
6月15日消息,Uber似乎在中国市场上遇到了不小的麻烦,一周之内,Uber中国的业界先后出现10万和100万单两个不同的版本,再加上大量虚假司机和乘客刷单,都使得外界难以判断Uber是否像其声称的那样,在中国取得了阶段性的成功。
订单数据“打架”
据《纽约时报》上周报道称,为了尽快打开中国这个巨大的市场,Uber已经在这里发放了巨额补贴,并且收到了初步成效。这里所谓的“成效”,指的是Uber每天在中国提供的交易,已经达到了10万单。
这个数字也是Uber去年12月宣布的每天100万单全球交易的十分之一。报道还称,为了获得上述成绩,Uber发放给司机的补贴有时可以达到车费的3倍。截止目前,Uber已经累计融资近60亿美元,他们希望借此把美国市场的高速增长复制到中国。
同样是在上周, Uber CEO特拉维斯·卡兰尼克(Travis Kalanick)在一封发送给投资者的邮件中称,Uber司机每天在中国提供的行程已经接近100万单,与该公司6个月前在全球提供的订单数几乎相等,这个数字远远超过了《纽约时报》报道中的10万单。
一周之内,Uber在中国的日订单数两次被披露,而两次的数据相差整整十倍。据一位不愿具名的消息人士透露,Uber中国的真实日订单数在30万单左右。而因为Uber分配订单的特殊性,司机无法看到乘客的目的地,这导致了大量的拒单产生,订单成功率一直不高。
十几部手机同时刷单
Uber在华的“突飞猛进”显然不那么正常。据美国新闻网站Quartz报道称,有中国用户注册多个Uber账号假冒司机、乘客进行刷单,Uber对外宣称的“在中国每天完成10万订单”等数据存在水分。
因为投入了高额补贴,很多Uber司机通过微信和QQ群寻找“同谋者”,帮助他们完成虚假的订单,已获取现金补贴。这些“同谋者”只需要坐在家中,关闭手机的定位后发出订单需求即可。司机接受订单并空驶,在这一“乘客”选择付款之后,司机再将车费重新转账给“乘客”,而双方将对奖金进行分成。
也就是说,中国的Uber司机人为制造了虚假的订单,并注册了多个Uber帐号,以获得Uber的丰厚补贴。这些“司机”会让他人假冒乘客,但实际上这些“乘客”哪也没去,双方甚至可以在静止的汽车内,通过十几部手机不停地下单和接单。
更有甚者,一些中国司机试图欺骗Uber的新司机注册系统,通过使用虚假的资料注册Uber司机帐号,这样就可以多次获得新司机奖励。
或成下一个Groupon?
上述不愿具名的消息人士透露,Uber对司机刷单的情况并非不了解。“只是目前睁一眼闭一眼罢了,毕竟数据不能太难看。”在上述给投资人的邮件中,卡兰尼克明确表示将于6月22日启动Uber中国的融资计划。在这个特定时间下,中国市场的表现就显得尤为重要。
这不得不让人联想起Groupon入华后成立的高朋,团购行业竞争最激烈的时候,高朋的刷单现象非常严重。为了让团购商品的交易数字好看,高朋的销售经理甚至说服商家预先购买自家的商品,以营造出非常受欢迎的假象。
更有销售经理甚至自掏腰包,凑足数十万元购买自己的团购产品,借此赚取公司补贴,为了提高交易额,甚至还会将房产作为产品放到网上团购,这种疯狂的刷单行为导致高朋多个大区管理人员被换血,也间接导致了Groupon在华业务的流产。
尽管卡兰尼克宣布2015年将在中国投入70亿人民币,但业界依旧不得不担心,Uber很可能会像之前的几个美国互联网巨头一样,热热闹闹开场,灰头土脸收兵。因为在这之前,“中国魔咒”一直是缠绕硅谷公司的梦魇,eBay、雅虎、MySpace、谷歌等最终都在中国铩羽而归。
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。