全球互联电视（CTV）广告供应链趋势报告（2026年第一季度）

核心观点与关键数据

• 全球广告支出趋势：2026年第一季度，全球开放程序化CTV广告支出预估达620亿美元，同比增长24%，其中包含无效流量（IVT）。
• 广告欺诈风险特征：全球24.9%的开放程序化CTV流量被识别为广告欺诈（IVT），其中拉美（44.4%）、欧非地区（52.4%）和亚太地区（58.2%）的欺诈率较高。
• 设备市场份额：Roku在北美市场份额最高（36%），亚马逊Fire TV全球范围内拥有最多应用程序（11.6万），包括18K个拥有app-ads.txt文件的应用。
• 广告流量分布：亚马逊Fire TV广告流量中67%流向“电影与电视”类别，16%流向“运动”应用，13%流向“新闻与天气”应用。
• 捆绑ID风险：Roku、亚马逊Fire TV、苹果电视、三星智能电视和LG智能电视分别有22%、18%、12%、8%和32%的广告流量被错误格式的捆绑ID导向。

研究结论

• 广告欺诈普遍存在：全球CTV广告供应链中广告欺诈问题显著，需加强风险管理和识别机制。
• 设备差异明显：不同CTV设备在广告支出、流量分布和欺诈风险上存在差异，需针对不同平台制定差异化策略。
• 捆绑ID管理挑战：未映射和格式不正确的捆绑ID导致广告流量流失和欺诈风险，需优化ID管理和映射流程。

方法论与数据来源

• 数据来源：Pixalate数据科学团队分析了2026年第一季度超过21万个联网电视应用和190亿次全球开放程序化广告交易数据，数据集主要由买方公开拍卖程序化流量来源构成。
• 估算方法：通过结合自动化月活跃用户（MAU）、每位用户的平均会话时长、平均每千次展示的成本（CPM）和广告密度，利用专有统计模型计算预估的自动化广告支出。

免责声明

• Pixalate分享数据并非诋毁任何实体，内容基于专有技术和分析，不构成事实或保证。

联系方式

• Pixalate是一家专注于隐私合规、广告欺诈预防和数字广告供应链数据智能的全球平台，提供MRC认证的无效流量检测和过滤服务。

一、模数共振定义与内涵

• 定义： 模数共振体系通过高质量数据集与高效能模型的双向共振，实现“以模引数、用数赋模”的良性循环，推动数据要素价值释放、加速模型技术迭代升级、赋能产业智能化转型。
• 必要性：
  • 技术层面：实现人工智能从“静态训练范式”向“动态持续进化范式”的转变，构建“环境交互-信息感知-自主优化”的持续循环机制，并通过自动化工具提升系统运行效率、迭代速度与优化精度。
  • 产业层面：随着基础算法的趋同化与算力资源的普惠化，高质量数据集的规模与迭代体系的敏捷度成为决定企业核心竞争力的关键变量。自适应闭环迭代体系正演变为重塑人工智能产业格局的决定性力量。

二、模数共振三大核心要素

• 高质量数据集： 具有高技术含量、高知识密度、高效益场景的“三高”特征，通过汇聚行业核心知识与多模态信息，为模型提供高价值、高密度的“燃料”。
• 高效能模型： 具备深度行业适配能力、高推理效率与强泛化能力的AI大模型体系，涵盖基础大模型、行业大模型及场景小模型的协同架构，能够实现通用能力与专业场景的精准匹配。
• 高价值应用： 依托人工智能高质量数据集与高效能模型，深度融入各行业生产经营全流程，能够精准解决行业核心痛点、显著提升生产效率、创造明确且可观的经济与社会价值。

三、模数共振五大能力支撑

• 数据集设计与构建： 锚定模型的基础数据诉求，构建多维度数据供给体系，构建标准化的数据标注流程，建立全流程的数据质量保障机制。
• 数据集质量评估： 对数据集的完整性、准确性、一致性、多样性、时效性及合规性等核心数据质量维度进行科学量化与综合评估。
• 模型微调与优化： 通过指令微调数据集构建、模型参数调整、适配效果测试，实现“在数据驱动下适配模型”。
• 模型性能基准测试： 通过“指标拆解—问题列举—归因定位”的循环机制，准确找出因什么数据问题造成什么模型性能瓶颈。
• 数据增强与优化： 基于模型基准测试与真实场景反馈，对数据集构建全流程进行的逆向重构与系统性迭代，实现数据要素价值的动态跃升。

四、模数共振三大协同机制

• 建立模型-数据关联映射关系： 将具体的“输入数据特征—模型能力需求—输出性能目标”实现一一匹配，从模型类型、任务场景、性能指标三个维度考虑。
• 创新模数闭环迭代能力机制： 通过规则迭代、技术迭代、机制迭代，让数据集构建由“一次性项目”变为“持续性工程”，并不断地吸纳技术更新迭代、场景变革以及模型反哺带来的新的需求点。
• 构建模型自适应性能测试系统： 突破“固定测试集+单一指标”局限性，在测试时通过不同模型类型、任务场景和训练阶段等参数自适应生成测试集，并结合不同模型特点灵活选择多元测试指标与测试方法。

五、模数共振落地发展建议

• 统筹推进行业数据集建设与模型优化： 建设覆盖行业核心专业知识和通用业务场景的高质量通识数据集，以及聚焦特定细分领域和专业化场景构建高知识密度、高标注精度的专识数据集。
• 持续完善模型性能评测能力机制： 构建特色化、定制化的评测数据集体系，建立覆盖知识理解、逻辑推理、任务执行、安全可控等多维度的分级分类评测标准。
• 探索建立模数共振生态协同机制： 打造"模数共振空间"创新载体，构建跨主体数据协同、模型共建、收益分配、责任划分、安全保障的全链条管理机制。
• 加强模数共振关键要素保障： 夯实技术、标准、人才和生态等核心要素基础，实施模数共振“专项行动”或者"揭榜挂帅"等机制，积极参与国际标准、国家标准及行业标准的制定，搭建模型企业、数据企业、应用单位等多元主体的常态化交流合作平台，构建跨学科培养体系。

核心观点

本报告探讨了人工智能（AI）开放的经济和战略益处，重点关注微观和宏观层面的影响。报告认为，AI 开放可以促进创新、经济增长和韧性，并增强国家 AI 生态系统的实力和弹性。

关键数据和研究结论

• 微观层面：
  • 开源权重 AI 模型在性能上越来越具有竞争力，同时成本更低。
  • 对于大规模或高容量使用的组织，自托管开源权重模型比使用云 API 的闭源权重模型具有显著的成本优势。
  • 自托管开源权重模型的成本效益取决于工作负载规模。对于较小的工作负载，基于云的专有模型仍然具有成本效益，因为部署简单且前期投资低。然而，对于较大的使用量，开源权重模型可以通过自托管或 GPU 租赁提供 substantial 的成本节约，并且对于高容量用例，盈亏平衡点很快就会出现。
• 宏观层面：
  • 分析表明，全球 AI 开源软件活动与所分析的 33 个国家之间的经济增长之间存在积极且统计上显著的关系。
  • 使用 GitHub 贡献作为 AI 开放度的代理，分析提供了关于 AI 开放潜在经济益处的指示证据。这些收益反映了开源 AI 软件作为共享的全球知识库的作用，产生跨境溢出效应，并使各企业和部门能够提高生产力。
• 国家 AI 生态系统：
  • AI 开放通过将价值创造转移到 AI 堆栈的下层，例如应用和服务，来加强国家 AI 生态系统。因为底层模型可以适应当地语言、环境和监管环境，所以开源方法使更广泛的企业、从业者和公共机构能够参与 AI 开发。
  • AI 开放支持技术主权和战略自主。能够本地部署和适应模型使组织和政府能够控制敏感数据，减少对外部提供者的依赖，并根据国家或部门的需求定制 AI 系统。
  • AI 开放促进特定行业的 AI 解决方案和公共部门用例的开发，从而实现特定行业的定制。

结论

AI 开放可以成为创新、经济增长和弹性的关键推动者。通过降低进入门槛、加速知识传播并扩大对 AI 开发和使用的参与，开源方法有可能重塑竞争格局，并使各国能够更好地利用 AI 的潜力。

HiClaw产品定位及架构

HiClaw产品定位及核心价值

HiClaw是阿里云云原生产品解决方案架构师王泉力主导开发的云原生AI Agent产品，提供全托管、开箱即用、解放生产力的解决方案。产品分为云上企业版（PaaS）、云原生独立产品和开源单机版三种形态，分别面向不同用户群体，核心价值在于零运维成本、极速验证和灵活扩展。

HiClaw核心能力

• 多Human-多Agent协作模式：基于Manager-Worker架构，Manager Agent负责统筹任务，Worker Agent处理具体工作，实现透明可控的数字混合团队。
• Matrix共享上下文：确保所有Agent和人类在协作中保持状态一致，新加入的Agent可瞬间获取完整任务上下文。
• Human-in-the-Loop：支持实时干预和纠偏，人类可通过IM发送消息打断或补充信息。
• 跨群组协作：支持不同人类员工的Manager Agent跨组协作，无缝打通钉钉、飞书等企业IM。

HiClaw企业级架构

• 安全管控：密钥、凭证集中管理，Agent级别鉴权、身份认证和流量控制。
• Sandbox算力：提供网络隔离、存储隔离、实例隔离的运行环境，确保Agent在安全环境中运行。
• 数据存储：使用OSS存储非结构化数据，Memory产品抽象长记忆和短记忆。
• 可观测性：所有组件和Agent的日志存入日志服务（SLS），构建Tracing链路监控和AgentTeam观测大盘。

HiClaw市场定位

• 行业破局：采用开源架构，解决单体架构瓶颈和记忆、技能污染问题。
• 商业降维：与巨头SaaS/PaaS产品竞争，提供80%TCO成本降低和各环节透明可监控。
• 市场格局：与字节ArkClaw、腾讯WorkBuddy、小米MiClaw等竞争，主打企业级全托管和灵活扩展。

HiClaw核心能力详解

• Manager-Worker智能调度：Al管家统筹任务拆解和进度监控，Worker Agent按需拉起处理具体任务。
• 基于Matrix的共享上下文：全量历史同步，确保状态强一致性。
• Human-in-the-Loop：过程100%可见，支持实时干预。
• 跨群组协作：多Manager握手，全通道互联。

HiClaw彻底解决企业安全问题

• HiClaw管控中心：构建企业级Agent统一管控中心。
• HiClawLLM安全统一管理：按Claw/Agent维度做精准管控。
• HiClawSkillHub：构建私有化SkillMarket。
• HiClawAgent引擎自由组合：支持OpenClaw与CoPaw无缝混编。

面向未来的扩展能力

• 无缝接入新秀：理论上可平滑接入Claude Code、QoderWorker等。
• HiClaw提供Claw/AgentSandbox运行环境：支持资源隔离、网络隔离、存储隔离。
• HiClaw企业级Skill/MCP安全统一管理：支持将传统服务转换为MCP Server。

双轨技术底座

• 开源版：无缝接入agency-agents，打造对标Skill.sh的开放技能市场。
• 商业版：基于NacosAl Registry构建，提供企业级Al资产治理。
• Skill技能共享市场：原子化的技能插件和垂直领域数字员工。
• Agent专家模板库：沉淀各行业最佳实践。
• Team团队建制模板：一键拉起完整协同团队。

HiClaw提供完善的AI可观测能力

• 基于OpenTelemetryTrace：实现全链路追踪。
• 统一日志分析平台：对模型调用日志进行二次评估分析。
• AI全栈监控大盘：包括模型性能分析、Token成本分析等。

HiClaw提供完善的AgentTeam观测舱

• HiClaw×AgentLoop：构建企业级的数字员工“养成”飞轮。
• 理念升级：从“写代码”到科学“养Agent”。
• 无缝对接AgentLoop调优引擎：数据采集标准化，闭环评估体系。
• 企业级的“数据-智能”飞轮：发现、对齐、进化。
• 沉淀企业核心AI资产：越用越聪明，成为业务壁垒。

HiClaw使用形态与应用场景

• HiClaw助力SaaS企业快速AI转型。
• HiClaw一人公司和数字员工的三种模式。
• HiClaw云上Agent云下Agent混合使用。
• 千万级商家数字店长落地架构：HiClaw端云协同方案。
• VibeCoding助手：基于HiClaw的全链路研发“数字外包”。