随着人们的消费升级,曾经作为轻奢品的进口葡萄酒已普遍成为人们的日常饮品。对于一些行家来说,葡萄酒更不仅是用来喝的,还具有投资和收藏价值。伦敦葡萄酒交易所推出的收藏型红酒指数(Liv-ex 100 Fine Wine Index) 是精品葡萄酒市场最领先的标准,它反映了市场上最受追捧的100款红酒的价格波动。在过去10年中,Liv-ex指数平均稳定在11%上下,远远超过了美国标普500指数的8%。虽说葡萄酒收藏已不是什么新鲜的话题, 但在大多数人眼中,投资葡萄酒只是少数富豪的专属。很多名酒拍卖会都是在苏富比(Sotheby’s)、Acker Merrall& Condit(AMC)和施氏佳酿(Zachys)等知名拍卖行举行的,竞拍者都是全球前1%的富人。
如何选酒也有很深的学问,对于优质的葡萄酒来说,存放的年限越长,价格就越高,不过市面上也存在一些葡萄酒的价格一振不起且不知其然的现象。还有很多知名酒庄需要买家自身有足够强大的关系网才能直接从酒庄选购。因此,一般人很少能接触到真正具有投资价值的葡萄酒。不过,现在有一款APP让非行家也能投资波尔多红酒。
伟诺红酒Vinovest(zh.vinovest.co)是一家总部位于美国硅谷的科技公司,提供基于大数据和AI算法的智能葡萄酒投资平台,致力于为用户提供全方位一站式葡萄酒投资管理解决方案。通过全球各地的红酒储存基地和葡萄酒大数据,即便是没有行业背景的普通人也能够投资精品葡萄酒,大幅降低葡萄酒投资的准入门槛。据了解,Vinovest团队成员和顾问均来自葡萄酒与科技行业,其中包括来自苹果、Pinterest 和黑石等科技公司高管,ByteDance的产品设计、南加大的技术工程师,以及多位世界侍酒大师和米其林三星餐厅的葡萄酒总监等。目前,伟诺红酒 已完成千万美元的A轮融资,投资方包括Tribe Capital、Hustle Fund以及来自海外字节跳动、腾讯、谷歌等天使投资。
伟诺红酒的创始人安东尼·张表示:“葡萄酒越陈越好,同时也是越陈越少,从而带来了投资机会,因为它的价格会随着时间而上涨。不过从事和参与葡萄酒投资,却是一项很难让人摸到头绪而且价格不菲的活动。当时在我看来,葡萄酒投资只适合那些已经很富有的人,这让我感到很不舒服。”于是,作为一名红酒爱好者和程序员,他和他的团队编写了一个算法,来预测葡萄酒的升值空间。五年之后,这个算法变成了伟诺红酒,并在美国受到众多的红酒爱好者和散户投资者的热捧。
谈及平台运作模式,Vinovest平台用户会被要求选择投资偏好和风险承受能力,会员将由侍酒师协助挑选投资级别的葡萄酒,平台也会根据会员选择的投资倾向、预算以及风险承受力等因素,结合葡萄酒历史表现数据,利用AI智能算法来定制最佳投资组合。伟诺红酒的算法结合了葡萄酒的历史数据,包括价格、流动性和品牌价值,并考虑了葡萄酒的评价指数、卫星影像和社交媒体上的舆情。
除了解决了购买渠道问题,优质的进口葡萄酒对存储环境的要求极为严格,考虑到普通爱好者,伟诺红酒在全球葡萄酒产区附近布局了葡萄酒储存基地,保证葡萄酒储存在最佳的湿度、温度,以及通风的环境下。伟诺红酒表示,就连英国皇室用的也是同样的酒窖基地。提到购买进口葡萄酒酒,不少人也会担心真假问题,在这一方面,伟诺红酒为用户提供葡萄酒鉴真和保险服务。
伟诺红酒于今年年初进入中国市场,目前正处于探索阶段。中国消费者的饮酒习惯和消费者意识相比欧美市场有一定的差距,但对精品葡萄酒的需求和痛点却是一致的,伟诺红酒表示会先从市场教育开始,让中国消费者意识到精品葡萄酒的投资价值,逐渐改变“葡萄酒投资收藏只是小众爱好”的传统意识,平台下一步也会开发针对中国市场的应用,以满足中国用户的需求。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。