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
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。