60位移动游戏大佬共同发起成立“上方汇”

2013年8月20号晚,来自移动游戏产业链的60位CEO共同发起成立了‘上方汇’联盟组织,旨在促进移动游戏开发企业与渠道、渠道与渠道间的合作与交流,增进沟通和了解,促进行业健康有序竞争,整合优质资源,推动移动游戏和移动互联网产业链的健康发展。上方汇设立多个委员会,包括运营合作、产品技术、媒体传播、融投资等,并由上方网提供秘书处服务。

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









“上方汇”守住手游利益分割黄金线>>

2013年8月20号晚,由来自移动渠道、移动游戏开发商、终端厂商、支付企业等移动游戏产业链的60位CEO,共同发起成立了移动游戏领域的联盟组织“上方汇”,并投票选出了蓝港在线董事长&CEO王峰、掌趣科技董事长姚文斌、91无线副总裁Tony Ho,360副总裁陈杰、触控科技董事长陈昊芝以及上方网CEO王紫上等常务理事。

上方汇建立的目的,是为了促进移动游戏开发企业与渠道、渠道与渠道之间的高端、跨界的合作和交流,增进沟通和了解,促进行业健康有序竞争,整合行业内的优质资源,促进移动游戏和移动互联网产业链的健康和谐的发展。

上方汇下设4个委员会,分别是:运营合作委员会,产品和技术委员会,媒体传播委员会,融投资委员会和1个秘书处。

60位发起理事名单(排名不分先后)

91无线副总裁Tony Ho

360副总裁陈杰

中国移动手机游戏基地总经理刘皓

金山CEO傅盛

中国移动MM基地总经理杭国强

掌趣科技董事长姚文斌

斯凯董事长宋涛

百度多酷董事长兼CEO张东晨

蓝港在线董事长兼CEO王峰

触控科技董事长兼CEO陈昊芝

掌上明珠CEO武春雷

艾格拉斯CEO王双义

DeNACEO王勇

热酷CEO刘勇

天使投资人薛蛮子

谷歌大中华区商业解决方案部负责人张山峰

高通全球副总裁沈劲

中国移动动漫基地副总经理曾达峰

华为终端应用开放平台总经理刘成

中兴九歌总经理高云飞

酷派移动互联网总经理方元

OPPO移动互联网部部长段要辉

数字顽石董事长兼CEO吴刚

广州银汉董事长兼CEO刘泳

中国手游CEO肖健

乐逗游戏CEO陈湘宇

17173CEO赵佳

蜂巢游戏CEO王巍

小米游戏中心CEO刘泱

UC九游中心总经理林永颂

当乐网CEO肖永泉

安智市场CEO韩远

优快云董事长蒋涛

高阳圣思园董事长李晓光

TalkingDateCEO崔晓波

友盟副总裁蒋桦

Unity中国总经理符国新

香港CSOFTCEO方力浩

乐元素CEO王海宁

谷得游戏CEO许远

ATET深圳时讯CEO熊江辉

爱贝微支付CEO丘越崑

Mo9副总裁张臣

乐动卓越CEO邢山虎

易联支付COO邓云

亚瑟中国CEO陈北南

欢乐之旅CEO史蔚安

辉悦天成CEO安锐铮

UUCUNCEO张振栋

飞流CEO倪县乐

新美互通CEO胡新勇

彩梦科技CEO叶风良

海银资本CEO王煜全

掌娱无限COO黄海钰

I-free中国总经理王金星

光宇游戏副总裁陈琳

云狐游戏中心总经理岳红梅

光辉互动CEO王征

瑞思集团CEO颜兵

上方网总裁张秋水

上方网CEO王紫上

上方网将作为上方汇旗下的资源平台和秘书处,将为会员提供会议会展、品牌宣传推广、资料数据报告、人才猎聘及预告人才离职、新游戏预告服务等增值服务。

上方汇在这样一个历史的潮流中应运而生,标志着移动游戏产业和移动互联网行业正从青春期步入成年期。

 


资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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