作为微软旗下的社交平台,LinkedIn的核心亮点一直是帮助那些希望出于专业及招聘目的的用户们找到建立人际网络、获取知识的最佳场所。也正是凭借这个核心定位,LinkedIn业务目前已拥有超10亿用户。如今,为了增加该平台对于用户的粘性——即人们在平台上花费的时间,该公司决定进军一大全新领域——游戏。
TechCrunch获悉并证实,LinkedIn正在开发新的游戏体验,希望通过轻松但又烧脑的解谜游戏达成这一用户粘性目标。其借鉴对象正是Wordle猜字游戏,事实证明这种简单的体验如病毒般传播并成功吸引到数百万玩家。LinkedIn选择的三款早期作品分别为《Queens》、《Inference》以及《Crossclimb》。
消息一出,众多应用研究人员立刻开始向LinkedIn的平台代码下手,想要剖析其中有哪些蛛丝马迹。一位名叫Nima Owji的研究者表示,LinkedIn似乎正在探索一种新方法,即按工作地点公布玩家得分排行榜,再根据这些分数对企业进行“排名”。
LinkedIn的一位发言人已证实该公司正在开发游戏产品,但强调尚未确定具体发布日期。
这位发言人向TechCrunch证实:“我们正尝试在LinkedIn体验中添加解谜类游戏以增添使用乐趣、加深关系并希望激发人们的社交热情。更多消息将稍后发布,敬请期待!”
这位发言人还补充称,研究人员在X上分享的截屏已经不是最新版本。
LinkedIn的母公司微软自己就是一家游戏巨头。其游戏业务包括Xbox、动视暴雪和ZeniMax,上季度收入达71亿美元,首次超过了Windows业务收入。
但LinkedIn公司发言人拒绝透露微软是否以及将如何参与LinkedIn的游戏项目。
无论是从收入还是用户参与度角度来看,游戏通常都是手机和PC平台上最受欢迎的应用软件之一,而基于解谜的休闲游戏一直是该领域最受移动用户青睐的类别。非游戏平台长期以来一直在利用这类产品为自己吸引流量——大家应该还记得当初报纸和杂志上随处可见的填字游戏或者有奖猜谜,可以说这种趋势早在互联网诞生之前就已经存在。
《纽约时报》于2022年收购了热门游戏Wordle,并在去年年底表示仍有数百万用户在持续享受这款游戏。该游戏现已成为《纽约时报》整体在线解谜与游戏平台的重要组成部分。
但其他着力投入游戏业务的企业却不一定能够收到预期中的效果。作为全球规模最大的社交网络,Facebook多年来一直是社交游戏业务的主要推动者。但在2022年,由于使用量下降,该公司决定关闭独立游戏应用;如今,他们开始将主要精力放在混合现实体验与Meta Quest业务身上。
多年以来,LinkedIn也曾尝试过多种不同新功能,希望提高人们对该平台的粘性和参与度。所以对当前游戏策略的最佳总结,也许是“我们该如何利用人们最喜爱的流行工具,并将其与LinkedIn主体受众关联起来,从而在不分散职场这一焦点的前提下提高平台人气?”
之前的举措已经包括在线教育与职业培养、出版与新闻运营、引入更多视频工具以及招揽创作者与意见领袖等,这次引入游戏业务无疑是对LinkedIn整体战略的最新探索与合理延续。
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。