继滴滴高调涉足拼车业务之后,百度连投两家拼车APP,让本已不平静的拼车市场再起波澜。
根据公开报道,在2014年中拿到融资的拼车APP超过20家,融资金额超过2亿美元。2015年普遍被认为将是拼车应用高速发展的一年。
“我们会把公司所有的家当都会投进去。”面对日益激烈的行业竞争,51用车CEO李华兵直言不排除用补贴砸出市场份额。
51用车喊话天天用车:吹牛逼谁都会
昨日晚间,天天用车宣布获得由百度领投的C轮融资。两天之前,另一拼车软件51用车也对外宣布获得百度领投的C轮融资。两者同为“一对一”上门拼车业务,车费低于出租车,并限制司机每日仅能接两单。
据悉,51用车与天天用车均在4月10日和百度完成交割,51用车先于天天用车公布。
尽 管同为百度所投资,但相似的业务模式使得两家公司直接竞争。对于天天用车所说的“融资规模几乎是行业第二、第三名的总和。”,51用车方面颇为不满,一方 面对天天用车的融资规模存疑,另一方面不满天天用车自称行业第一。“我们的订单量是天天的N多倍。”“吹牛逼一点都没用,有本事把各项数据晒出来。”李华 兵如此反击。
除业务模式外,两者的融资背景也颇为相似:51用车获得雷军的天使投资,随后先后获得创新工场领投的A轮投资、红杉资本领投的B轮投资以及近期百度领投的C轮融资;同样,天天用车的B轮融资由红杉领投,C轮融资由百度领投。
在模式和融资背景高度相似的情况下,天天用户和51用车之后将如何差异化发展待解,是否会在资本的推动下上演滴滴快的的合并大戏也未知。天天用车CEO翟光龙表示,现在谈这些话题还太早。51用车李华兵则强调,公司管理层掌握决定权,决定不会受资本方干扰。
BAT齐聚拼车:百度最用力
错失了打车软件高速发展机遇,百度押宝专车和拼车。
去年9月份,易到宣布获得C轮融资,百度参投,易到独家接入百度地图专车入口。12月,百度与Uber签署战略合作及投资协议,未来双方将在技术创新、开拓国际化市场、拓展中国O2O服务三个方面展开合作。
由于易到、Uber在中国市场份额一再缩减,百度的入股并未带来预期效果。有消息称在百度的撮合下,易到与Uber或将合并。但此前有业内人士向凤凰科技透露,双方已经谈崩。
滴滴快的在打车市场一家独大,而后又在专车领域长驱直入。但有业内分析认为作为拼车市场的后进入者,滴滴快的以往的优势助力有限,因此拼车成为百度新的入口争夺点。
据悉除天天用车和51用车之外,百度也与其他的拼车软件接触过。百度地图将在5月份发布新版本,或将接入更多拼车专车软件。届时,包括51用车在内的APP将会启用百度钱包支付。
对于烧钱补贴看法不一
打车软件如火如荼的“烧钱大战”之后,在线拼车领域接棒,掀起又一轮的“烧钱大战”。
此前AA拼车花2000万元补贴重庆市场,爱拼车发放给乘客的首单补贴30元拼车费用。微微拼车、51用车等应用此前先后砸出百万元补贴用户拼车。
在李华兵看来,补贴是必要的市场手段,如果你不做就会落后。“我们会把公司所有的家当都会投进去争夺市场。”
天天用车翟光龙的看法截然相反,“从打车软件开始很多家都在进行补贴,但补贴不是拼车的未来。”
对于拼车软件的未来,李华兵认为会与汽车后市场做联合。翟龙光则表示现在先把拼车做好还没有具体计划。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。