首页
乌鲁木齐家具封边胶价格 汤道生对话姚顺雨：腾讯 AI，慢了吗？
大模型并没有太多秘密。
作者｜连冉
编辑｜郑玄
腾讯 AI 慢了吗？
在大模型浪潮中，腾讯似乎大多处于个微妙的位置。它拥有国内完整的互联网生态之，也拥有混元大模型、元宝等产品。但与行业里那些不断制造话题和声量的 AI 大公司相比，腾讯似乎总给人种「不够快」的印象——它很少站在聚光灯亮的位置，却又始终没有缺席任何场关键竞争。
而过去年，AI 行业流行的词之，则是「下半场」。
几乎所有人都在谈论 AI 下半场。但当越来越多人把这个词挂在嘴边时，它反而开始变得模糊——到底什么是下半场？是 Agent？是 Coding？是具身智能？还是下轮模型竞赛？
在腾讯集团执行总裁、云与智慧产业事业群 CEO 汤道生，与腾讯席 AI 科学姚顺雨的这场对谈里，姚顺雨在开场就抛出了句：AI 下半场这个词，正在被滥用。
过去几年，大模型的发展路径似乎异常清晰：预训练、后训练、强化学习、Agent、Coding Agent，所有人都在沿着同条主线前进。与此同时， AI 圈也形成了种熟悉的竞争文化——热衷刷榜、追逐指标、争夺排名。
但在姚顺雨看来，当法论已经逐渐成熟之后，真正困难的事情已经不再是寻找技术路径，而是寻找值得解决的问题。相比 benchmark 上几个百分点的先，模型如何进入真实产品、获得真实反馈、解决真实需求，正在变得加重要。
这也是为什么这场对谈里值得关注的，是模型与产品之间越来越紧密的 Co-Design。从元宝、WorkBuddy 到 Coding Agent，从 ReAct 提出的早期设想，到《Language Agents: From Next-Token Prediction to Digital Automation》中对于智能体时代的预判逐步兑现，姚顺雨反复强调个看似朴素却常被忽略的事实：大模型重要的能力始终是泛化。
而对于腾讯是否「慢了」、AI 下半场究竟从何时开始这些争议，他给出的回答是——如果下半场才刚刚开始，那么探索过程中走过弯路并不可怕，真正重要的是能否诚实面对自己，看到反馈，并持续调整向。
以下为汤道生与姚顺雨的对谈内容，由客公园编辑整理。
01
当「AI 下半场」被滥用
汤道生：
顺雨，你加入腾讯之前，我曾问过你两个问题：为什么选择来到腾讯？以及你认为 AI 下半场重要的是什么？
姚顺雨：
先我想先解释下「下半场」这个概念——我发现这个词近被用得有些泛滥，它其实是我在去年的篇博客中提出的。具体来说，在去年之前，AI 已经发展了数十年，行业的核心是寻找解决问题的有法；但如今，法论已经趋于成熟，找到真正有价值的问题反而变得加困难。
我举个例子，过去我们为了下围棋研发出 AlphaGo，但这套法仅适用于棋类域；为了机器翻译开发属模型，也只能完成翻译任务，法拓展到其他场景。而预训练与后训练技术出现后，我们相当于拥有了把「锤子」，形成了套通用法论，能够解决各类不同的问题。因此，找到真正值得解决的优质问题，成为了当前行业的核心挑战。我选择加入腾讯，很重要的个原因就是这里拥有海量的产品和丰富的真实问题场景，这点在 AI 下半场会发重要。
面，优质产品能够回答「预训练和后训练技术究竟要应用在何处才能产生价值」这个核心问题；另面，产品构建的生态环境至关重要——如果没有点外的工具接口，智能体就法完成点外的操作，很多任务都法落地。
但我认为核心的是上下文（Context），论是企业还是个人场景都是如此。正如我上次在 AGI Next 大会上所说，上下文的重要会与日俱增：模型越来越擅长将复杂输入转化为输出，企业的竞争壁垒将越来越多地来源于是否掌握原始的输入数据，是否了解用户的真实行为与企业的核心信息，而腾讯在这面拥有强的优势。
但这只是我选择腾讯的二大原因，重要的其实是企业文化。我次和你以及总办其他管交流时，刻的印象就是大都非常坦诚：哪里做得好、哪里有不足，都会直白表达，不会刻意掩盖。这种实事求是的态度，是我看重的点。
其次，腾讯整体是基于信任而非单纯依靠指标运转的公司，这点对于做 AI 而言至关重要。同时，腾讯文化中低调务实、谦逊踏实的特质，以及对长期主义的坚持，都是构建个长期 AI 组织不可或缺的基础。
回到「AI 下半场重要的是什么」这个问题，我个人的目标是在建立个长期的、基于通用人工智能（AGI）的组织。
在我看来，今天的 AI 主要由三个部分构成：是基础层，如何把预训练、后训练这些核心的技术做得足够扎实；二是产品层，如何将技术真正落地，为个人和社会创造价值；三是前沿探索层，如何探索新的研究范式与产业机会。我们需要构建个这三者均衡发展的三角形组织架构。
对于基础层而言，重要的是充足的资源投入和正确的做事式，这与我刚才提到的企业文化度契；对于产品层而言，优秀的产品嗅觉和做产品的基因是核心；而对于前沿探索层，目前国内的探索还不够充分，我也希望能将这种前沿探索的精多地注入到我们的组织中。
02
Co-Design：模型与产品的双向奔赴乌鲁木齐家具封边胶价格
你刚才提到，产品为模型提供了运行环境和上下文数据。我想问个我们内部经常讨论的问题：协同设计（Co-Design），也就是如何让产品与模型实现度融？目前我们有很多依赖模型能力的产品，比如和我们作紧密的元宝聊天机器人、AI 搜索，企业端的智能客服、智能营销，还有近期热度很的类 Lobster 产品，比如 CodeBuddy、Workbuddy。你是如何思考协同设计这种模式的？
我认为主要有三点。先，协同设计的前提是模型本身要足够扎实，需要做好大量的基础工作。预训练是个相对产品关的环节，把它做扎实，就能为所有下游任务提供强大的通用基础，而且预训练的进步能够持续为各类下游任务带来价值提升。
其次，后训练阶段重要的是建立正确的评测（Eval）体系。国内现在有个不好的倾向，就是过度追求刷榜。我们应该实事求是，基于真实的产品和应用场景，构建贴近实际的评测标准。这面需要有好的产品出口，另面也要明确：实用的价值远大于刷榜的价值。
我们和各类产品团队开展了度的协同设计，而协同设计关键的点是建立相互信任。我们为此做了大量工作，包括如何用好产品数据、如何实现数据回流、如何做好评测对齐等，这里就不展开赘述细节了。
三点，也是大语言模型（LLM）时代与过去 AI 本质的区别，就是泛化。在大语言模型出现之前，做翻译产品只需要磨好翻译数据，做围棋程序只需要磨好围棋数据；但现在，哪怕只想做个代码智能体（Coding Agent），也需要模型具备优秀的聊天能力、搜索能力、指令遵循能力和理能力，这是个非常复的能力体系。
这就带来个论：拥有体系化产品矩阵的企业会具备显著优势。比如我们和元宝的协同设计，让模型磨出了强大的聊天和搜索能力，而这些能力又可以迁移到 ima、Workbuddy 等其他产品中。不同产品能够提供不同维度的数据，这些数据之间又可以相互泛化，形成个网络状的价值体系，这种价值会越来越凸显。
没错，其实外部刷榜也是评测的种形式。那我们内部的评测和外部榜单的评测，核心区别在哪里？
先，各类基准测试（Benchmark）也不是没有价值，只是现在这些榜单很容易达到饱和。基于真实世界数据的评测有三个核心优势：
，能够发现模型的很多底线问题。我们发布预览版模型的核心目的之，就是获取真实世界的用户反馈，修复各类榜单中法发现的底线问题，这会让正式版模型的表现有质的提升。
二，能够让我们对真实的用户提问分布有刻的理解。举个例子，基准测试中的题目往往表述非常精确，有很长的上下文描述，且大多是单轮问题；但在现实场景中，用户的提问通常比较模糊，可能只有两句话，还会不断追问。这种场景差异，能够指我们有针对地开展模型训练。
三，能够从产品中获得灵感，动现有榜单未覆盖域的技术进步。比如我们近期做的很多上下文学习相关工作，就很大程度上受到了元宝产品的启发。所以说，产品与模型的相互成就，是 AI 行业越来越重要的话题。
对，我记得早期做元宝的时候，我们还遇到过多轮指令遵循的问题，用户在产品中实际使用的提问式，和基准测试中的差异确实非常大。真正的产品场景对模型能力的要求，和榜单评测的侧不同。
你问了我这么多问题，我也反过来问你几个吧。我记得次和你聊天时，你给我讲了很多过往的经历，从 QQ 空间、QQ 秀——那可是我小学时候喜欢的产品，到 QQ、腾讯音乐，再到腾讯云，以及现在的元宝、ima。你做过 To C 和 To B 的各类产品，覆盖了互联网不同发展阶段。我很好奇，你做产品的原理是什么？哪些经验和价值是不变的？哪些东西又发生了变化？
我认为做产品终的核心，永远是围绕用户需求，解决用户痛点，为用户和客户创造价值。论在哪个时代、哪个行业，只有能为用户带来价值的产品，才会被用户使用和买单。从 PC 互联网时代的 QQ 空间，到移动互联网时代的各类内容产品，再到产业互联网时代的腾讯云，我们始终花大量时间倾听客户的声音，尝试帮他们解决实际问题，这个底层逻辑从未改变。
不过，PC 互联网、移动互联网时代做产品，和今天 AI 时代做产品，确实有很多不同之处。先是产品范式的变化：在 AI 时代之前，我们做产品主要是通过预设来满足用户需求，产品想清楚要提供哪些能力，用户通过界面、菜单进行选择，就像在预制菜菜单里点餐样。
但在 AI 时代，产品的服务形态是开放式的，这带来了全新的要求和挑战。用户通过自然语言、语音等简单的交互式提出需求，产品法提前预判用户会问什么。这就需要我们充分利用模型的能力去理解用户需求，同时为模型提供各类工具接口，借助模型的逻辑理和工具调用能力，来应对这种开放式的需求。
甚至包括你刚才提到的评测，过去做产品有非常清晰的需求规格说明书，有明确的细节描述，从设计、研发到测试的瀑布式流程非常清晰。但做 AI 产品时，整个流程都需要重新设计。
尤其是今年，大部分代码都可以由 AI 生成，工程师会把多时间花在架构设计上，写代码的工作交给 AI，只需要定期进行指和修正。同时，测试工作也要前置，需要提前想清楚各类测试案例、评测环境，以及对开放式答案的要求，还有如何让模型的输出风格与用户预期对齐。整体而言，AI 时代对产品人的能力要求，做产品的难度也大了。
确实难了。
03
大模型没有秘密
再个问题，大都说 混元 Hy3 preview 是你在腾讯的秀，Hy3 具体做了哪些核心改变？能给大介绍下吗？
其实做大模型的核心流程并没有太多秘密，关键是把基础设施、数据这些基础工作做扎实，法部分反而相对简单。Hy3 的核心改进主要有三点：，我们重建了整套基础设施，包括预训练和强化学习的基础设施；二，我们在数据和 Eval 层面做了大量优化，包括如何定义真实的问题、如何丰富数据的分类体系、如何持续提升数据质量——这是个永止境的过程；三，很多决策其实没有清晰的公式可循，比如如何招人、如何设定模型的迭代节奏、如何在各种权衡中做出选择，这多是个依赖行业判断和品味的事情。
说到这里，我也很好奇，你刚才和我讨论了协同设计的概念，那你对协同设计是怎么看的？你认为哪些事情应该由模型团队做，哪些应该由产品团队做？
我认为协同设计的内涵在过去两年直在变化，这种变化很大程度上是随着模型能力的升而发生的。同时，行业、市场和用户需求的变化，也要求模型和产品团队好地协同配。
给我的感受是「对齐」的重要。在联做产品、开展对齐工作时，会涉及很多不同的角：产品团队要明确要解决的问题和向，模型团队要思考如何通过技术满足需求；同时还要回到数据层面，明确数据应该如何标注、标注到什么颗粒度、什么是好的标注、什么是不好的标注，以及哪些行为需要励、哪些需要惩罚。
还有评测环节，如果产品团队认为好的产品体验，和评测体系的标准不致，终做出来的产品就会出现偏差。所以在我看来，协同设计多是指项目组内不同角共同参与产品设计，共同制定产品目标和向，让大对各类开放式问题达成共识。如果没有做好这种对齐，模型的输出行为就会不可预测，甚至出现随机，因为模型在训练过程中会被不同的标准混淆。这是我这两年和模型团队做协同设计的感受，你觉得呢？
非常认同。协同设计难的点就是建立信任，同时同理心也非常重要。说到底，模型团队和产品团队的目标有致的部分，也有不致的部分：模型团队希望模型的通用能力越强越好，而产品团队希望用户的需求能被好地满足，这中间存在分歧。所以换位思考的能力至关重要。
你刚才问我们和元宝是如何步步开展协同设计的乌鲁木齐家具封边胶价格，有个很重要的细节：当时我们自己的预训练模型还没有准备好，但我们知道，维护好元宝这款产品及其日活跃用户（DAU），对我们后续做模型、建立长期作关系都至关重要。所以我们派出了后训练团队强的骨干力量，先帮助元宝把后训练工作做好。
当时很多法同学不理解这个决策，我花了很多精力去解释，PVC管道管件粘结胶但现在看来，这些努力都得到了回报。这个动作让产品团队真切感受到，模型团队是真正在为产品着想，这为我们后续的作，以及 Hy3 在元宝上的成功上线，奠定了非常重要的基础。当然这里面还有很多技术细节可以探讨，但我认为难的部分永远是如何建立信任、如何换位思考。
换个话题，你是 ReAct 架构的提出者，博士研究也直围绕语言智能体展开。你几年前的些观点，到今天有哪些兑现了？
前几天我重读了自己的博士论文，感慨万千，仿佛回到了很久以前。我的博士论文题目是《Language Agents: From Next-Token Prediction to Digital Automation》，写于 2019 年，也就是 7 年前。那时候还是 GPT-2 的时代，模型只能生成下个 token，输出的段话往往不连贯，还有很多错误。当时大很难想象，这项技术有天会成为改变世界的力量。
那时候稍微有想象力的研究，也只是验证模型能回答「的都是北京」这类知识型问题，能做到这点大就已经很开心了。但我当时觉得，GPT 是个非常优美的范式，生成下个 token 是种简且通用的逻辑，它的潜力不止于此，终有天能够实现全世界所有事情的自动化。当时我想的还只是数字自动化，现在看来，它甚至可能实现数字与物理世界的双重自动化。
我博士期间的工作主要分为两部分：部分是建立智能体的法论，研究如何把个只能生成下个 token 的机器，变成个能够完成自动化任务的智能体。
如你所说，其中重要的项工作就是 ReAct 架构。我还记得 2022 年 7 月的个晚上，我次把 PaLM 2 的 API 和我手写的维基百科 API 连接起来，它次能够基于网页内容回答问题，并进行多轮交互。那刻的感觉，就像微弱的电灯丝突然被点亮了。据我所知，这是人类次把大语言模型和真正的互联网连接起来，实现多轮交互。
当时我觉得这项技术可能会在 5 到 10 年内改变世界，但实际发展速度比我想象的还要快。包括我们次提出 SWE-bench 的想法时，我就知道如果能实现，定会带来巨大的价值——当时我预估是几百亿、上千亿的市场，现在看来，这可能是数万亿、数十万亿别的市场，我还是想得太小了。
二部分工作是定义数字自动化的任务，比如 Webshop 是个基于互联网的网页智能体任务，Intercode 和 SWE-bench 是早的代码智能体任务。现在看来，智能体技术重要的两个向，确实就是网页智能体和代码智能体。
前几天我还在群里和大说，我看我博士论文结尾，就是我在 2024 年写 future work，个是 train models for Agent，二个是 shift and robust deployment，三个是 scientific discovery，四个是怎么样去 help human，我很感慨，我说我现在很幸运确实在做当时列的 future direction。
现在整个行业都在沿着这些向进。
可能还是想得不够大，当时我已经觉得自己想得足够远了，但现在看来还是不够。
04
混元下代模型是什么？
技术的发展往往乎我们的预期。再入问个问题，现在大都说智能体的运行会消耗大量的 Token，这对于混元下代模型的研发来说，你的侧会放在哪里？哪些向是重要的？
毫疑问，智能体尤其是代码智能体，就像当年的预训练样，是所有模型厂商都须攻克的基础能力。我认为代码智能体非常本质，个很重要的原因是它具备图灵完备——当模型能够控制文件系统、拥有运行容器时，它就成为了个完整的系统。
智能体是当下所有模型厂商的发力，我们的做法主要有三个不同之处：，即便代码智能体是当前的核心，我们依然强调能力体系的。我始终认为，要做好代码智能体，需要的远不止代码数据，还需要聊天、指令遵循、理等各类通用能力，因为泛化是大模型核心的优势。
二，产品的作用越来越重要，如何利用好线上产品的数据回流，是每个模型厂商都在思考和应对的问题。而我们之前积累的大量协同设计经验，会在这面发挥关键作用。
三，我们需要保持多的想象力。论是技术演进、产品演进，还是下个范式的演进，都需要我们去做些探索的、存在不确定的工作。
从产品侧来看，现在行业内普遍存在「Token 焦虑」，Token 成本呈爆发式增长。我听到很多客户、用户甚至身边的同事，都在密切关注积分或 Token 的消耗。如何让模型在解决问题、完成任务时，实现的 Token 率？比如有些任务，模型会尝试些明显走不通的向，浪费大量 Token，这面有哪些优化空间？
现在国内讨论价比，多是聚焦在模型架构上，但价比其实是个复杂的体系问题。我认为重要的先是模型能。很多人跟我说，后发现用 Claude Opus 这类能模型，反而比用能较差的模型省钱——因为它能次把事情做对，既节省了 Token，也节省了人力成本。所以能才是价比的核心，尤其是今年，提升简单任务的鲁棒，让模型次就能把相对简单的任务做对，比单纯优化模型架构能提升价比。
二才是成本控制。在成本优化面，其实是先于世界的，我们已经做了大量工作来降低模型运行成本。但成本优化的核心，是如何用小的模型完成价值任务。在此基础上，模型架构创新、长文管理、脚手架优化等工作也需要持续进。
我个人认为，在当前的市场，造个能比肩大模型、且在大部分任务上具备强鲁棒的小模型，比在少数复杂的长程任务上实现两个点的能提升，有实际价值。
我也很好奇，你是什么时候意识到智能体是个全新的产品机会的？你现在对智能体的认知是什么？你认为造个好用的智能体，核心瓶颈在哪里？
我们针对不同场景造了不同形态的智能体产品。智能体的设计，本质上是要大化发挥模型的能力。随着模型能力的不断迭代，智能体需要做的工作反而越来越少。我们有好几款产品，在过去这段时间里，都随着模型能力的提升不断简化产品设计，多的是为模型提供各类工具接口，造多技能，让模型能够地完成任务。
同时，我们会为模型提供「记忆」能力：提取用户过往的使用习惯和偏好信息作为上下文，输入给模型。比如在代码开发场景，要提供相关的代码上下文；在 Workbuddy 的办公协作场景，用户制作 PPT 时，要提供相关的内容和资料上下文。所以做不同场景的智能体，重要的是理解该场景下哪些信息是相关且重要的，把这些信息准确地提供给模型，让模型能够充分发挥自身能力。
05
智能体时代的产品研发和组织管理，
发生了哪些变化？
近期我们出了 Workbuddy 这类口碑很好的智能体产品，我也观察到很多小团队在快速迭代产品。我很好奇，和传统的产品研发相比，智能体时代的产品研发和组织管理，发生了哪些变化？你有哪些思考？
前阵子我帮 Workbuddy 团队写组织案时，注意到他们采用了非常扁平化的组织架构，和我们过去其他产品的组织形式有很大差异。他们多是 3 到 5 人组成个小分队，围绕某个具体域攻坚，同时需要支撑好 AI 基础设施，保障各类实验顺利开展。
智能体产品的研发需要大量的实验，而大部分实验可能都不会得到正向反馈，这就需要组织能够包容试错，通过大量实验提炼出对用户留存、产品目标有正向帮助的向。这是智能体时代、原生 AI 产品对组织形态的核心要求。
另外，过去工程师会花大量时间写代码，但现在这项工作基本可以交给 AI 完成。这带来了角的融：每个人都要像产品经理样，入理解用户需求，设计产品形态；每个工程师像是有想法的负责人，驱动多个代码智能体完成研发工作。同时，正如我之前所说，测试、评测、对齐工作都要大幅前置，并且要充分利用 AI 能力来保障产品质量。
06
腾讯 AI 慢了吗？
再问个大比较关心的问题：很多自媒体都提到，腾讯在 AI 上的步伐慢了，没有及时抓住些机会。你觉得我们真的慢了吗？你能不能再具体说说，AI 下半场到底是什么？
感觉这应该是我问你的问题才对。
我觉得先要明确两个核心判断：，AI 是场短期游戏还是长期游戏？现在硅谷蔓延着种情绪，认为两年后所有人都会失业，AI 会取代所有工作，所以应该赶紧赚两年钱就退休。但我们的判断非常明确：AI 是场长期游戏。
从某种程度上来说，AI 才刚刚开始，下半场也才刚刚拉开序幕。我不认为 ChatGPT 和 Claude Code 会是唯的应用，如果真是那样，这个世界会非常灰暗。未来定会有源源不断的新机会诞生，现在的 AI 行业，就像上世纪 70 年代个人电脑刚刚诞生的阶段，还有数的事情等着我们去做。
二，未来的 AI 行业会是单还是多元？过去几年，行业确实有条非常清晰的主线：预训练、后训练、强化学习、智能体、代码智能体，所有人都在沿着这条主线复制，这其实也是件很灰暗的事情。但我个人认为，未来的 AI 行业定会走向多元化。
毫疑问，代码智能体带来的生产力变革会越来越重要，这才刚刚开始，这个市场还有数万亿美元的空间等待挖掘。同时，多模态、具身智能等很多新的向也在快速发展。从这个角度来说，如果我们认为下半场才刚开始，那就不存在「晚了」的说法。
当然，过去我们在模型和产品上做了很多探索，也走了些弯路，这是很正常的——次做件事情，然会有曲折。但重要的是，能否诚实地面对自己，能否正视反馈并及时调整，能否保持耐心。这些品质，在 AI 下半场会加重要。
对。大总是喜欢挑腾讯的某个点来批评，当然我们也欢迎大对我们提出的要求。腾讯是个拥有多业态、多产品的公司，很多团队在不同赛道同时进不同的项目。在这样个复杂的组织里，然有些地做得快，有些地做得慢，也有些探索会失败。这些提醒对我们来说都非常宝贵，我们也确实有很多地可以做得好。
但正如你所说，这是场长跑，场马拉松。腾讯拥有其丰富的场景，就像你开始提到的，AI 需要上下文，模型需要大量的真实数据。腾讯过去多年在不同产品、不同赛道的积累，都能为模型提供各个场景下的有上下文，让技术真正发挥价值。
在这场长跑中，模型会不断迭代，用户需求会不断变化，新的产品形态也会不断涌现。比如今年年初龙虾这波热潮，我们的反应就很快；而像 Workbuddy 这样的智能体产品，我们其实几年前就已经开始布局，从初面向程序员的 CodeBuddy，到后来发现非程序员群体也有强烈的需求，我们也快速完成了产品的迭代升。
现在很多客户都对我们的产品组抱有很的期待，希望我们能将不同产品的能力整起来。我们会继续在这场长跑中稳步前进，也欢迎大多给我们提意见和建议，多用我们的产品，给我们提供有建设的反馈。
我们刚才围绕模型研发、产品落地，探讨了协同设计、智能体演进、组织变革以及行业机会等多个话题。过去年，很多企业都面临着相似的困惑和挑战：产品落地果不佳、法持续投入、投资回报率（ROI）不等，这些问题都会影响 AI 在企业中的普及进度。
为此，我们今天正式发布腾讯率智能体工具集，帮助企业安心、地部署和应用智能体。这套工具集依托腾讯的三大核心能力：
是场景连接能力，通过微信、企业微信、元宝等频场景触点，将大模型融入真实业务流，实现与用户、数据、生态的度连接；
二是工程驾驭能力，基于完整的混元研发体系，保障智能体稳定、可信、可持续运行，同时依托强大的 AI 基础设施，包括速网络、吞吐存储和能智能体运行时，实现 GPU 的利用率；
三是模型驱动能力，以混元大模型为核心，通过模型与产品的度协同设计，兼顾实用、价比和投资回报率。
同时，我们将启动腾讯 AI 共创营二期，携手立软件开发商（ISV）、管理服务提供商（MSP）等作伙伴，共同造行业解决案，树立多标杆案例。
*头图来源：腾讯
客问
你觉得腾讯 AI 慢了吗？
欢迎评论区交流~
相关词条:铝皮保温 隔热条设备 钢绞线厂家玻璃棉 泡沫板橡塑板专用胶
奥力斯 万能胶生产厂家 联系人：王经理 手机：13903175735（微信同号） 地址：河北省任丘市北辛庄乡南代河工业区
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述乌鲁木齐家具封边胶价格，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。