近日,致力于提供前沿数字广告供应链的独立科技公司PubMatic(纳斯达克股票代码:PUBM)发布了关于《如何获得跨屏视频广告可寻址能力》的报告。这项与 Advertiser Perceptions 共同发起的调研旨在审视发行商如何有效地实施视频广告战略。调研结果显示,虽然发行商认为广告商希望以不限定屏幕的方式购买视频广告位,但他们在跨渠道无缝提供视频方面却面临重重困难。因此,发行商将供应方平台作为他们的主要合作伙伴,以加强视频变现能力。PubMatic 作为领先地位的独立供应方平台,能够帮助致力于视频广告位库存程序化变现的发行商抢占市场先机。
广告商表现出对跨屏视频广告位库存的强烈需求。调研结果显示,目前 62% 的数字视频广告以程序化方式进行交易,其中大部分是通过私有方式进行交易,如程序化担保交易或私有市场交易。尽管需求旺盛,且程序化技术成熟,但实现跨屏受众定位仍是一大挑战。
Advertiser Perceptions 的商业智能副总裁 Nicole Perrin 表示:“在我们的分析中,59% 的发行商认为,如果他们改善跨屏视频受众定位和度量能力,就可以提高变现能力,但自行开发解决方案的能力有限。缺乏跨屏幕的一致数据是一个关键问题。我们的研究发现,供应方平台可提供有效的解决方案,并且能够以最有效的方式提供数据,提升发行商的视频广告变现能力。”
根据这份调研,供应方平台在整合用于受众定位的数据方面起到了重要作用。而且,供应方平台能够与中立的第三方身份识别图表和身份识别解决方案无缝对接,以识别用户,并将不同设备和渠道的身份数据联系到一起,实现多层面的受众定位,发行商认为这种能力有助于最大程度加强视频变现能力。在受访的发行商中,已有超过四分之一正在与 PubMatic 合作,另有 35%考虑在未来 12 个月内与 PubMatic 合作。
PubMatic 首席增长官 Paulina Klimenko 表示:“要满足跨屏视频广告需求,需要具备数据定位和度量能力,而发行商往往无法靠自己做到这一点。作为供应方平台,我们的目标是提供这种能力,帮助发行商为其跨屏视频广告位库存带来更多需求,并使他们的收入最大化。发行商表示,他们希望供应方平台合作伙伴可以提供最大的灵活性来支持他们的变现举措,同时保持不偏不倚。作为发行商的真正合作伙伴,我们正是这样做的。”
请点击此处下载完整版报告。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。