带宽占有率只有一小部分高峰时2%的下游。 Sandvine的指出,“许多在我们的报告中观察到的视频服务体验做基于对这些平台的新内容的可用性在他们的份额一些季节性的变化。”
特别是,Hulu和HBO都特别容易受到这些波动,因为他们的大部分内容的变化时新的编程可用。吊带电视,美国的服务,允许用户流流行的有线电视频道如ESPN没有一个传统的有线电视订阅占峰值下行流量的不到1%。由于吊带电视只推出了一个月Sandvine的数据收集之前,结果不说太多关于其接受。
而这一切合法视频已经成为可用的,BitTorrent的,对等的对等文件共享协议最知名的视频和音乐盗版,使用量继续下滑。 BitTorrent的现在占在高峰期少于5%的总流量,总流量在一天只有6.3%。 2008年,Sandvine的报道,BitTorrent的占全部互联网流量的31%。
所以,今天,互联网已经成为电视和看电影的好地方。事实证明,解决互联网盗版是使数字下载和流媒体发展合理化的一个正确选择。
而广播内容这种旧的商业模式仍在处理这一新的商业实现模式。但是,不得不承认,互联网正在改变传媒业务。
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。