班加罗尔外卖初创公司Swish在新一轮融资中筹集了3800万美元,这家成立18个月的公司凭借其10分钟新鲜食品配送服务继续吸引投资者关注。
这轮B轮融资由Hara Global和贝恩资本风投领投,Accel、Stride Ventures和Alteria Capital也参与其中。此次融资使Swish的投后估值达到1.39亿美元,比一年前翻了一倍多,使其总融资额达到5400万美元。
这笔融资正值印度超快食品配送业务面临可持续发展挑战之际。Swiggy、Zepto和Zomato等大型平台最近几个月都缩减或关闭了其快速配送实验,原因是运营复杂性和成本压力。
成立于2024年的Swish采用全栈商业模式,拥有自己的厨房、供应链和配送网络,专注于配送半径约1公里的密集超本地化集群。Swish表示,与必须依赖第三方餐厅佣金的市场平台相比,这为其提供了更好的经济效益。
该初创公司表示,随着在班加罗尔10个微市场的扩张,其目前每天配送约2万份订单,较四个月前的约5000份大幅增长。联合创始人兼首席执行官Aniket Shah在接受采访时表示,Swish还专注于厨房运营自动化,以支持更快的配送和一致性。
"我们非常密集,非常接近客户,确保我们能够像餐厅厨房一样运作,将食物送到您的餐桌上,"他告诉TechCrunch。
Swish提供涵盖正餐、小食和饮料的200多种商品,平均订单价值为200至250卢比(约2-3美元)。该公司表示,使用率以重复消费为主导,顶级用户每月订购超过10次,主要是20至35岁的年轻城市消费者,因为它瞄准从早餐、茶点到深夜订单的多个日常用餐场景。
Shah表示,该初创公司较老的厨房集群已经实现盈利,但他没有透露每单利润率。
Shah表示,Swish计划在班加罗尔内扩张,并进入德里国家首都区和孟买等其他地区。
然而,其商业模式仍然依赖于密集的城市集群和高订单量。因此,我们必须拭目以待,看看投资者的热情是否合理,特别是在大型竞争对手已经缩减其快速配送实验的情况下。
Q&A
Q1:Swish是什么公司?主要提供什么服务?
A:Swish是一家位于班加罗尔的外卖初创公司,成立于2024年,主要提供10分钟新鲜食品配送服务。该公司采用全栈商业模式,拥有自己的厨房、供应链和配送网络,专注于配送半径约1公里的密集超本地化集群。
Q2:Swish的业务规模如何?发展速度怎么样?
A:Swish目前每天配送约2万份订单,较四个月前的约5000份大幅增长,在班加罗尔的10个微市场运营。该公司提供200多种商品,平均订单价值为200至250卢比,顶级用户每月订购超过10次。
Q3:为什么其他大型平台缩减快速配送业务,Swish还能获得投资?
A:虽然Swiggy、Zepto和Zomato等大型平台因运营复杂性和成本压力缩减了快速配送实验,但Swish通过拥有自己的厨房、供应链和配送网络的全栈模式,获得了比依赖第三方餐厅佣金的市场平台更好的经济效益,其较老的厨房集群已经实现盈利。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。