
为适应全球市场扩张需要,美国移动出行服务商Uber在调整服务策略。日前,Uber在印度宣布,将首次支持现金支付车费,未来可能会拓展到其他国家。
据悉,人口大国印度是Uber十分看重的市场,尽管Uber目前已经是全球移动出行服务的老大,但在印度却明显落后,这主要是相比Uber的本土竞争对手Ola而言的,它已经掌控了八成的市场份额。不过目前,Uber已进入了印度、中国在内的全球300多座城市。
分析师指出,Uber在印度之所以明显落后,是因为其产品和服务不能够适应印度消费者的特点,其中之一就是现金支付。据路透社报道,5月11日,印度宣布将会在南部城市海德拉巴德(也是科技业中心城市)进行消费者现金支付的第一次试验,未来可能会拓宽至全球市场。
Uber在海德拉巴德的总经理Siddharth-Shanker表示,消费习惯决定着现金支付在印度消费者当中仍然扮演重要角色,因此Uber必须调整适应。此前,Uber只接受信用卡、银行卡或是其他电子支付手段。而印度在信用卡和银行卡方面发展落后。有着13亿人口的印度,信用卡发行量只有2000万张。尽管印度政府一直致力于普及信用卡,但众多印度消费者仍习惯现金支付和消费。目前,Ola和其他移动打车工具均支持现金支付车费。美国电子商务巨头亚马逊,为了适应印度市场,亚马逊提供了货到付现金选项。
另外,发现除了普通出租车外,印度人还对一种随处可见的三轮摩托出租车表示欢迎,因此15年4月份,为进一步扩大用户规模,Uber也开始学习其竞争对手,在手机叫车服务中接纳这种三轮出租车。此外,针对之前在印度首都新德里发生司机强暴女乘客的事件,Uber很快推出了多种保障乘客安全的举措,如用户可在手机软件中一键报警,或向好友报告自己的位置。据悉,尽管在少数城市遭遇阻力,但Uber在印度仍在快速扩张市场,而印度政府交通部门对Uber仍有支持态度。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。