DoorDash于周四宣布推出全新的独立"Tasks"应用程序,该公司将通过这款应用向配送员支付费用,让他们完成旨在改进人工智能和机器人系统的任务。配送员可以通过完成拍摄日常任务视频或录制自己说其他语言等活动来赚取收入。
"这些数据有助于人工智能和机器人系统理解物理世界,"DoorDash在博客文章中写道。"报酬会预先显示,并根据活动的努力程度和复杂性来确定。"
据彭博社报道,工作人员提交的原始音频和视频素材将用于评估该公司的内部人工智能模型,以及其在零售、保险、酒店和技术领域合作伙伴开发的模型。
任务的一个例子是要求配送员佩戴随身摄像头,拍摄自己洗至少五个盘子的过程,每个干净的盘子都要在镜头前停留几秒钟,然后再继续下一个。
DoorDash并不是唯一一家利用其配送员工来训练人工智能模型的公司。去年年底,Uber宣布计划让司机通过完成小任务来赚取额外收入,比如上传照片来帮助训练人工智能模型。
除了独立的Tasks应用程序外,配送员还将在Dasher应用程序上看到新的数字"Tasks"列表。例如,通过拍摄餐厅菜品的真实照片来帮助餐厅展示其菜单,或者拍摄酒店入口的照片,以便配送司机更容易找到送货地点。DoorDash与Waymo的合作伙伴关系也在应用程序中被列为任务,配送员可以通过关闭自动驾驶汽车的车门来获得报酬。
DoorDash Tasks总经理Ethan Beatty在博客文章中表示:"Tasks的目标是帮助更多企业了解实地情况并收集新见解,同时为配送员提供一种按照自己的条件赚钱的新方式。有超过800万名配送员几乎可以到达美国任何地方,他们希望在配送之外灵活地赚取收入。这是数字化物理世界的强大能力。"
应用内Tasks和独立的Tasks应用程序目前在美国特定地区可用,不包括加利福尼亚州、纽约市、西雅图和科罗拉多州。DoorDash计划未来扩展到更多任务类型和国家。
Q&A
Q1:DoorDash的Tasks应用是做什么的?
A:DoorDash的Tasks应用是一款独立应用程序,通过向配送员支付费用让他们完成特定任务来改进人工智能和机器人系统。配送员可以通过拍摄日常任务视频或录制自己说其他语言等活动来赚取收入。
Q2:配送员在Tasks应用中需要完成哪些类型的任务?
A:任务类型包括拍摄日常活动视频(如洗盘子过程)、为餐厅菜品拍照、拍摄酒店入口照片帮助配送定位,以及协助Waymo自动驾驶汽车关门等。报酬会根据任务的努力程度和复杂性预先确定。
Q3:Tasks应用目前在哪些地区可以使用?
A:应用内Tasks和独立的Tasks应用程序目前在美国特定地区可用,但不包括加利福尼亚州、纽约市、西雅图和科罗拉多州。DoorDash计划未来扩展到更多任务类型和国家。
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。