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
想象一下,你有一个非常聪明的朋友,他知道很多知识,但每当需要使用计算器、搜索引擎或查询最新天气时,却变得像个笨手笨脚的孩子。这正是当前大语言模型(简称LLMs,如ChatGPT这类AI系统)面临的尴尬处境。
想象一下,你拥有一个聪明的助手,它知道很多知识,但在面对需要使用计算器、搜索引擎或查询最新信息时却显得笨手笨脚。这正是当前大语言模型(LLMs)面临的困境。虽然这些模型已经通过监督微调(SFT)学会了使用工具的基本能力,但它们常常在面对复杂或不熟悉的场景时表现不佳。
想象你正在和一个智能助手聊天。如果你直接要求它提供有害信息,它很可能会礼貌拒绝。但如果你通过一系列看似无害的对话,逐步引导它走向你的真实目标呢?这就是当前AI安全领域面临的一个严峻挑战——多轮对话中的安全漏洞。
想象你在使用一个非常聪明的AI助手完成一项复杂任务,比如解决一道数学难题。你可能注意到这个助手会花很长时间"思考",一步一步写下大量推理过程,最后才给出答案。虽然这种详细的思考过程确实帮助AI做出了更准确的判断,但同时也带来了一个明显的问题:它太"啰嗦"了,消耗了大量的计算资源和时间。