CNET科技资讯网 11月9日 北京消息:滴滴出行推进出租车网约车融合发展的力度正逐步加大。11月9日,滴滴出行正式宣布已牵手150多家出租车企业探索多元化融合发展之路,将共同推动出租车行业转型升级,提高司机收入和运营效率,提升乘客出行体验。
为加速融合进程,构建开放式融合发展生态圈,滴滴出行还开辟出租车网约车融合发展专属通道,符合条件的意向出租车企业登录滴滴出行官网即可报名洽谈合作。
据悉,此前,国务院办公厅印发的《关于深化改革推进出租汽车行业健康发展的指导意见》,对出租车行业深化改革进行了顶层设计和制度性安排,鼓励促进互联网与出租汽车的融合发展。近期不少城市颁布的实施意见也在广纳民意的基础上进行了完善,如鼓励巡游出租车转型提供网约车服务,鼓励巡游出租车通过电信、互联网等方式提供电召服务,希望以此提高运营效率、便利乘客出行、提高驾驶员收入。
作为一站式、多元化的出行平台,滴滴率先将整个出租车行业互联网化,使司机和乘客的信息更为对称,有效降低出租车空驶率,提高了运营效率。在让出租车行业共享技术带来的变革的同时,滴滴也一直从技术融合、服务融合、流量融合三个方面进行探索,试图把网约车的制度优势、管理模式以及应用成熟的技术经验,逐步融合到出租车体系中,来助力出租车企业提升管理效率,让出租车司机能用好服务获得好收入。此前8月31日,滴滴出租车就对外宣布,正积极携手合作出租车企业尝试推出“智能派单”模式,同时,试图让出租车司机在承接出租车单基础上,承接网约车订单。据悉,“智能派单”下系统会综合考虑距离、拥堵情况、运力供需、司机服务评价等因素,自动将乘客的出租车订单定向匹配给一位最合适的出租车司机,从而让提供好服务的司机能接到更多好订单。
滴滴方面表示,在此前流量、技术、服务“三步走”的基础上,滴滴已经形成一整套多元化的融合发展解决方案,能为出租车企业提供出租车智能派单企业版、出租车接网约车单企业版、加盟滴滴快车、加盟滴滴专车等多种合作方式,从而帮助提升传统出租企业的运营效率,为出租车企业和司机提供多渠道的订单和收入来源。符合条件的出租车企业亦可结合自身情况灵活自主地选择合作形式。
滴滴相关负责人指出,目前滴滴已与全国数十座城市的150多家出租车企业展开多元化合作。以“加盟滴滴专车”为例,滴滴可以为出租车企业提供专业的司机服务培训、认证解决方案以及车辆融资解决方案,出租车企业只需发挥自身人员招聘和线下管理方面的优势,即可携手拓展高端网约专车市场。而具体到“智能派单企业版”,滴滴在合作中增加了保障营运效率的维度,能通过滴滴大数据派单匹配,确保合作出租车企业旗下服务好司机时薪处于行业中高水平。
北京银山出租是滴滴融合方案合作伙伴中的一员,今年8月起,银山出租就携手滴滴开展了智能派单方面的测试合作。来自银山出租的测试数据显示,“智能派单企业版”合作下,出租车司机空驶平均下降13.3%,日均收入平均增加33.4%,司机运营效率和收入大幅提高。
值得注意的是,为与更多出租车企业合作伙伴携手同行,探索更加多元化的出租车网约车融合方式,滴滴还对外公开其出租车网约车融合标准,出租车企业资质齐全、人员管理制度规范、具备一定信息化能力、旗下司机注册滴滴出租车司机账户占比大于30%、企业巡游出租车车辆在50辆以上、同意与滴滴进行司机车辆信息比对即可登录滴滴官网直接报名,将由专属人员进行对接。参与合作出租车企业也将引入滴滴独有的互联网技术、计算机算法、平台大数据和运营管理思路,能充分发掘“技术+管理”的优势,以更优质的服务塑造更积极的行业形象。
据悉,这是移动出行行业内首度有企业提供出租车网约车融合发展绿色通道。在外界看来,为传统出租车企业提供一个公平透明畅通的合作环境,也证明滴滴正在努力构建一套出租车网约车融合发展的标准体系,试图构建开放式融合发展生态圈,塑造新老业态融合发展新标杆。滴滴在移动互联网出行领域拥有领先的大数据、技术、规模优势,基于开放发展理念,这一全套融合方案也将加速传统出租车企业拥抱“互联网+”的进程,持续推动出租车行业转型升级和出行市场的共同繁荣进步。
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。