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
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。