大型网约车平台Uber与英国电动面包车及公交车制造商Arrival宣布联手,将为专门从事网约车服务的驾驶员设计一款新型电动车。
一方面,这确实是个好消息;但另一方面……Uber好像越来越像传统出租车公司了。
交易细则
根据路透社的报道,双方日前宣布将共同开发一款“运送用车型”,这将是一款“价格适中、专门用于乘用服务的车辆”。
这款车型将于明年年底投入量产。
作为Uber未来发展规划的重要部分,这位网约车巨头计划到2025年在伦敦、2030年在北美及整个欧洲建立起一套全电动交通运输平台。
优势与挑战
转向全电动当然是件好事,有助于改善大部分Uber覆盖城市的尾气排放与噪声污染问题。
但Uber及Lyft等网约车平台造成的交通拥堵仍然没有理想的解决办法,各服务商后续还须继续努力。
Arrival发布的公告称,这款车型将与驾驶员合作设计,希望尽可能满足用户需求。但目前得到的价格信息仅为“定位合理”,因此在实际量产之前恐怕很难预判车辆的实际售价或者是否会有所变动。
此外,Uber也尚未公开将为驾驶员们提供怎样的换购支持政策。
该公司已经筹集1.88亿美元(约合1.35亿英镑)以帮助网约车司机们享受置换补贴,但具体操作细节恐怕要到新车量产后才会公开。
Arrival与Uber发布的渲染概念图:除了整洁的车厢之外,Uber应用中的几乎所有功能也都被直接内置到车载系统当中。
目前,Uber已经为英国的电动车司机们提供部分补贴性回扣。
此外,Uber还与起亚、日产及现代等多家电动汽车制造商商定了金融交易优惠。
对于身在伦敦的网约车司机们,每英里的计程费用上涨了3便士,保证他们拥有更高的工作收益。
截至2021年底,电动汽车驾驶员上缴给平台的服务费将降低15%。但面对这笔因行程而异的开销,部分业内人士认为Uber仍然不够厚道,表示最好能将抽成比例控制在25%左右。
更重要的一点在于,Uber提出的这些经济奖励只是临时性激励措施,绝对不可能永远持续下去。
等到Uber车队在英国国内全面实现电动化,或者至少大部分司机已经开上电动车之后,这些激励措施肯定会被取消。届时服务费抽成也将恢复正常。
还有哪些其他选项?
Uber与Arrival专门为司机们开发的这款车并非内部独享,也有望向其他客户开放供应。
换句话说,任何乘用服务经营者都可以采购这款汽车;双方甚至有可能将新车出售给传统出租车公司。
Uber似乎已经完成了对出租车行业的重塑,现在两家公司希望合作重塑出租车本身。
与伦敦Black出租车一样,这款新车的前排乘客座椅似乎可以拆下,借此提供更大的腿部空间或行李放置空间。
但这款新车能不能成功,还是要看Uber怎样规划车辆交付方案。
目前,只要符合乘用车审查标准,Uber司机完全可以使用自己的私家车上路接客。换句话说,兼职性质的驾驶员能够做到家庭车辆的运营、私用两不误。
但如果Uber强制要求驾驶员使用Arrival纯电汽车才能上路接单,司机们可能会强烈抵制,毕竟这背后牵扯到巨大的经济利益。而且这种方式恐怕也与Uber认为司机应该保持独立承包商定位的基本观点有所冲突。
相比之下,更公平的方式应该是允许承包商们自由选择车辆工具。
但根据此前的一项调查,高达68%的Uber司机决定在未来半年内放弃网约车平台。从这个角度看,不知道Arrival打造的网约专用车到底还有多大的目标受众群体。
而且从Uber计划向其他企业买家开放新车采购渠道来看,这位网约车巨头想得到的绝不只是“保护环境”这道光环——正所谓环保与收益,我全都要!
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。