随着网站业务量的高速增长,带宽的费用也在急剧增加,这其中直播行业尤甚,像斗鱼、头条视频、映客、YY等这些近几年高速发展的公司,在“网红经济”暴增的同时,越来越多的投入都给了CDN。据统计,一般影音娱乐企业只有40%是真实的运营成本,而30%左右的成本都给了带宽和CDN。
如今国内比较出名的几个直播网站月活都在8700万以上,如果以千万级的月活、百万级在线来计算的话,这将意味着1.5T带宽的消耗,每个月将近有3000万现金将花费在带宽上,随着业务体积地不断增大,花费会只增不减。同时还有一个更严峻的问题,CDN领域的竞争越发激烈,当用户都用专业的眼光去理解成本跟服务品质的相关性时,如何能够在众多CDN运营的服务提供商里挑选出来自己最合适的厂商呢?
智能调度听云Controller只为节省成本而生
听云技术副总裁吴静涛发布听云全新产品-听云Controller
为了解决这种复杂情况,听云全新产品-听云Controller应运而生,利用听云APM所采集的大数据进行深度分析以后,达到对资源进行智能调度,为用户提供实时低价高效的资源配置建议等效果。听云Controller第一期产品开放了听云的CDN调度系统——听云Controller for CDN,利用听云大数据为CDN服务节点做征信,实时高效低价对CDN进行调度。
实时CDN调度
百亿级大数据支撑 只为实时掌控CDN
目前听云每天能够收集到200亿条移动性能数据,3亿条的浏览器的应用性数据,再加上30w+的全国的监测节点,汇聚起来便形成了听云对CDN以及CDN性能监控的基础数据。根据这些实时的CDN节点的成功率、用户的吞吐率以及实际的访问时间,价格等数据做加权运算,便能对CDN的节点选择提供好的评估和使用的可能。
那么利用这些数据做出智能调度以后,会出现什么情况呢?我们来举个例子,当我们选择真实用户的一张图片,同时选择两家CDN的运营商做正常的压力测试,在使用听云的CDN调度以后,真实的性能变化会有哪些变化呢?
性能均值对比:用户端真实图片的下载时间,从350毫秒的平均值降低到了191毫秒,性能的提升40%。
成功率均值对比:调度前跟调度后的成功率的对比,当服务节点一旦出现可用性的问题,便立刻可以帮助将流量切到其他节点上去,我们可以看到成功率大幅提高。
节点数量对比:服务节点的变化。从两个CDN的服务运营商264个节点,增加至五家运营商500个节点,可用的节点变得更多。但事实上调度并不需要复杂的动作,听云Controller系统可全自动化完成。
实际成本对比:实际成本变化。新CDN运营商的引入可能会带来成本下降的可能性,但随之而来的便是可用性的风险。使用听云CDN调度系统可以在确保可用性、性能的情况下,大幅降低成本。
我们可以看到,在使用听云Controller forCDN智能调度CDN使用情况以后,在保证可用性和性能的情况下, 40%的成本降低,30%的效能提高,让你的成本不会随着业务增加而增加,让成本增长的比例降低。这就是听云Controller的概念和价值,真的用户体验为核心,确保整个在CDN上跑的每一个节点的性能、可用性、成本,生成征信体系,帮助用户在选择服务节点时可以实时以服务品质、实际价值为依据来决定。未来,听云Controller产品线还会扩展到Cloud以及双活DC用户智能路由上,构建真正智能的秒极用户体验时代。
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。