今早,无数打工人的全勤奖泡汤了。此次滴滴全面功能瘫痪持续近12个小时,是近年来滴滴瘫痪时间最长的一次故障。据统计以“崩了”的时长计算,估计会让滴滴损失千万的订单量和超4亿交易额。而系统故障的原因,有人说是滴滴系统半夜被攻击所致。从表现上看,打车、共享单车全挂,说明问题出在更底层的基础设施。对此有网友调侃,开“猿”截流,降本增“笑”。
“有意见”留言板
@不倒翁:据说,有司机“收入超690亿”,有派单到千里之外。互联网带来了便利,同时互联网也充满BUG。感觉最近互联网事故越来越频繁。会不会带来一个不好的循环,未来试用互联网成本会越来越高?
@贰言:尽管滴滴APP遇到了技术故障,但百度和高德等其他应用程序在数字地图和出行服务领域同样表现出色,这表明没有任何一个软件能够垄断市场。对于滴滴来说,这次事件是一个警钟,凸显出他们需要更加重视系统的设计和维护,并投入更多的资源来提升服务的稳定性和用户体验。
@我也崩了:侧面反映出滴滴出行的受众群体还是很广的,鼓励行业竞争,给用户提供更多更好的出行选择。对于我这个打工人来说,通勤我只选择站地铁!!
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。