
在我国,“公车改革”最早始于1994年,曾被称为“难啃的骨头”,其中有一部分原因是,同一行政级别的不同岗位用车需求可能差别很大,另外不同地区的用车需求也不一样,因此,“公车改革”在各个地方的效果也有明显的差异。而现在,“公车改革”可以利用“互联网+”的思维。
2016年上半年,江西上饶市与滴滴签署战略合作协议,由滴滴根据上饶市的公务出行需求,为上饶市提供“互联网+政务用车”服务解决方案,这也是滴滴宣布提供公车解决方案以后,首次与地方政府合作。
从具体的落地形式来看,公务用车其实跟大家使用滴滴出行类似:在手机上安装“滴滴政务版”APP客户端之后,公务人员可以按照公务出行需求选择相应的平台提出用车申请,并通过设置权限进行审批后,驾驶员从APP司机端上接单,并按里程、时间计费,由单位统一结算。滴滴方面认为,这种模式既不耽误公务出行,又通过减少公车及其人员配置降低了开支。
上饶市公务用车服务有限公司总经理余清永曾接受媒体采访时表示,上饶市重大应急调研接待用车平台有74辆公车,市直机关综合执法用车平台有51辆,市级一般公务用车平台有100余辆。引用了滴滴政务版之后,司勤人员精简到107人,随着客户端功能升级,人员还有可能精简。据统计,车改后,上饶市直各单位公务用车节支率最高的超过33%,最低的也高于7%。
有业内专家分析认为,与大众使用网约车不同,公务用车除了要考虑成本和效率,同时还要求监管透明。在这方面,滴滴方面强调,平台能够追溯每一趟公务出行的用车时间和行车线路,使“事中监管”、“事后审查”等有据可查,适合在更多地方的公务出行中使用。
目前,江西省正在逐步将互联网化公车改革扩大到南昌等城市,而杭州所辖13个区县的公务员也将通过滴滴实现“互联网+公务出行”。
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。