近日,TalkingData移动数据研究中心发布《2015年O2O移动应用行业白皮书》,报告显示5月份国内安卓系统出行O2O移动应用市场覆盖率,滴滴快的旗下滴滴打车、快的打车牢牢占据前两位。
报告显示,滴滴打车安卓应用覆盖率达10.26%,排名上榜所有移动应用榜首。滴滴快的旗下的另外两款产品快的打车和一号专车,安卓应用覆盖率分别为2.59%和1.00%,分列第二和第四名。

滴滴打车、快的打车于今年2月14日正式宣布合并,中国移动出行领域排名前两位的两家公司合并,使得合并后的新公司进一步巩固其出行领域霸主地位。此次报告中,滴滴快的旗下产品不仅占据5月安卓市场出行应用覆盖率前几名,在报告披露的O2O移动应用总排行中,滴滴打车排名第三,仅次于支付宝钱包和美团团购。
报告指出,出行O2O包含打车、租车、专车、拼车等不同服务模式,滴滴与快的用户覆盖最高;租车类应用用户覆盖也较高;在5月份,拼车类应用处于起步阶段,尚未出现优势明显的高频应用;专车类应用在2015年异军突起,滴滴专车、一号专车与国外来的Uber等竞争激烈。
值得一提的是,滴滴快的合并后,在移动出行领域的战略布局逐渐清晰。目前,滴滴快的在用户量和订单量上,已经成为全球最大的移动出行平台,原有的出租车、专车、快车业务,再加上顺风车和即将推出的代驾服务,一个综合性的出行平台雏形渐现。滴滴快的CEO程维曾公开表示,滴滴未来将覆盖公共交通,同城物流等一切与出行相关的方面。
此外,报告还指出,移动O2O行业用户规模达到7.5亿,占移动互联网整体用户规模的65.2%;超过六成的用户使用过移动O2O的服务,随着移动O2O行业的加速扩张,这一比例在未来将不断扩大。
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。