NBA向华纳兄弟Discovery发送媒体条款,正式开始为期五天的比赛期

币界网Dipublikasikan tanggal 2024-07-18Terakhir diperbarui pada 2024-07-18

币界网报道:
随着美国国家篮球协会媒体版权接近最终形式,华纳兄弟探索公司即将开始其业务。联盟已将其拟议的新媒体版权合同的正式条款发送给华纳兄弟探索公司,开始为期五天的时间,媒体公司可以选择匹配一揽子广播权。TNT发言人证实收到了这些文件,并承认该公司目前正在审查这些条款。据知情人士透露,华纳兄弟探索公司于周三晚上收到了合同框架。由于细节保密,该人士要求不具名。目前正在构建的媒体版权协议包括与迪士尼、康卡斯特旗下的NBC环球和亚马逊就三款不同游戏包达成的协议,从2025-26赛季开始,在11年内总计760亿美元。它还包括WNBA游戏,价值22亿美元。据知情人士透露,华纳兄弟探索公司打算为亚马逊推出一系列游戏,正如CNBC在5月份首次报道的那样,其中包括季后赛和季内锦标赛。他们说,亚马逊与NBA签署了一项协议,每年为其套餐支付18亿美元。

下一步尚不清楚

当华纳兄弟探索公司正式宣布其匹配意向时,尚不清楚接下来会发生什么。据知情人士透露,NBA可能有权也可能没有权拒绝华纳兄弟探索公司的配对权,联盟已与律师合作数月,为潜在的诉讼做准备。华纳兄弟探索频道的特纳体育公司是NBA近40年的广播合作伙伴。该公司计划辩称,其匹配权(对其当前媒体版权协议的保留)适用于亚马逊的游戏套餐,尽管该套餐已被指定用于仅提供流媒体服务。除了有线电视网络TNT,华纳兄弟探索频道还拥有亚马逊Prime Video的竞争对手Max。尽管如此,Max的订阅用户数量仍低于Prime Video,约为1亿,而Prime每月的全球订阅用户超过2亿。其中一位知情人士表示,亚马逊套餐中的流媒体版权具有全球性。TNT也是《NBA内幕》的所在地,这是一部受欢迎的NBA演播室节目,由厄尼·约翰逊、查尔斯·巴克利、肯尼·史密斯和沙奎尔·奥尼尔主演。巴克利已经表示,无论媒体版权协议的结果如何,他都计划在下个赛季后退出该节目。
立即观看视频4:1704:17查尔斯·巴克利谈NBA媒体权利,留下体育分析和奥运会闭幕钟
本周早些时候,当被问及华纳兄弟探索公司或NBA自己的网络NBA电视台(由TNT Sports运营)可能会发生什么或不会发生什么时,NBA总裁亚当·西尔弗在新闻发布会上说:“我没有这种感觉。”。Wolfe Research媒体和娱乐分析师Peter Supino本周早些时候告诉MarketWatch,“我们拭目以待。”失去NBA对华纳兄弟探索公司来说将是一个打击,如果失去NBA,该公司可能会损失约6亿美元的广告利润,有线电视联盟费用也可能减少。华纳兄弟探索公司的股价今年下跌了23%。“我很抱歉这是一个漫长的过程,因为我知道他们致力于自己的工作,”西尔弗上个月谈到华纳兄弟探索公司从事NBA节目的员工时说。“我认识在这个行业工作的人,这是他们身份和家庭身份的重要组成部分,没有人喜欢这种不确定性。我认为联盟办公室有责任尽快完成这些谈判。”披露:康卡斯特的NBC环球是CNBC的母公司。

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit6j yang lalu

Trading

Spot
活动图片