项目合作模式与现状 - 埃安UT super是京东、广汽埃安、宁德时代三方合作推出的“国民好车”项目，三方分工明确：京东负责获客、线上销售（唯一渠道）、金融及保险服务；广汽负责制造、线下试驾和交付；宁德时代负责电池及换电服务 [2] - 目前三方合作处于磨合阶段，网络出现大量退单和吐槽，被形容为“1+1+1<1” [2] - 项目于12月1日举办了第1000名车主交付仪式，标志着进入规模化交付新阶段，作为京东独家销售车型，首周交付车辆中近99%通过京东线上渠道售出 [10] 用户争议与官方回应 - **实际配置与宣传不符**：用户发现宣传图中有天窗但实际配置没有，广汽埃安回应称是内容审核失误，在上市发布三天后已修正，并完成官方内容自查 [4] - **租电方案里程限制**：租电方案单月限制3000公里，超出部分按0.2元/公里收费，该条款未向用户特意说明，引发负面情绪 [4] - **开票限制影响补贴**：车辆仅能在广州、上海两地开票，导致许多消费者无法使用当地区域补贴，京东表示此举是为让更多用户享受政府补贴，不影响上牌保险，并计划近期新增更多开票城市，广州补贴将延续至明年1月底 [5] 合作方具体回应与改进措施 - 针对租电里程限制，宁德时代解释3000公里基础里程基于实际用车数据制定，旨在降低大多数家庭用户成本，并计划于12月推出“50元享1000公里”的里程增量包服务，未用完里程可次月结转 [5] - 针对客服体验问题，京东承认反馈准确性有问题，改进速度不及预期，三方将尽快建立快速培训体系，计划在一两周内改善售后体验 [8] - 目前三方缺乏常态化沟通机制，导致问题归属不清、服务人员解答有限且口径不一致，例如有用户反馈京东客服与埃安4S店关于车辆配置（天窗/天幕）的回答不一致 [6] 市场反响与销售情况 - 埃安UT super发布后，为广州、深圳等地的埃安门店带来了客流量的大幅提升，有广州门店销售表示客流已稳定，每天有1-2名客户专门为该车型线下问询 [8] - 但客流量带动效应尚未辐射至三四线城市，如广东韶关、湖南衡阳等地门店客流量无明显变化，部分门店尚无实车展车，也无法提供试驾，新车到店时间未定 [10] - 针对网络流传的“销售因无提成态度冷淡”的说法不准确，多名销售确认埃安UT super有交付提成，约为400元/台，但与其他车型相比提成较低，公司对该车型的销售培训力度与其他车型一致，不存在“轻视”情况 [10] 行业共性问题 - 埃安UT super遇到的问题在汽车合作项目中具有普遍性，例如华系车中智界S7曾因交付问题陷入争议，华为对奇瑞排产计划不掌握；岚图车型搭载华为鸿蒙座舱但对迭代节奏不完全了解 [8] - 更常见的是主机厂与经销商之间权责不清、口径不一致，信息差导致面对消费者时无法回答问题，从而破坏信任关系 [8]

行业阶段演变 - 快递行业已从高速增长的“草莽群殴”阶段，迈入“巨头角力”的新纪元 [1] - 近十年间，动辄数十亿的资本并购不断重塑行业版图与座次 [1] - 行业并购逻辑已完成从“清理门户”到“强强联合”的质变 [3] 失败并购案例与原因 - 2017年，苏宁以超40亿元收购天天快递，但定位模糊、协同微弱，导致其2017至2023年累计亏损高达75.54亿元，最终于2024年仅以1000万元出售，接盘方还需承担56亿元负债 [5] - 国通快递因实控人朱宝良入狱失去资本输血而迅速瓦解 [6] - 速尔快递因母公司友和道通集团航空业务重组失败等集团性风险被拖垮 [8] - 失败的根本原因在于战略失焦，为并购而并购，不顾协同，如苏宁收购天天 [16] - 粗暴整合会摧毁协同价值，极兔收购百世初期强行合并网络与系统，引发网点动荡、快件积压和服务质量暴跌 [16] - 收购标的本身可能是“不良资产”，若低估扭亏难度和成本，易被财务拖垮，如百世与丰网在被出售前已连续多年亏损 [18] 成功并购案例与策略 - 极兔通过收购实现“三级跳”：2021年以约68亿元收购百世国内快递业务，获得淘系入口和全国网络；2023年以11.83亿元收购顺丰旗下丰网速运，巩固电商件基本盘 [9] - 京东物流进行“补强型”并购：2020年以约30亿元控股跨越速运，补强高端空运网络；2022年以近90亿元收购德邦股份，目标直指其直营快运网络和B端客户资源 [11] - 申通于2024年以3.62亿元收购菜鸟旗下丹鸟物流，试图从加盟制经济件切入高品质直营快递赛道，实现业务模式跃迁 [11] - 成功的剥离同样重要，顺丰战略聚焦主业出售丰网，菜鸟回归全球化做减法，均是为了实现业务双赢 [11] 成功并购的核心要素 - 成功的并购方在交易前对自身短板和战略目标有清醒认知，并购是为解决明确的战略命题，如京东收购德邦是补齐其“一体化供应链物流服务”战略的最后一块关键拼图 [12] - 中通快递在2025年底收购持有航空资源的浙江星联，旨在快速补强航空货运能力，争夺高端时效件市场 [14] - 交易后注重整合规划，尊重被收购方边界，平稳过渡，京东收购德邦和跨越后，长时间保持后者品牌和运营独立性，避免文化冲突和核心团队流失，协同先聚焦在IT系统、干线资源等后台层面 [14] - 时机选择需顺应行业周期，极兔收购百世和丰网均在标的因持续亏损成为母公司“负担”、估值相对理性时出手，避免了高溢价 [14] - 顺丰出售丰网、菜鸟出售丹鸟，选择在行业从价格战转向价值战的“反内卷”政策窗口期，利于获得市场理解并使资源投向核心增长引擎 [15] - 成功的收并购需综合考量“为什么买、买了之后如何整、什么时候买”这三个核心问题 [15] 行业并购的总体观察 - 并购的成败从不取决于交易金额大小，而在于收购方战略逻辑的清晰度、协同价值的真实性与后期整合的魄力 [2] - 成功的并购是补齐关键战略拼图，失败的并购则是吞下致命的财务毒药 [2] - 快递行业收并购案例分化严重，核心分野在于企业是为了实现长期战略，还是追求短期规模扩张 [18] - 未来的竞争是涵盖时效、成本、服务、科技与国际化的综合物流能力竞争，成功的并购是“战略洞察力、交易执行力、组织融合力”三位一体的综合呈现 [18] - 行业的并购浪潮不会停歇，下一场交易或许正在酝酿 [18]

全球“黑五”购物节销售与物流趋势 - 2025年“黑色星期五”网络销售额预计同比增长8.3%，达到117亿美元 [1] - 53%的消费者表示收到零售商推送的优惠或折扣码就会增加购物，62%的消费者愿意跨境寻找超值商品 [1] - 物流服务成为促成交易的关键，82%的“黑五”消费者表示，如果结账时无法选择其偏好的配送方式，将会删除购物车 [1] 区域市场消费偏好与品类特征 - 东南亚消费者热衷于购买盲盒潮玩、3C电子配件及箱包产品 [2] - 非洲市场更青睐国产的游戏硬件设备与家居用品 [2] - 欧洲市场在圣诞季带动下，智能家居用品、节日装饰及日用消费品成为主力热销品类 [2] 跨境物流企业旺季筹备与运营表现 - 菜鸟为应对旺季压力，对海外仓进行扩仓扩容并开展多轮压力测试，通过与全球头部电商平台的系统直连确保发货效率 [3] - 菜鸟洛杉矶仓和马德里仓的商品最快可在3天内送达消费者手中 [3] - 菜鸟在欧洲市场的11条快线发货单量在“黑五”“网一”期间全线攀升，英国保持5个自然日送达的时效优势 [3] 主要物流公司业务数据与增长 - 菜鸟亚太海外仓10月备货总量突破500万件，其中越南入仓量环比上涨40%，澳大利亚增长达57%，马来西亚某潮玩品牌仓储规模实现翻番 [2] - 菜鸟在美国、德国、法国、西班牙等地的海外仓，在11月26日首波订单洪峰期间，单日发货量峰值较日均实现三位数增长 [2] - 京东物流在“黑五”期间，北美地区单量同比提升60%，欧洲海外仓单量增长85%，亚太地区海外仓单量同比增幅高达150%，中东地区自营快递品牌及海外仓单量实现数倍高速增长 [3] - 京东物流海外仓“黑五”首日出库及时率保持超99.9%，其荷兰芬瑞自动化仓库出库及时率达100% [4] 新兴市场物流增长表现 - 极兔速递将增长重心放在新兴市场，巴西市场成为核心引擎 [4] - 极兔巴西在11月非平台类客户订单量较10月环比激增近40%，平台类客户订单量环比提升约25%，平台类订单量较第三季度日均水平增幅高达80% [5] - 极兔巴西市场当前业务体量较去年同期实现超200%的增长 [5] - 极兔在墨西哥、埃及等其他新兴市场保持着20%左右的稳定同比增长 [5] 行业趋势与竞争态势 - 跨境电商通过将核心爆品前置至海外仓的方式，借助本地化履约优势提高竞争力 [2] - “黑五”“网一”期间，行业呈现跨境物流、海外仓需求持续火爆、持续周期拉长，以及业务布局“多点开花”的趋势 [2] - 物流的可靠表现提升了消费者对品牌的信任度，消费者正根据物流与退货政策更加审慎地选择商家 [1]

行业趋势与市场表现 - 冬季户外运动场景受限，骑行爱好者热情转向室内，带动室内骑行设备需求激增 [1] - 京东销售数据显示，11月以来骑行台品类成交额同比增长超280%，成为冬季居家健身的“现象级单品” [1] - 随着智能运动趋势兴起，智能骑行台正迅速走入更多家庭，成为居家健身的重要设备 [3] 公司营销活动与产品策略 - 京东联合知名骑行品牌迈金推出“买骑行台打卡返现”活动，活动时间为12月10日至2026年2月28日 [1][3] - 活动规则为：用户在京东自营旗舰店购买迈金骑行台后，在订单完成后的60天内，累计完成28天、每天骑行20公里的打卡任务，即可获得300元现金补贴 [1][3][4] - 参与活动的两款产品为迈金T500和T600 Eco智能骑行台，购买即赠价值150元的骑行打卡险 [3][4] - 迈金T600 Eco智能骑行台最高支持2800W功率输出与27%坡度模拟，适合高强度训练 [4] - 迈金T500智能骑行台无需外接电源，内置9种真实路感模拟，易于新手上手 [4] 公司长期战略与未来规划 - 京东运动长期深耕骑行领域，持续优化产品丰富度与服务体验 [6] - 公司未来将依托供应链能力与品质保障，携手更多品牌拓展“骑行打卡返现”活动 [6] - 战略目标是助力消费者解锁“居家燃脂+科技骑行”新体验，让更多人爱上骑行、科学运动 [6]

事件概述 - 京东外卖平台“随心囤”产品出现系统BUG 导致用户购买100张券后申请全额退款时 平台仅收回1张券 用户仍持有剩余99张券 [1][1] - 有用户利用此BUG连续下单上百单外卖 [1][1] - 公司于昨日晚间发文确认BUG存在 并称已快速修复系统故障 [1][1] 公司应对措施 - 公司对在故障期间主动退回优惠券的用户表示感谢 并将逐一联系致谢并送上心意 [1][1] - 对于因平台责任导致已出餐的商家 公司承诺将承担全部损失 [1][1]

会议概况 - 由中国茶叶流通协会主办、京东超市特别支持的“京东超市2025茶产业高质量发展交流会”于11月28日在浙江新昌召开 [1] - 会议主题为“觅茶香·促振兴”，核心聚焦茶叶品牌、电商、消费三方面的高质量发展 [4] - 会议吸引了包括全国知名茶产区主管部门领导及电商头部品牌在内的三百余名代表参会 [3] 参与方与战略合作 - 中国茶叶流通协会与京东超市在战略合作协议框架下举办此次线下大型活动 [3] - 双方合作以来已成功举办多场线上线下活动，后续将围绕产业痛点，将更多产茶地区与企业纳入服务体系 [17] - 后续合作将从消费提振、数据分析、科技赋能、宣传推广等多方面开展工作，助力茶产业高质量发展 [17] 企业经验分享 - 华祥苑茶业分享了《三品融合助推茶叶品牌高质量发展》的主题报告 [4] - 张一元茶叶分享了《铸就金般品质，恪守百年承诺——茶叶品质控制经验分享》的主题报告 [4] - 中农农服分享了《茶叶专用肥方案设计和赋能服务》的主题报告 [4] - 三篇报告结合自身实践与市场调研数据，深入剖析了茶叶品牌建设、品质控制及产业赋能的关键要素 [4] 市场趋势与数据洞察 - 京东超市茶叶品类采销经理分享了《京东茗茶消费趋势洞察暨茶产业发展展望》主题报告 [10] - 报告权威发布了2025年“双11”茶品类消费热点数据，并深入剖析了当前茶消费市场核心趋势 [10] - 该趋势洞察为茶企精准布局未来市场、推动产业转型升级提供了重要参考 [10] 特色产区展示 - 绍兴、新昌、天台、延川四大特色茶产区在会议上依次亮相 [12] - 各产区通过主题演讲、案例展示等形式，全方位呈现了在资源禀赋、文化底蕴、产业模式及创新实践中的独特优势 [12] - 各产区发布了面向未来的发展蓝图，呈现“一地一韵、百茶争鸣”的产业景象 [12]

事件概述 - 京东外卖“随心囤”功能于12月7日晚出现系统BUG 用户购买100张券后申请全额退款 平台仅收回1张券 剩余99张券仍可使用 导致有用户连续下单上百单外卖 [1] - 京东外卖于12月8日晚间官方回应 确认系统出现短暂BUG 并对主动退回优惠券的用户表示感谢 将逐一联系致谢并送上心意 [3] - 平台明确表示 对于因平台责任已出餐的商家 将承担全部损失 [4] 公司业务动态 - 京东于11月17日正式推出独立的京东外卖App 该应用整合了外卖、即时零售、点评、酒旅、购物等本地生活服务 [7] - 独立的京东外卖App旨在为高频用户提供更便捷的使用体验 [7] - 京东外卖App已全面接入京东点评 为用户提供消费参考 并与京东主站打通 以满足本地生活与日常购物的多元场景需求 促进业务协同 [7] - 同日上线的京东点评推出了“AI全网评+复购+用户盲测”模型 其中“AI全网评”被称为国内首个榜单AI大模型 每日可分析处理数亿条评价数据以生成客观评价内容 [7] 产品功能说明 - 本次出现BUG的“随心囤”功能主要针对高频日常商品进行灵活促销 用户购买后可凭券抵扣指定商家商品金额 [7] - 该功能特点是先囤券后使用 支持随时退款、部分退款以及过期自动退款 [7] - 在BUG修复后 平台已将用户回馈的温暖融入升级后的“随心囤”功能中 [4]

公司运营事件 - 京东外卖“随心囤”功能出现系统故障 导致用户购买100张券后申请全额退款时平台只回收1张券 剩余99张券仍归用户所有 为此有用户连续下单上百单外卖 [1] - 公司回应称系统故障已快速修复 期间许多用户主动退回优惠券 公司将联系致谢并送上心意 [1] - 公司表示将承担因平台责任已出餐的商家的全部损失 [1]

公司运营事件 - 京东旗下“随心囤”产品在12月9日短暂出现系统故障 [1] - 公司在快速修复系统故障期间，观察到许多用户主动退回了优惠券 [1] - 公司表示将联系并致谢这些主动退回优惠券的用户，并送上心意 [1] - 对于因平台责任导致已出餐的商家，公司承诺将承担全部损失 [1]

文章核心观点 - 大模型正推动搜索、广告与推荐系统进行全链路智能重构，但当前行业距离端到端的统一pipeline仍有较大差距，更多工作集中在pipeline的单点与大模型结合[4] - 搜广推场景中的scaling law依然成立且处于快速上升阶段，但需在模型规模、收益与算力/时延成本间找到平衡[4][17] - 落地策略应务实，低价值场景用小模型覆盖，高价值场景用大模型争取额外收益，技术革命是逐步积累的过程[4][19] 大模型对搜广推的改变 - **特征工程变革**：大模型（尤其是大语言模型）为特征构建提供了更丰富的补充，能生成标签化或向量化的语义特征，减少线上模型对统计类、交叉类特征的依赖，提升推理效率[6] - **数据与样本构建的系统化转向**：从传统特征工程转向更系统化的数据与样本构建，需要大量基础性工作（如数据清洗、高质量思维链样本构建、多模态语义对齐）来确保大模型发挥价值[8] - **能力聚焦于语义理解与推理**：大模型的核心价值在于强语义理解和一定程度的推理能力，适合传统算法语义理解弱或逻辑链路长的任务（如电商从兴趣到决策的长链路），而非毫秒级短反馈链路[10] 系统架构的演进路径 - **渐进式叠加而非全面重构**：由于全面重构pipeline成本高且收益难量化，行业普遍采取在现有pipeline环节（如特征工程、召回、重排）逐步叠加或替代大模型能力的渐进策略[9] - **端到端方案当前收益有限**：期望大模型端到端输出推荐/搜索结果的做法在多数场景中无收益甚至负向，因此需系统性拆解问题，在各环节单独验证收益[10] - **当前处于“多点突破”阶段**：行业与学界均未实现一体化推荐链路，更多工作是在pipeline的单点与大模型结合，属于多点突破而非全链路重构[12] 搜广推场景中的Scaling Law - **Scaling Law明确成立且未达上限**：搜广推领域的模型同样存在scaling law，且边际效益远未触及上限，尚未像大语言模型那样出现明显边际递减[13] - **有效参数规模比总参数规模更关键**：研究发现，小模型能力不足常因有效参数比例低，当有效参与推理的参数规模扩大时，性能提升趋势明显[15][16] - **存在通用规律但受约束限制**：推荐领域可以研究通用的scaling规律（如提出的P-law），但线上推理受实时性（如300毫秒预算）、算力与工程成本约束，限制了模型规模的线上释放[14][15][17] - **放宽约束后效果显著提升**：实验表明，若放宽实时限制（如允许3-30秒推理）并使用更大规模模型（如200B–300B），或放宽输入限制（纳入丰富描述），模型效果有显著提升[16] 模型规模、收益与成本的平衡 - **分层策略**：低价值场景使用小模型或通用小模型覆盖；高价值场景（如开屏、信息流、搜索核心位）在ROI能覆盖成本时，才使用更大规模模型争取额外收益[18][19][20] - **优化小模型能力**：通过模型蒸馏、分层剪枝、MoE机制减少激活参数量来降低线上成本[18]；或利用大模型生成更高质量的训练数据，帮助小模型突破性能瓶颈[19] - **ROI是核心决策依据**：模型是否合格取决于在特定场景中能否达到目标效果，关键在于资源的最优分配，而非一味追求更大规模[19][20] 工程挑战与应对经验 - **实时数据与模型快速迭代的难题**：搜广推高度依赖用户实时数据，传统模型可分钟/小时级更新，但大模型训练推理在线下，同步更新困难，需设计高效数据流pipeline并探索部分参数冻结等增量更新方式[21][22] - **离在线不对齐与新模型上线难**：离线表现良好的新模型，因在线模型长期积累历史数据，或线上环境存在结构性误差，常难以在短期内打败旧模型[22][34] - **模型适配与线上Serving的高成本**：开源模型与业务数据、训练平台、线上serving的时延资源要求存在巨大适配gap，且模型结构微调常需重写线上serving图，迭代成本高[23] - **解决方案探索**：开发多智能体强化学习模拟器构建沙箱环境，让新旧模型在模拟中对比以获得更客观评价；对于新旧模型差距，需判断新模型的scaling潜力，或通过AB实验检验其随时间收敛的能力[24][25][35] 生成式能力的应用与未来展望 - **当前应用集中于内容理解与生成**：生成式技术在多模态广告/营销素材自动生成、创意文案、会议纪要生成等辅助任务上已大规模应用[27][28][29] - **向核心业务环节渗透**：正在探索生成式推荐承担全流程线上推断的可能性，以简化工程体系并提升效果；也在尝试用于item筛选、广告策略规划等更核心任务[27][29] - **未来期待高度灵活的智能体**：当前智能体多基于人工预设workflow，未来期待具备自主规划与研究能力，能在更少人工干预下完成复杂任务[30] 大模型时代搜广推系统的生态与团队影响 - **特征工程可能被知识工程取代**：模型可能直接基于用户原始行为语料构建，并通过大模型构建的知识库等增量知识补充信息，以应对冷启动等问题[30] - **智能体将扮演更重要角色**：特征工程或模型训练流程可能以智能体编排方式推进，算法工程师角色可能向“跑模工程师”演变[31] - **需明确基础模型与任务定义**：需厘清搜广推基础模型的决策机制（如如何处理离散ID），并形式化定义任务边界与结构，才能使智能体有效工作[31] - **业务场景定义差异大**：不同环节（召回/粗排 vs 精排/重排）所需辅助信息不同，涉及item关系、用户兴趣变化、多样性指标及多模态信息等[32] 实践中的认知转变与建议 - **认知转变：序列建模成为核心方向**：曾认为语言Token建模不完全适用于推荐，但HSTU等序列模型的出现展示了处理用户长行为序列的潜力，成为推荐领域的核心方向[36][37] - **数据是决定性因素**：业界共识是“有多少人工，就有多少智能”，高质量数据是工业场景中发挥模型能力的基础，需沉淀专业化的知识工程体系[38] - **重新思考推荐系统解决的用户问题**：推荐系统需根据用户不同意图状态（如随意浏览、明确搜索、深度对比）调整策略，利用大模型的推理能力辅助用户决策[38] - **给从业者的建议**：拆解业务链路，找到与大模型结合的合适切入点，不必过度关注短期效果爆发，重视逐步积累[39]；不设过强边界，所有核心业务问题最终都需被解决[41]；思考自身场景的优势与差异化能力，构建产品力与生态价值[40]