今年,NewMotion EV驾驶员调查对五大欧洲主要市场(德国、荷兰、法国、英国和比利时)的一万多名受访者进行提问,希望整理出关于电动汽车驾驶与充电体验的最新见解。
那么,电动车司机们如何看待环保问题?他们分别采取怎样的充电模式?他们又希望未来的电动车产品带来哪些改进?
我们马上进入正题。
1. 电动车司机更重视环保
近六成受访者表示自己选择电动车的核心原因在于保护环境。此外,司机们也表示支持充电功能,认为这能进一步给环境保护带来积极影响。
具体调查结果包括:
受访者们认为充电能够改善环境问题。
2. 司机们已经习惯了随时随地充电
近三分之二(62%)的受访者表示他们会首选路边充电桩。位列第二的则是停车场、购物商场及休闲度假地的充电桩,占比为46%。
约68%的电动车司机拥有家庭充电桩,38%的受访者在办公地拥有充电桩,15%的人则二者皆无、所以只能使用标准插座慢充或者在停车地随时充电。
大多数电动车司机更喜欢使用替代性充电选项。
3. 大多数电动车车主注册了多家充电网络
几乎每位司机(94%)都拥有至少一张充电网络注册卡,74%拥有两张以上。
在拥有多张电卡的用户中,97%的人主要使用其中一张——其中37%的理由是这张卡电价更低,22%是因为服务商提供更广泛的覆盖范围与更多充电桩位。
有趣的是,69%的受访司机认为他们的主卡已经能够覆盖全部造访地点,额外买张卡只是“以防万一”。
调查显示,比利时与荷兰的高单卡使用率可能表明这里充电网络的覆盖情况更好。
但里程焦虑仍是困扰电动车用户的一大重要问题;事实上,54%的受访者表示担心未来自己的活动范围内缺少充电桩。
4.快充服务需求不断上升
受访者们最期待的改进,无疑是快速充电基础设施的进一步普及。
快速充电站能帮助司机们在高速公路上以更短的时间获得更长的续航能力,所以在人们的日常生活中并不算是必需品。事实上,只有不到半数受访者每周使用一次快充服务,13%的受访者从未使用过快充。
5.一日电动车,终身爱好者
样本显示,大多数受访者一旦尝试过电动汽车,就很难再接受传统燃油车。超过五分之三的司机希望购买纯电汽车作为下一辆用车。五分之一会考虑使用手电式混合动力车,只有4%的人会继续坚持汽油或柴油车。
事实上,相较于传统汽车与柴油汽车,电动汽车用户对自己的座驾评价极高。
驾驶员们深刻体会到了电动车的低维护成本与使用成本。
对于希望再次购买纯电汽车的群体来说,五大首选品牌依次是特斯拉、日产、雷诺、现代和大众。
6.电动车会改变司机的驾驶行为
近半数司机表示,自从改用电动车之后,他们的驾驶效率有所提高、速度更低、加速也更平衡。这可能与续航里程有关,毕竟较为温和的驾驶风格能够更好地延长电池寿命。
与此同时,23%的驾驶员体会到了电动车更强的扭矩优势,感受到自己的加速比以往更快。只有5%的受访者觉得自己在电动车和传统燃油车上的驾驶行为没有任何变化。
7.对于推广电动汽车的建议
作为实际使用者,车主们还分享了一些自己从传统汽车过渡到电动车后的心得。
在他们看来,目前的电动车还需要在以下几个方面做出改进(按重要程度排序):
总而言之,调查数据表明电动车的自身产品力已经得到大多数用户的认可;环保优势与良好的驾驶体验成为人们选择电动车的首要理由。
尽管政府、汽车制造商和充电服务商都在推动电动车普及方面做出了重要贡献,但电动车自身强大的功能与令人愉悦的体验,才是让人们有信心做出转变的核心理由。
好文章,需要你的鼓励
NOVER是一种创新的无验证器强化学习框架,解决了传统激励训练依赖外部验证器的限制。由伦敦国王学院研究团队开发,它通过计算"推理困惑度"作为奖励代理,使语言模型能在任何文本任务中自主发展推理能力。实验表明,NOVER在一般推理、创意写作、社会智能和多语言能力等多种任务上均优于基线方法,甚至使3B模型接近从671B模型蒸馏版本的性能。此外,其灵活性还支持"反向激励训练"等创新应用,为语言模型训练开辟了新方向。
韩国中央大学研究团队开发了名为CoPriva的基准测试,评估大语言模型遵守上下文安全策略的能力。研究发现,虽然多数模型能成功拒绝直接违反安全政策的查询,但在面对间接攻击时存在严重漏洞,泄露率平均增加40%以上。即使是推理能力强的模型也未显示出明显优势,且高忠实度的回答往往伴随更多信息泄露。研究团队评估了10种先进模型,发现政策存在与否对防止泄露影响有限,而修订功能仅能部分提升合规性。这揭示了当前AI安全对齐的重大缺陷,强调了开发更强健安全机制的紧迫性。
这项研究分析了混合专家模型(MoE)的"局部路由一致性"特性,即连续词元激活相似专家的程度,这对内存受限设备上的模型部署至关重要。研究者提出了两种测量指标:段路由最佳性能(SRP)和段缓存最佳命中率(SCH),分析了20个不同MoE模型。结果表明,在每层都使用MoE且不含共享专家的模型局部路由一致性最高,领域专业化的专家比词汇专业化的专家对一致性贡献更大。研究还发现,缓存大小为激活专家数量2倍时能取得最佳平衡,为MoE模型设计和部署提供了重要指导。
清华大学研究团队开发的"思维增强型策略优化"(TAPO)通过将外部高级思维模式整合到强化学习中,显著提升了大语言模型的推理能力。这种方法从仅500个样本中抽象出思维模板,在AIME、AMC和Minerva Math等基准测试中分别比传统方法提高了99%、41%和17%的性能,同时增强了模型的可解释性、稳定性和泛化能力,为AI推理研究开辟了新方向。