
CNET科技资讯网 7月26日 北京消息(文/周雅):今日,高德地图开放平台宣布AMAP Inside战略,把开放平台的能力、服务以及技术接入更多移动应用。“AMAP Inside就是高德开放平台所提供的专业服务,包含地图、定位、导航、搜索、路径规划、室内地图等。通过各个第三方移动应用,高德的AMAP Inside每天为千千万万互联网用户提供服务。”高德地图副总裁田密介绍称,目前,高德开放平台已服务超过30万移动应用,包括新浪微博、神州租车等3万多家国内知名互联网厂商采用高德地图开放平台的服务来支持其互联网地图位置业务。
也就是说,除了可下载的高德地图应用,还有30多万个移动应用植入了高德地图的多种服务。
高德开放平台目前已经成为国内技术领先的LBS 服务提供商,日均处理定位请求及路径规划数百亿次,田密讲到,“AMAP Inside目标是要打造一个有价值的互联网世界底图,给产品一个‘商标认证’,把高德开放平台的能力和服务以及一流的技术支持‘烙’在产品上,给用户以相应的服务与体验。”
高德地图曾多次强调自己是目前市场上为数不多的具备完整基因的互联网地图厂商,在上半身“产品”和下半身“数据”两个赢取用户的决定性层面都极具竞争力。行业报告显示,在地图数据生产上,高德与四维图新是市场上绝对的双寡头,共同占据了 90% 以上的份额。
高德地图开放平台总经理童遥在发布会现场表示:“除了大家平时使用的高德地图之外,其实还有一个大家看不到的‘高德’,就是高德开放平台提供的服务。高德开放平台任务就是将高德地图最专业的定位、地图、导航等位置能力和LBS服务开放出来,供合作伙伴和开发者使用,也就是我们今天给大家介绍的AMAP Inside。这些能力加码到移动应用上,才能帮助应用为用户提供优秀的使用体验。比如,高德提供给社交应用精准的定位,帮助用户找到身边志同道合的朋友;高德提供给用车软件智能导航、路径规划和费用计算,帮助用户拥有安全舒心的出行体验;高德提供给O2O应用最优路径规划,帮助用户外卖早到5分钟。”
目前高德开放平台覆盖了硬件、出行、外卖、物流、社交、电商、资讯、运动等领域。根据高德现场给出的数据:在国内每 10 部智能手机就有 9 部在使用高德的位置服务;85% 的车行 App 使用高德的地图、导航和路径规划服务;还为 80% 的主流社交应用使用高德的位置功能以及地理围栏服务;超过 60% 的外卖 APP 使用高德的地图和定位服务。高德开放平台目前服务超过 30 万款移动应用。
在用车领域,AMAP Inside 为神州旗下租车、专车、拼车等提供地图及定位等调用服务,AMAP Inside 可为神州各业务线提供数据分析预测,实现智能用车资源分配。基于高德地图定位,神州旗下各产品客户端能够显示司机位置的变化,接单后能够自动为司机规划最优路线;神州租车还能对区域业务热度进行分析,清楚哪些区域用车需求较大但车辆较少,从而能调配其他区域车辆。
在移动资讯领域,AMAP Inside 可以为移动资讯 APP 提供热点位置的定位能力。比如网易新闻客户端,利用 AMAP Inside 的定位能力,将位置变化与用户的喜好相结合,根据不同的场景,为用户推送身边的一手新鲜资讯。
AMAP Inside不仅服务于互联网产业,还助力于公益事业。公安部刑事侦查局最近在阿里巴巴集团的技术支持下开发了“公安部儿童失踪信息紧急发布平台”。该平台正是利用了高德地图开放平台的LBS定位技术,根据地理围栏设置,向儿童失踪所在相应区域范围内的用户精准推送信息,并随着时间推移扩大地理围栏范围,以便组成一张全民搜索失踪儿童的大网,帮助追踪失踪儿童。
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。