中国自动驾驶汽车公司文远知行(WeRide)已获准在加州测试其无人驾驶车辆,并搭载乘客。该公司目前正在筹备在美国股市上市,预计市值近50亿美元。8月,文远知行已获得加州公共事业委员会颁发的两项许可证:有驾驶员试点许可和无驾驶员试点许可。这两种许可都允许文远知行在公共道路上测试其车辆,并搭载乘客——前者需配备人类安全驾驶员,后者则不需。目前,这些许可尚不允许文远知行向乘客收费,服务也未向大众开放。
关于是否已开始用它的自动驾驶车辆运送乘客,文远知行没有提供更多细节。加州公共事业委员会的一位发言人透露,文远知行获准在圣何塞及其周边地区进行测试,目前公司有12辆车在运行。
自2021年获得加州机动车管理部的许可以来,文远知行已在圣何塞的公路上进行了无乘客的自动驾驶测试。相比之下,2023年文远知行在加州的自动驾驶里程为 42391 英里,而Waymo的自动驾驶里程则超过了900万英里。
关于其在加州商业化的具体计划,文远知行透露较少。根据其公共事业委员会的许可,文远知行仅限于使用座位不超过16人的车辆,包括驾驶员。这一限制与Waymo、Cruise 和Zoox的许可不同,可能与文远知行的车型有关。除了无人出租车,文远知行还开发了一种可容纳至多10名乘客的机器人巴士。
文远知行宣称是全球首家在七个国家的30个城市进行操作和测试的自动驾驶公司。这家初创企业拥有在中国、新加坡、阿联酋和美国公路上自动驾驶的许可。文远知行的产品线还包括用于货物运输的机器人厢式货车、机器人清扫车以及为原始设备制造商提供的ADAS。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。