北京时间4月16日消息,据《华尔街日报》网络版报道,印度最大打车服务提供商Ola已完成了4亿美元E轮融资,估值25亿美元。
Ola 在周四发布的一份声明中称,该轮融资的投资方包括了俄罗斯投资公司DST Global、新加坡主权财富基金GIC、美国对冲基金Falcon Capital Edge LP等新投资方。另外,软银、老虎环球基金、香港Steadview Capital以及美国风投公司Accel Partners等现有投资方也跟投了Ola此轮融资。
Ola并未透露在此轮融资中向投资方出售的股份规模或其它交易条款。Ola上一轮融资是在去年10月,当时从软银和其他投资方筹集到了2.1亿美元,估值大约为10亿美元。
Ola称,将利用新筹集来的资金向规模更小的印度城市扩张,其计划到今年年底前将服务覆盖的城市数量增加一倍至200个。另外,新一轮融资还将有助于Ola与Uber等其它全球打车服务竞争。Uber正在印度不断增长的打车市场迅速扩张。
上周有报道称,Ola已融资3.14亿美元。但据科技博客TechCrunch报道,3.14亿美元只是Ola这新一轮融资的一部分。
好文章,需要你的鼓励
RGPO用"临时脚手架"破解大模型强化学习的奖励稀疏难题:先让模型独立解题,失败则分段放出标准解法引导重写,仅采纳经验证更优的答案。难题测试准确率从0跃至99.5%,语言模型平均分高出最强基线5.0分。
论文提出用MoE模型的路由器输出作为跨语言对齐目标,通过持续预训练对翻译句对施加路由KL散度损失,在不改变分词和架构的前提下让隐藏表示更接近,并在四个开源MoE模型、七种语言上验证了下游任务性能的一致提升。
DiffGate提出难度门控的教师指导机制,让验证器决定何时需要教师介入,仅对失败且困难的轨迹提供有界教师指导,结合GRPO强化学习,在数学与代码任务上显著提升解题覆盖率与跨领域迁移能力。
研究者用固定不变的16位二进制编码替代传统可训练词嵌入表,在17亿参数规模模型上训练1000亿token,证明模型仍可获得实质语言能力,揭示输入表并非必需,但性能略逊于可学习方案。