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
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。