
CNET科技资讯网 1月11日 北京消息(文/周雅):橙色污染预警就像是一个警钟,随时激起人们的危机意识:大家对于空气污染问题,除了抱怨、忧国忧民,更多人开始自觉的戴起了口罩、买植物、买空气净化器。现在,连车内空间的防护也被考虑到了。今天,滴滴专车联手亚都环保科技有限公司打造“无霾专车”。
今年3月份国家发布《乘用车内空气质量评价指南》,现在,车内环境污染问题已经与排放标准问题放在一起被讨论了。国家室内环境与室内环保产品质量监督检验中心主任、中国轻工业联合会装饰材料室内环境质量监督检测中心主任宋广生现场表示,汽车虽然是封闭空间,但也不能完全阻隔PM2.5进入。
宋广生介绍,新车VOC、从室外进到车内的PM2.5、公用交通的生物系污染,是车内普遍的三个污染。所谓的新车VOC,就是“新车味”,其实就是油漆和胶水的气味,这里面有很多甲醛、苯、氨、硫或者细菌。更甚的是,越高档的车,甲醛含量越高,这是因为它的装饰物非常多且精致。
曾经,沃尔沃汽车把车内空气质量作为进入中国市场的敲门砖。中国室内装饰协会空气监测中心曾对200辆车进行检测,结果发现,若参照室内空气质量标准,近90%的汽车都存在车内空气甲醛或苯含量超标问题,而且大部分车辆甲醛超标都在五六倍以上。
所以,这些“看不见的杀手”对于我们好比“温水煮青蛙”。
这些研究给滴滴提了个醒,应该去做些提高用户体验的事。“我们每天都在琢磨,怎么让乘客坐到车里的感受更好,所以我们会去关注一些大家可能都注意不到的细节。譬如汽车脚垫用什么颜色;车内什么样的香味是最合适的;司机接起电话,首先是说,‘您好,我是滴滴专车司机’,或是,‘您好,滴滴专车司机为您服务’等等。”滴滴专车总经理付强现场说,现在,“无霾”专车或许可以给专车服务再加一分。
滴滴专车总经理付强(左)、亚都环保总裁龙林
首批近3000台滴滴“无霾专车”先在北京上线。这相当于滴滴专车的一项免费体验服务,亚都的车载净化器放在驾驶员和副驾的车座中间,每一款产品上面都有一个显示器,显示PM2.5浓度数字和滤芯寿命,这就不用测指数了,全车的人都能看到数字。
北京亚都环保科技有限公司,前身为北京亚都空气污染治理技术有限公司,创立于1987年,是国内空气品质(IAQ)企业。亚都环保总裁龙林现场表示,亚都研究院的人的工作很枯燥,整天关在实验室里闷头研究污染物,看似做硬件,实际上更像是做污染物。
龙林自己也做了个实验,他关在车里狂抽烟,让PM2.5指数达到500,然后把自家车载净化器产品放进去,结果7分钟把500降到了30以下。龙林觉得滴滴的服务很人性化,双方的合作由此产生。
据悉,滴滴专车在安全、服务、效率等方面都有严格的标准。首先必须是6年以内年限,售价15万以上的车辆。司机驾龄3年以上,并经过严格的服务培训,滴滴还将使用监测体系监督司机服务水准。此外,专车上还提供纯净水、充电器、雨伞等物料包为乘客提供方便。
除了提升专车硬件服务标准之外,滴滴专车未来还希望继续打磨“软服务”,包括规范司机服务流程以及话术、让用户快速打到车的体验等。目前,滴滴对15分钟后的出行需求预测,准确率可超85%。
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。