野蛮生长的打车软件公司最近遇到了一点麻烦。
5月6日下午,Uber成都公司在继广州公司之后再次遭到有关部门的上门调查,随后滴滴公司也证实被武汉市客运出租汽车管理处约谈。虽然两家的情况不尽相同,但从有关部门近期一系列的举措上来看,对于专车业务一些灰色地点的策略正在被收紧,整个市场仍处于需要明确的规章制度来规范的状态。
Uber遭联合执法或因调查其相关手续
昨日下午,成都市交委、公安、工商等部门对打车软件Uber位于成都人民南路二段仁恒置地广场的Uber成都公司展开调查。在成都Uber被调查之前,五一假期前夕,Uber广州公司已经因“涉嫌非法经营”被相关部门调查。
不过两地的Uber均没有收到调查影响,一直处于正常运营的状态,从调查之日到现在,广州、成都的Uber用户仍然能够正常使用Uber。
虽然有关部门未对调查具体内容作出回应,但一位业内人士指出,Uber之所以能够正常运营,是因为调查的对象并不是该平台上所提供的运营车辆是否合法,而是Uber在该地区是否有完整的相关从业手续。
采用“私家车为核心的有偿拼车”模式的Uber,虽然这次调查并不是针对其平台上,运营车辆的合法性,但毕竟这种业务模式在中国还处于灰色地带,根据从目前的相关规定来看,未取得道路运输经营许可,擅自从事道路运输经营的将被责令停止,没收违法所得并处罚款。
滴滴因“黑车”遭约谈
昨天滴滴在武汉被约谈的事,也不是滴滴第一次被有关部门“敲打”。前两次分别在厦门、合肥。
4月24-26日,厦门市交通执法支队会同市运管处约谈了滴滴专车、一号专车、易到专车等互联网专车平台运营企业相关负责人,进一步规范专车运营平台。
在安徽合肥,仅仅上线半个月后,一号快车却于上月29日悄然下线,直到5月4日,该服务在合肥才恢复正常。
滴滴三次专车业务受影响,其理由也类似,均为“涉及”私家车非法运营。武汉市客运出租汽车管理处在发给滴滴的《关于规范打车软件信息服务行为的函》中称,“发现不少私家车利用你公司(指滴滴)提供的手机软件信息平台从事非法运营。”
尽管已经有多个城市通过制定相关政策鼓励大家拼车出行以缓解交通压力,交通部长也在两会期间鼓励公民小客车合乘的行为,但目前《道路运输条例》规定,未取得道路运输经营许可,擅自从事道路运输经营的将被责令停止,没收违法所得并处罚款。
根据交通运输部《关于促进手机软件召车等出租汽车电召服务有序发展的通知》的规定,私家车严禁以任何形式从事客运出租汽车经营。因此,武汉市客运出租汽车管理处要求滴滴及时对打车软件平台注册的车辆和驾驶员信息进行清理,切实履行第三方信息平台的监管责任,杜绝违规行为的发生。
眼下看来,有关部门的举措能够在短时间内肃清一部分非法运营的车辆,但真要治本还应该明确合法专车与非法专车的边界,以及目前拼车与专车市场的边界。
边界问题 众说纷纭
据《城市出租汽车管理办法》规定,对未经批准非法从事出租汽车经营活动的单位和个人,由城市客运管理机构责令停止违法行为,并处以5000元以上30000元以下罚款。
该规定中,虽然明确了罚款尺度,但对于罚款的对象已经变的复杂化、多样化。结合交通部长在两会期间鼓励公民小客车合乘的行为,什么样的经营活动、什么样的司机才应该受规定的约束呢?目前仍然没有人能说清楚。
互联网行业律师赵占领认为,应该以是否是公益目的和路线是否固定为主要界定标准。
滴滴官方表示,滴滴专车的车辆来自租赁公司,司机来自劳务派遣公司。即使真的有私家车,也不是黑车,专车为出行难提供了解决方案,符合城市需求、用户需求,不要一棒子打死。
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。