华纳兄弟探索公司告诉表示,它打算与亚马逊的媒体版权套餐相匹配

币界网Dipublikasikan tanggal 2024-07-22Terakhir diperbarui pada 2024-07-22

币界网报道:
立即观看视频2:4402:44华纳兄弟探索公司提出与亚马逊争夺NBA版权的报价
华纳兄弟探索公司周一表示,它已通知美国国家篮球协会,它打算将其配对权用于指定给另一家公司的一揽子游戏。据知情人士透露,华纳兄弟探索公司的目标是亚马逊Prime Video的交易。“为了继续我们的长期合作关系,在独家和非独家谈判期间,我们本着诚信的原则,提出了对双方都公平的强有力的投标。华纳兄弟探索公司在一份声明中表示:“遗憾的是,联盟通知我们,它打算接受我们目前权利方案中的其他游戏报价,让我们根据匹配权利条款继续进行,这是我们目前协议和我们根据协议支付的权利不可分割的一部分。”“我们已经审查了报价,并匹配了其中一个。这将使球迷继续享受我们无与伦比的报道,包括业内最好的现场游戏制作和我们标志性的工作室节目和人才,同时建立在我们40年的承诺之上。”该公司表示。“我们的配对文件今天已提交给联盟。我们期待NBA执行我们的新合同。”联盟发言人表示,NBA已“收到华纳兄弟探索公司的提议”,并“正在审查中”。华纳兄弟探索公司获得了匹配权,作为其与联盟之前协议的一部分,该协议将于下赛季末到期。这些权利使该公司能够为TNT在当前交易中播放的任何游戏匹配付款。NBA和华纳兄弟探索公司面临的问题是,这些权利是否会像亚马逊那样扩展到全流媒体套餐。华纳兄弟探索公司还拥有流媒体服务Max,可以用来播放游戏。尽管如此亚马逊Prime Video的全球客户数量是其两倍多,超过2亿,而Max的客户数量约为1亿,这可能会使该服务成为联盟更具吸引力的平台。据知情人士透露,流媒体版权是全球性的,尽管华纳兄弟探索公司只竞标美国版权。作为一家独立公司,亚马逊的基础也更加稳固,市值接近2万亿美元。华纳兄弟探索公司的市值已降至约200亿美元,首席执行官大卫·扎斯拉夫一再讨论他对更多合并或合作的兴趣,这让公司的未来受到质疑。这对联盟来说是一个额外的潜在头痛,因为联盟希望其广播合作伙伴保持稳定。联盟还与迪士尼和康卡斯特的NBC环球签署了另外两套游戏的协议。迪士尼和康卡斯特的市值均超过1500亿美元。如果NBA拒绝华纳兄弟探索公司与亚马逊套餐相匹配的权利,接下来会发生什么尚不清楚。华纳兄弟探索公司有可能起诉NBA。联盟也有可能与该公司达成和解。目前尚不清楚NBA是否会要求亚马逊为其套餐支付更多费用。据知情人士透露,一种不太可能的可能性是制作第四套游戏。知情人士表示,在过去的两个月里,NBA一直在考虑制定第四个方案,但这些谈判失败了,因为与迪士尼、康卡斯特和亚马逊的交易已经到位,而这些合作伙伴不想放弃库存。这三家合作伙伴计划为更少的游戏支付比联盟目前从迪士尼或华纳兄弟探索公司获得的更多的钱。据CNBC此前报道,迪士尼每年将为其一揽子计划支付约26亿美元,NBC环球每年将支付约25亿美元。亚马逊的交易每年价值18亿美元据知情人士透露,价格较低是华纳兄弟探索公司将该系列游戏作为匹配权目标的原因。知情人士表示,NBA也不想推出太多的套餐,因为它对消费者的困惑很敏感,并限制了球迷需要订阅的服务数量。虽然亚马逊计划在其Prime订阅用户中免费提供NBA比赛,但Max的体育策略包括在基本Max会员资格之外,每月额外收取9.99美元的现场比赛费用。据知情人士透露,华纳兄弟探索公司尚未决定是将NBA比赛纳入其基本级别还是体育级别。披露:康卡斯特拥有NBC环球,CNBC的母公司
不要错过CNBC PRO的这些见解。分析师表示,伯克希尔哈撒韦公司已经淘汰了10%的已发行股票,因为巴菲特重视回购的持久力量。美国银行策略师表示,现在是时候看跌了。摩根士丹利正在为包括苹果在内的这些股票出牌,因为如果拜登退出竞选,“特朗普交易”可能会停滞不前

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