北京时间5月19日消息,据《华尔街日报》网络版报道,Uber正在测试从司机打车应用收入中抽取30%分成,这是该公司目前为止对司机收取的最高佣金。
Uber发言人确认,这一收入分成的提高目前只针对旧金山、圣地亚哥两个城市,已在4月份悄然生效,目前为止只适用于已签约平价打车服务UberX的司机。
该发言人称,新的收入分成政策属于分层佣金结构的一部分。如果司机在一周内完成了一定数量的打车订单,Uber也会通过降低佣金的方式奖励司机。UberX使用的是驾驶普通汽车的业余司机,此前在旧金山和圣地亚哥收取的收入分成为20%至25%。
Uber在开始运营时对所有打车服务收取20%的佣金,而目前已在不同的城市,根据司机和乘客的供需情况调高或下调了佣金。在一些新城市,为了快速增加司机储备,Uber将佣金调低至20%以下。而在一些市场更为稳固的城市,Uber将佣金提高到了25%。Uber向司机解释称,虽然佣金提高了,但他们依旧可以获得同等收入,因为这些城市可接送的乘客变多了。
报道称,佣金的提升可能会帮助Uber说服潜在投资者——这家成立6年的打车公司价值在500亿美元或更高,但是收入分成的提高很可能会让数万名Uber司机感到挫败感。
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。