
5月27日消息,优步(Uber)创始人、CEO特拉维斯·卡兰尼克(Travis Kalanick)昨日现身贵阳大数据产业博览会。他在接受采访时表示,将对司机补贴到市场竞争尘埃落定的时候。
卡兰尼克此行目的与Uber此前在国内屡屡碰壁不无关联。优步中国方面表示,目前有些细节尚未敲定,但其中有安排部分不会向外界公开的内部会议。至于这些“内部会议”是否涉及到优步在国内部分城市遭遇的禁令困境,暂时不便向外界透露。
“我们在北京的业绩成长比全球任何城市都要快,原因是优步的概念与本地手机打车软件完全不同。大家可以想象一下,如果你去各个城市可以吃的只有麦当劳,突然有人进入这个市场说我可以提供餐厅这类更好的选择。所以说,优步进入这个市场,其实给大家提供的是更多的选择,这也是为什么我们能够在北京增长这么快的原因。”卡兰尼克说。
当被问及Uber进入中国和其他国家城市的区别时,卡兰尼克称,Uber在纽约和在北京非常不同,第一纽约车费很贵,其次在纽约的管理司机组织结构方面也与北京不同。
另外,卡兰尼克在接受媒体采访时表示,对司机的补贴将延续到中国市场竞争尘埃落定的时候。
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。