CNET科技资讯网 9月19日 北京消息(文/周雅):9月19日 滴滴顺风车宣布产品改版,希望借此建立更高效的出行连接。滴滴顺风车新增乘客常用路线设置,乘客可主动选择车主;车主可以设置自动接单、主动邀请乘客共乘,以及新增车主乘客相互关注等功能。
滴滴顺风车事业部总经理黄洁莉表示,乘客、车主通过设置常用路线,自然形成共乘的出行网络。当真正用户真正出行的时候,我们甚至可以预测到他们的出行路线,从而做更好更高效的匹配。滴滴顺风车的目标是“共享每辆私家车,连接每一个同路人”,希望可以把80%的私家车车主可以把自己的车贡献出来与他人共乘。
数据显示,目前滴滴超过80%的乘客和车主路线匹配度达到85%,也就是说司机绕路时间不超过10分钟。同时,60%设置常用路线的乘客有20位左右的顺路车主。热门顺风车线路,例如从北苑到上地,从通州到国贸,顺风车路线匹配率甚至达到了95%。滴滴顺风车的连接效率和规模效应已经开始凸显,而效率和规模恰恰是顺风车产品的最大门槛。
目前,滴滴顺风车使用乘客数突破3000万人,覆盖城市已经达到351个。
过去滴滴顺风车乘客发起顺风车行程之后,只能默默地等待车主接单,而新版本中乘客则可以主动搭讪车主。顺风车新版本中,乘客在添加常用路线之后,即可看到正在寻找乘客的车主以及经常出行的顺路车主,并根据顺路程度百分比进行排序。此外,乘客可以主动申请和车主相互关注,从而促成双方的共乘。
在过去车主“附近抢单”和“顺路抢单”之外,此次新版本中,车主可以设置接单条件,自动接单,不再错过订单,车主也无需经常查看乘客发起的行程,节省等待和抢单时间。车主还可以“邀请同行”,对潜在顺路的乘客发起邀请,增加成交几率。
数据显示,设置车主自动接单功能让车主接单更高效,且成单率也更高,自动接单车主是普通车主成单率的2倍数。
目前,滴滴顺风车已经从上下班需求、临时出行需求等同城顺风车出行发展到跨城顺风车回家、周边游等多场景顺风车服务模式。自去年9月25日,滴滴顺风车首次推出跨城拼车到现在跨城顺风车已经发展了一年时间。目前,跨城顺风车已经成为滴滴顺风车非常重要且潜力巨大的一块业务。
黄洁莉透露,滴滴跨城顺风车在刚刚过去的中秋节期间(中秋节前一天加中秋三天假期,共4天),合乘人数已经突破了春运40天的数量,达到累计190万人次。预计十一假期会迎来更大的涨幅。
在即将到来的十一假期,滴滴跨城顺风车也推出了更多的优惠活动,从9月29日至10月9日期间,顺风车跨城出行乘客有机会获得10000个免单及红包福利,车主有机会获得最高100元的加油优惠券。
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。