话虽如此,饿了么自创立以来,累计融资近5亿美金,达到E轮。最近一次在今年1月,“饿了么”获得了来自、中信基金、腾讯、京东、大众点评和红杉资本联合投资的3.5亿美元。
张旭豪透露,公司正在研究给客户提供月子餐甚至狗粮服务。同时还计划把重点转向开拓主要城市的主流白领市场。到目前为止,高校市场和白领市场的比例已达到1∶1。”“将来公司会依靠大量的增值服务做出漂亮业绩。”
一路走来,饿了么已经升级到4.0版本。张旭豪回顾,“饿了么”的1.0版本源自于店员手抄客户地址和菜单,而用电脑接单则是2.0版本,“饿了么”开发的Napos餐厅后台订单管理系统,极大的缩短了餐厅接单和用户选餐订餐的时间。而在14年“饿了么”3.0阶段,已经解决配送问题,公司目前平台上可以抓取十万个定单信息,此时,美团凭借团购时期积累的市场资源突然打入外卖市场,开始和“饿了么”激烈争抢资源。“就好像一个轻量级拳击选手突然遭受重量级拳手一击。”
据易观智库发布的2015年《中国互联网餐饮外卖市场研究报告》,“饿了么”订单份额占30.58%位居第一,美团外卖27.61%和淘点点11.2%分别位居第二和第三,这意味着“饿了么”目前领跑高校、白领、家庭三大市场。
顶着细分市场压力,4.0版本应运而生,让餐馆在‘饿了么’平台送的外卖统一采购,以期延伸产业链,向中小型餐馆提供食材。未来,公司将在物流、定单、交易平台和供应链多个环节都希望有所涉足。
作为外卖食品行业的领头羊,张旭豪分享经验,先做规模将原来的行业盲点打造成行业热点,优化流程与服务是关键。“尽管外卖领域能占中国餐饮市场20%-30%的市场份额,但餐饮外卖的基础欠账太多。比如及时配送、食品安全、餐馆流程标准化以及食材供应链的管理等等,都远非某一家外卖公司靠自身实力就能完善。”张旭豪如是说。
实际上,中国的外卖APP市场,有着美团外卖、百度外卖、淘点点、到家美食会等在内的数百家新老玩家。然而“饿了么”如何获得创投青睐并冲击IPO?
张旭豪坦言,“我们从来不是一家送外卖的公司,公司的目标是联接所有关于食品的需求。把交易流通的过程变得标准化。而在这个过程中,创新尤为关键。”“今年要做的基础工作还包括和进口超市合作推进口食品,推外卖饮料和营养餐、健身品牌合作,以及加强商家食品安全监管等等。”当然,他认为合作也很重要,“越来越多互联网公司相互合作才能把O2O做成,今年公司开始和京东以及各家快递公司合作,也在积极和配送餐馆的上游供应链合作,未来合作对象甚至不排除金融机构。”
“饿了么”的盈利模式,“首先是流量平台的价值,通过给上线的商户提供流量服务,公司便可收取广告费用、竞价排名费用等。”连锁餐饮品牌往往不愿意自己做物流,而这恰恰给了“饿了么”盈利空间。因此,第二块盈利点则是来自采购和物流。 “我们的配送形态很多,有汽车、快递公司配送等,以期更好的解决‘最后一公里’问题。”张旭豪说。
目前“饿了么”覆盖城市已达200多个,员工人数也已超过2000人,而其对外公布的日订单数也达到了100万单。据公司方面介绍,借助互联网数据库的支持,“饿了么”6年以来积累的大量原始数据可优化餐厅的服务。
不过,客单价偏低的困扰已是追赶这类APP服务商的“隐形炸弹”。如何快速变现并盈利是饿了么面临的潜在问题。
张旭豪表示,‘饿了么’的APP,可以给企业推餐单,甚至精确到什么样的价格最好卖。”根据外卖点餐定位和流量分析,甚至可以帮助新进入某商业区域的餐厅进行选地址。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。