一窥直播技术新趋势 LiveVideoStack Meet杭州见

于 2017-05-31 17:23:03 发布
阅读量243 收藏
点赞数
活动聚焦后直播时代的技术趋势，涵盖互动探索、图像处理、音视频互动及海外推流实践等内容，多位技术专家将在杭州站活动中分享最新技术和应用场景。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

6月17日 杭州  |  6月24日 上海  『LiveVideoStack Meet 后直播时代技术』一连两场走进华东，携手众多技术专家期待能一窥2017年的直播技术趋势。直播App的虚火逐步降温，行业逐渐恢复理性，并不断探索新的产品形态与创新。这其中，技术扮演了不可或缺的角色，新的编码与传输协议，覆盖全球的网络架构，低延迟的音频传输与白板，基于深度学习的图像识别等，这一切进一步加强了各直播参与方的互动。


H.265编码普及，高清直播成本进一步降低，VR、人工智能等技术又将让直播充满了更多想象。在LiveVideoStack Meet杭州站活动上，将有哪些精彩内容呢？

Speaker One


640?wx_fmt=jpeg

陈举锋（丰火） 淘宝直播的研发负责人（杭州站）


陈举锋（丰火），阿里巴巴高级无线技术专家。多年无线客户端开发经验，曾负责iPhone QQ客户端架构，2015年加入手机淘宝团队，目前负责淘宝直播的研发。


Topic：《后移动直播时代的互动探索》


2017年，直播还有哪些新玩法，对于电商行业而言如何提升直播带来的粘度与转化？本次分享将讨论一些新的直播要素，包括手势、连麦、人脸识别、AR等。最后，还会介绍淘宝直播在全链路播放优化方面的探索。


Speaker Two

640?wx_fmt=jpeg

邱彦林 涂图 CTO（杭州站）


Topic：《图像技术在直播中的应用与未来》


美颜和人脸识别已经成为许多图像和图片应用的必备项，而直播应用又对这一技术提出了更高要求，不仅对人脸识别的速度要求更高，更要提供鉴黄等服务。本次分享将介绍美颜和人脸识别相关算法，以及未来直播领域的应用趋势、技术难点与演进方向。


Speaker Three

640?wx_fmt=jpeg

黄慧攀 又拍云CTO（杭州站）


Topic：《实时音视频互动的技术探索》


本次分享将从网络传输、应用服务器开发和客户端SDK开发几个方面，向大家介绍实时音视频通讯所牵扯到的技术点，以及又拍云在路上踩过的一些坑。


Speaker Four


640?wx_fmt=jpeg

林君 即构科技合伙人（杭州站）


Topic：《高并发实时音视频互动技术解密——以“狼人杀”为例》


以狼人杀为例，对高并发实时音视频互动技术进行解密，如何实现低延迟，涉及协议、网络优化、架构等方面。如何做到支持上万人同时在线，高并发，这背后是弹性扩容，网络架构。如何做到国内与海外用户互联，更低成本的实现低延迟。


Speaker FIVE


640?wx_fmt=jpeg

何荣光 网易服务端高级研发工程师（杭州站）


Topic：《网易云海外推流部署实践》


谈到直播，实时性和流畅性一直是整个服务体系中的重中之重。本次分享将通过以下四点着重梳理网易云在海外推流方面的部署实践，帮助开发者了解如何以更低成本来优化节点与链路，包括海外推流的瓶颈、直播的链路简介、节点优化以及链路优化。


长按以下图片，进入杭州站报名页面

640?wx_fmt=jpeg

博客
淘系技术，实力为2019年双11而战！稳！
11-12 2万+
今年，双11走到了第11个年头，史无前例的，阿里经济体内有49支技术团队共同参与作战，也是第一次，双11的核心系统将100%跑在云上，这无疑让今年的双11技术作战充满了更大的挑战。正如2019年双11技术团长平畴（汤兴）说的“「善战者，无智名，无勇功」，这是我们技术人最高的境界”。我们一起捍卫了阿里技术人的荣耀，一个字 “稳”！年年双11，回回新玩法，“在吗，盖楼吗？”成为了好友聊天的日常，每天蹲...
博客
淘宝购物车拖拽功能的思考与实践
08-18 642
本文深入剖析了购物车拖拽功能的技术实现路径，在复杂业务场景下通过精细化控制、合理架构分工与细节体验打磨，实现了高效、稳定、流畅的用户交互体验。功能演示拖拽演示 Weex demo 购物车场景为什么需要拖拽？▐ 2.1 购物车功能 & 分组与拖拽的关系购物车作为用户准备购买的商品集合，承担着展示+管理的功能。上述管理操作都是针对单一商品，为了丰富对于所有购物车商品的管理形式，在 iCart 版本新增了和店铺并列的分组概念。允许用户把不同店铺内的不同商品放置在同一个区块内，提升勾选、凑单、结算的效率。
博客
MNN LLM Chat iOS 流式输出优化实践
08-15 1048
团队在端智能、端云协同、商品三维重建、真人三维重建、3D引擎、XR引擎等方面有着深厚的技术积累，先后发布深度学习引擎MNN、商品三维重建工具Object Drawer、3D真人数字人TaoAvatar、端云协同系统Walle等。最终，我们通过底层增加缓冲输出，中层合并更新请求，UI层提供视觉缓冲——这三层配合实现了从技术优化到体验优化的完整覆盖，提升整体性能和体验效果。综上，结合三层的优化，通过以上多层协同优化方案，我们成功地将一个卡顿、生硬的文字输出体验转变为流畅、自然的现代化AI交互界面。
博客
万字长文解码如何玩转Prompt（附实践应用）
08-13 765
在AI技术迅猛发展的今天，如何与大型语言模型高效“对话”已成为释放其潜力的关键。本文深入探讨了提示词工程（Prompt Engineering）这一新兴领域，系统解析了从基础概念到高级技巧的完整知识体系，并结合“淘宝XX业务数科Agent”和科研论文深度学习两大实战案例，揭示了高质量提示词如何将AI从“工具”升级为“智能协作者”。无论你是初学者还是实践者，都能从中掌握让AI真正为你所用的核心方法论。引言：新范式下的“对话”艺术与科学我们正身处一个由大型语言模型驱动的AI新纪元。从GPT-4到Deepseek
博客
大模型驱动SPU
08-11 413
本文围绕SPU（标准化产品单元）的演进与挑战，系统分析了当前SPU在定义、生产、审核和数据治理方面存在的核心问题，如SPU定义与商品类目强耦合、数据质量不及预期、审核效率仍有提升空间、存在同质化数据等。为应对这些问题，文章重点介绍了通过引入AI/大模型技术，在SPU生产、审核与治理链路中的实践成果，包括算法生成SPU、机审辅助、外包审核流程优化及数据质量提升，并推动了商品托管等应用场景落地。针对产品信息不完整问题，在现有属性不调整情况下，将商品属性、服务属性、资质属性均纳。收敛新增权限，建设新品发布。
博客
淘宝交易前端AI生码技术的创新实践
08-08 1032
Design to Code 是一种通过设计稿（Done、PSD、Master GO、Sketch等）生成代码（html、css）的技术，理想的状态下，前端工程师可以靠它从繁杂的设计稿UI实现中解放出来，更多精力可以投入到其它对业务更重要项目中。为了彻底解决这个问题，我们想从设计稿拿到750px的图片，直接进行上传，这是我们选择开发一个设计稿插件的原因之一。设计稿的复制功能，再去钉钉粘贴下载，最后去OneDay图片缩放插件进行缩放，这样获得的图片可以解决手动截图导致的边框问题，但是还是需要我们进行缩放，
博客
Web Agent大对决：你的AI浏览器理想型，会是哪一个？
08-06 761
可以看到除ChatGPT Agent外，其他三款产品均未参与或公布标准化基准测试结果，ChatGPT Agent以90分的总分领先，Fellou获得52分位居第二，而Comet和Dia的评分均低于20分，反映了严重的数据透明度不足问题，反映了Web Agent行业在评测标准化方面的不成熟。团队支撑的业务能力覆盖电商全链路，从产业分析到智能运营决策，从商家经营自动化到生态创新，从行业消费者体验提升到产业链模式创新，覆盖了服饰、快消、消电、企业服务等各个行业，构建着智能驱动的商业革新引擎。
博客
基于智能体的自适应测试系统 - 淘工厂实践
08-04 110
我们需要让他在这个流程中承担什么任务/解决哪类问题（角色定位），在原有基础上具备哪些专业知识（知识库）、如何解释手头任务并布置给他（提示词）、如何正确的思考并接受反馈改进（提示词）、可以使用的工具及资源（工具调用），随着时间推移，他经历的多了、收录过往的case多（补充沉淀知识库），这位应届生也会变得越来越专业，能力越来越强。从执行结果、过程日志分析提炼，结合部分人工标注结果，评估分析、并实现经验回流和用例沉淀，回补到各域以及对抗助手的正负向向知识库，同时，不断沉淀该域的用例，自我完善。
博客
聊聊AI Coding
08-01 680
Vibe Coding，翻译是“氛围编码”（感觉蛮贴切），本质上是一种我们使用AI能力进行编码的方式，在这个模式下，我们把AI当成一个回答问题的机器，我们描述我们的诉求，让它帮我们写一段可运行的符合诉求的代码，如果产出的版本有问题（不符合诉求或者是运行错误），我们会根据相关的反馈（编译器、运行时错误、诉求差异点描述）重新调整我们的prompt，让AI进行迭代优化，直到解决问题为。更高效的做法是，对这个问题做一定的解读，可以a、针对该问题通过进一步的提问来帮助AI快速定位和解决；可能有一些不同的声音；
博客
RLHF技术实践：大语言与文生图模型的生成优化
07-30 477
最后，我们以「家作」的“场景模特”功能为例，展示了如何通过RLHF技术，有效优化模型的生成效果，显著降低图像中肢体异常的概率，从而提升用户体验。首先我们把大量的prompt（Open AI使用调用GPT-3用户的真实数据）输入给第一步得到的语言模型，对同一个问题，可以让一个模型生成多个回答，也可以让不同的微调（fine-tune）版本回答。相较于仅依赖固定标签的监督学习，RLHF通过引入相对偏好而非绝对标准答案，赋予模型更强的探索空间，有助于突破标注者能力的上限，从而潜在地实现更高水平的智能表现。
博客
NL2SQL：从自然语言到SQL的智能转换技术深度解析
07-28 279
通过利用这些SQL查询缺陷中的线索，进行一定程度的修正。在实际应用中，基于与架构相关的上下文、生成的SQL查询以及执行结果（包括潜在的错误信息），可以使模型能够进行第二轮的修正。可以通过知识库的方式解决，另外一方面也有一些数据库层面提供的解决方案，比如阿里的PolarDB提供了「配置表」功能，通过全局生效的固定表名，存储了诸如「问题文本条件判断」、「问题处理」、「问题补充与具体业务/概念相关的信息」等前置文本转换功能，「模型生成的SQL条件判断」、「处理SQL，用于对业务逻辑中的值映射进行强制处。
博客
如何利用多模态大模型进行淘宝商品理解?
07-25 895
例如对于类似这样的尺寸标注，我们需要的是1.5m款式床的宽度，图中出现了两个可能的选项，是床头的1.6m，床尾的1.5，以及其他的一些干扰尺寸，例如1.8m和1.9m，这些干扰尺寸来自其他款式的干扰，由于我们需要的是该具体款式实际占地尺寸，因此我们需要的是1.6m这个尺寸数据。具体到尺寸提取这个任务上来说，其实我们最终需要的结果也是精确且客观定义的，这个特性使得我们非常适合使用强化学习的方式来帮助我们提升能力，我们只需要关注最终结果的正确性，而中间的思考过程可以由模型自行发挥，而不去做显式的监督。
博客
面向互联网2C业务的分布式类Manus Java框架
07-23 912
文章从背景出发，分析了当前主流Agent架构（如Manus、字节TARS、AutoGLM）存在的问题，如云虚拟机架构的数据孤岛问题、本地化Agent架构的响应速度与安全性不足等，进而提出了一种结合分布式服务端与异构C端的混合架构。至于训练数据，模型优化这些深度算法向的东西，可以在业务证明大方向上价值之后，基于平台系统的辅助下积累的线上数据和评估能力，半自动化地蒸馏优化，甚至引入专业算法团队去提升。产生的效果也是有巨大差异，而且他自己能快速的体验迭代，这比中间加一个研发去翻译，效率是无与伦比的。
博客
我的Cursor编程实践经验分享
07-21 247
通过近两个月的实践，在编程中，cursor的表现取决与有效的Rules+正确的开发流程+标准的Prompt。经过这段时间的实践，在编程领域Cursor做的很不错，在一些比较大的需求上，表现的效果不稳定，比如技术方案需要参考业界已有的优秀案例为参考，能设计出有水平的技术方案，业界对这部分的定义称为-深度研究。在我们日常引用到内部的文档比较麻烦，可能需要把文章下载为md文档，在加载到cursor中，使用该MCP可以直接使用，不需要来回转换，比较便利，这个是我们前端的团队同学开发的mcp。
博客
200行极简demo - 学习如何手搓一个ReAct Agent
07-18 885
依托淘宝APP亿级流量入口的核心购物场景，通过持续的技术突破与前沿AI科技深度融合，沉淀出GearsAI、供应链数字分身等AI时代研发与运营基础设施，让商家、小二实现更高效、低成本的经营。我们终于认识了 ReAct 的核心——“思考 (Thought) - 行动 (Action) - 观察 (Observation)”循环的真正含义，同时也对 ReAct 的关键实现有了更深入的理解。小结：在上述例子中，用户一共说了2句话，Agent回复了2句话，但大模型分别调用了1次、3次。通过一步步的实现和推演，
博客
2023-2025大模型领域2年发展综述
07-16 507
MoE模型则代表了技术前沿，以极致的规模和性能吸引高端用户和研究者，这种双轨并行的产品线，让Qwen能够在不同的细分市场中都保持竞争力，尤其是二次开发的衍生模型，Qwen一直在HF都是排名第一的衍生模型，大量的科研和二次开发都是基于Qwen2.5，用LLaMA的越来越少。按这个模式，模型的总参数量可以急剧增加（比如R1直接到671B的总参数量），但每次前向传播（即推理）时实际激活的参数量和计算量（FLOPs）却只占一小部分（比如R1实际上只激活37B），从而实现了经济的训练和高效的推理。
博客
解析3种AI应用模式：核心技术拆解与工程实践
07-14 1156
推理模型和传统的生成式语言模型的差别在于，传统的生成式语言模型在收到 Prompt 后就会马上生成，如果生成出现错误或者质量不好，是没机会纠正的，只能继续生成下去或者后续纠正继续生成，但是推理模型可以在向用户输出内容之前，会先输出思维链（Chain of Thought），对输入的 Prompt 思考验证完成后，再开始生成。这意味着以前在提示词中加入COT的方式已经没必要了，也不需要复杂的角色扮演、示例，因为COT的存在，推理模型的“智能”程度高了很多，不需要角色设置、示例也能很好的理解和跟随指令。
博客
程序员的自我修养 - 架构要素与认知
07-11 475
提到书籍：《逻辑学导论》、《深度思考法》、《学会提问》、《快思慢想》、《金字塔原理》、《奇妙的数字7±2》、《选择的悖论》、《软件架构》、《设计模式解析》、《面向对象分析与设计》、《架构真经》、《必然》、《简单法则：设计、技术、商务、生活的完美融合》、《箴言书注》、《终身成长：重新定义成功的思维模式》、《刻意练习：如何从新手到大师》、《系统架构：复杂系统的产品设计与开发》、《淘宝十年产品事》。在上面的思考之后，隐约感觉到需要为上面的认识定性，到底背后的信仰、认识出发点是什么，所以提出“概念为王”的口号。
博客
端侧AI突破性能瓶颈：MNN 基于 SME2 指令集的大模型高效推理实现
07-09 756
SME2 中一共有 32 个向量寄存器（z0-z31），每个向量寄存器的长度都是 512bit. SME2 指令架构相较于 SVE/SVE2 指令架构的最大特点是新增了数组寄存器 za. za 寄存器也可看作一个向量寄存器，特殊的是该向量中的所有元素都是 512bit 的向量寄存器. 所以 za 寄存器也可以看作是一个二维矩阵（数组），宽度是 512bit，za 寄存器的形状是 64x64 bytes. 下图展示的是一个宽度为 256 bit 的 za 寄存器，有 32 行 32 列。
博客
如何做到在手机上实时跑3D真人数字人？MNN-TaoAvatar开源了！
07-07 291
MNN-TaoAvatar 是我们推出的一款开源的 3D 数字人应用，它集成了多项领先的 AI 技术，支持实时 3D 数字人语音交互，使用户能够在手机上实现与数字人的自然交流，仿佛真的在与一个「活生生」的人交谈。更令人惊艳的是，它能够根据语音实时驱动面部表情的变化，从而带来更加生动真实的对话体验。基于端侧 AI 推理引擎 MNN，我们研发了一系列的核心模块，包括运行大语言模型的 MNN-LLM、语音识别模型的 MNN-ASR、语音合成模型的 MNN-TTS，以及数字人渲染的 MNN-NNR。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值