个人App开发者将成为“濒危物种”

随着移动设备型号和平台的多样化,App开发者面临着巨大的测试与优化挑战。为了覆盖足够的市场份额,开发者可能需要针对数百种设备进行适配,这不仅工作量巨大且成本高昂。尤其对于个人开发者而言,要在竞争激烈的市场中取得成功变得越来越难。

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


如果你是一名移动App开发者,如果你想让你的App能够在目前市场中的80%的活跃设备(活跃是指在这些设备上有过App会话行为)中很好地运行,那么你需要在多少种设备上进行测试和优化呢?答案是156种。如果你想覆盖60%的活跃设备,这一数据是37种。如果你想覆盖90%的设备,意味着你需要在331种设备上进行测试。这个工作是相当庞大的。 


        7%的设备型号仍是一个大数字 

       在1月份,移动应用数据分析公司Flurry检测到了2130种不同的设备型号。这些设备型号在使用上相对比较集中——大约80%的活跃用户集中在7%的设备型号上。但是,庞大的设备总数,即使是7%,对于开发者来说仍是一个很大的挑战。 

       此外,你还需要针对不同的平台(iOS、Android、WP等)来开发不同的应用。当然,你也可以选择某一特定平台,但是你还需要针对该平台的分支系统做出优化,以适应该平台上的不同系统版本,比如iOS 6.x与5.x、各Android分支版本等。此外,你还需要考虑不同屏幕尺寸、比例的平板、手机等。 

       对于这些设备的测试、优化工作量将是非常巨大的,并且成本相当高。 

       这对于个人开发者来说非常艰难,他们不可能有足够的资源来支持日益增长的设备型号列表,无法与大公司竞争。如果不针对这些设备进行测试、优化,一些不好的用户反馈可能会令你的应用石沉大海。 

       创收艰难 

       根据Vision Mobile开发者调查问卷显示,App开发者的收入分配也极不平衡,只有少数的开发者每月能赚500美元以上。支持更多的设备,也意味着更大的资金投入,这对于大部分开发者来说都是吃不消的。 

        个人开发者如何做? 

       那么个人App开发者应该如何做呢?建议专注于尽可能多的人所使用的设备型号。下面来看一组调查数据,这些数据可以为你选择平台和型号提供一些参考。 

       按平台统计的活跃设备比例,可以发现iOS平台是其他平台的14倍: 


       按制造商统计的活跃设备比例: 


       App会话与设备类型的关系: 


       按平台统计的活跃设备应用会话比例: 


       按制造商统计的活跃设备应用会话比例: 


        最后 

       目前移动设备市场竞争也日趋白热化,新设备推出的周期也越来越短,这意味着,开发者的优化、测试工作将变得更加困难。 

       同时,越来越多的开发者投入到移动领域,同质化的应用也越来越多。如果你希望你的App能够脱颖而出,除了大规模的宣传推广外,还必须要有一个好的用户体验,并想办法覆盖尽可能多的设备。但这是个人开发者所承担不了的。 

       由此可预见,未来“一个人+好的创意=畅销的App”的模式将逐步消失,取而代之的将是各种以公司为主导的App开发。个人开发者也将成为“濒危物种”。 


英文原文:http://blog.flurry.com/bid/94811/Are-Indie-App-Developers-Becoming-an-Endangered-Species
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