
今天在豌豆荚「应用发布会」栏目独家首发的,是一款预订非标准化住宿的应用:去呼呼。用户可在预订 Airbnb+Homeaway 式的房源,比如在上海可住进法国音乐家老派别墅,在厦门住进海贼王风格的客栈。包括酒店式公寓,度假公寓,别墅,民宿,青旅等在内的非标准化住宿已经拥有越来越广泛的用户群,据统计 18.8% 的用户一年住 8 次以上非标准住宿。
去呼呼与同类应用相比,把用户体验从线上到线下完整连贯起来,通过智能门锁,可以在手机上操作一键开锁,免去了在前台办理手续或与房东交接钥匙的麻烦。试想,若干年后,当人们习惯用手机开门,房卡和钥匙这样的物件则逐渐过时。科技本就不只是高深的理论,它一直在改善着我们的生活,且从未停止过。
这也正是豌豆荚「应用发布会」选择这款新应用做首发的原因。
亮点1:类 Airbnb 特色住宿模式
去呼呼并没有搜索功能,而是通过个性化筛选,让用户挑选符合自己需求的房间。这里没有千篇一律的标准间,每一间房子都有自己的风格。
图1:去呼呼平台上的房源,多是个性化的酒店式公寓
如果是几个朋友一起出去玩耍,分隔在好几个房间很不方便,最好能定下一整个房子,又有玩耍空间,又有休息空间,如果心情好,还能洗衣做饭。在去呼呼里,房间数、是否有客厅、是否可以做饭都可以作为筛选条件:
图2:去呼呼按照实际需求筛选出最适合你的房子
同样的价位,去呼呼平台上的房间是普通酒店的 2-3 倍,且设施更完善。
亮点2:智能门锁改变了开门习惯
去呼呼平台上的所有房子都是联网的。一旦房间预订成功,这间房子就被密码锁住,无法重复预订。到达目的地后不需要去前台办手续,也不需要联系房东给钥匙,只要找到自己的房间,用手机直接开门:
图3
除此之外,在去呼呼预订成功后,手机会收到一条开门密码,记住这个密码,24小时内在智能门锁上输入都可以开门。如果朋友先到,你还可以在手机上为其远程开锁,在北京的你能打开上海的房门也是有点炫酷。
亮点3:让房东和房客都「惊喜」
大部分房客往往会用「惊喜」来形容去呼呼的订房体验。而对于房东来说,又是怎样的感受呢?
在大连有一家叫马猴吃香蕉的主题酒店,由一对 80 后夫妻经营。这家主题酒店是去呼呼平台上很有特色的代表,我们听一听房东是怎样说的。
图4:复古波普主题房
「应用发布会」主办方:先问一个大家最关心的问题,智能锁如何保证房客的安全呢?
房东:如果在入住期间出现非正常方式开锁,如撞门等情况,智能锁会立刻通知房东。
「应用发布会」主办方:那别人能打开我的房间门吗?
房东:有别于钥匙或者门卡有被复制的风险,智能锁的开门指令是有时间段的,只有房客在入住期间能打开。
「应用发布会」主办方:作为房东,对智能锁感受最深的点是什么?
房东:因为我的房子每间主题风格都不同,有的客人每晚都想换不同的房间。如果是在以前,我就得频繁更换房卡或钥匙给他。另外,如果客人不小心弄丢了钥匙,为了保障安全,我就要更换门锁。智能锁完全免去了这样的麻烦。
也许,传统的房卡和钥匙真的会就此淡出,谁说不一定呢?Uber 和 Airbnb 正在改变着全世界人的出行,五年前你也不会想到自己今天会如此依赖手机。
硅谷已经成为对世界最有影响力的地区之一,科技也不再是业内玩家的自留地。我们为身处这样的行业而感到兴奋,并为之注入自己的热爱。
希望有趣的应用越来越多,哪怕每次只是多一点点。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。