卡车初创公司 Harbinger 虽然还是一家相对较新的公司,但其电动汽车平台的灵活性已帮助其在不同业务领域赢得了另一个客户。这次,Harbinger 的底盘将用于拥有 70 年历史的 Frazer 公司的紧急救援车辆。
两家公司周三宣布,Frazer 将在 Harbinger 平台的混合动力版本上制造救护车,以及更大型的移动医疗车辆。Frazer 还将成为 Harbinger 新能源存储业务的客户,这项业务是该初创公司今年早些时候与 Airstream 合作推出的。
这项协议表明,像 Harbinger 这样的公司在电动和混合动力车辆方面正在取得成功,尽管美国乘用车市场面临阻力。另一家位于底特律的初创公司 Grounded 本周透露,它与高露洁合作开发了一小批移动牙科护理车辆。
Harbinger 成功的关键在于其灵活的平台,联合创始人兼首席执行官 John Harris 在接受 TechCrunch 独家采访时表示。这个简单的卡车底盘可以根据客户需求缩短或加长,如果需要,Harbinger 还可以加装增程燃烧发动机。Harbinger 成立仅几年时间,但这一个平台已经为房车(与 THOR Industries 合作制造)、联邦快递送货车、小型箱式卡车设计以及现在的救护车提供动力。这帮助公司迄今为止筹集了超过 3 亿美元资金。
Harris 说:"如果你看看厢式货车和房车的使用案例,我们有三种轴距、四种不同的车辆总重量等级,以及四种不同的动力系统选项,配备四个、五个或六个电池包,再加上所有这些产品的混合动力版本。我们有 99.5% 的零部件通用性。这就是游戏规则的改变者。"
Frazer 首席执行官 Laura Griffin 告诉 TechCrunch,切换到 Harbinger 的混合动力系统——主要以电力驱动但利用汽油发动机为电池充电——是明智之举,因为这有助于降低客户的总拥有成本并提高运行时间。
她说:"我们一直在寻找能够提升最终用户体验的创新技术,我们的最终用户通常是市政当局、911 机构、医院。他们使用的成本与其他中型底盘相当,所以这满足了我们的所有要求。"
Griffin 表示,Frazer 将从 Harbinger 购买基于电池的辅助动力单元,并将其用于较新的混合动力紧急车辆以及较旧的燃烧版本。这些将取代标准发电机,可以帮助急救人员(或移动医疗车辆的用户)在现场为医疗设备供电,而无需从车辆的电池组或燃烧发动机中抽取能量。
Griffin 说:"例如,在紧急车辆后部,在救护车中,你可以想象有很多设备,所有添加的最新、最先进的设备往往都是基于电力的。因此,我们正在寻找不一定与底盘相关联的充足清洁电源。"
Harris 认为,无论 Frazer 购买多少混合动力车辆,这都将成为一项重要业务,因为辅助动力单元无论采用何种动力系统都很有用。
他说:"这将是一个更快的增长曲线,因为有数千辆救护车。"他还关注其他行业,特别是在 Harbinger 总部所在的加利福尼亚州,那里对使用汽油发电机的限制越来越多。
他说:"我们看到很多人表达兴趣,说他们不想让操作员一天 12 小时与距离 6 英尺的发电机为伴,他们很乐意用电池省钱。他们希望减少排放。"
Q&A
Q1:Harbinger的电动汽车平台有什么特点?
A:Harbinger的平台具有高度灵活性,简单的卡车底盘可以根据客户需求缩短或加长,还可以加装增程燃烧发动机。该平台拥有99.5%的零部件通用性,可以为房车、送货车、箱式卡车和救护车等多种车型提供动力。
Q2:Frazer为什么选择与Harbinger合作制造混合动力救护车?
A:Frazer选择Harbinger的混合动力系统主要因为它能降低客户的总拥有成本并提高运行时间。该系统主要以电力驱动但利用汽油发动机为电池充电,成本与其他中型底盘相当,满足了市政当局、911机构和医院等最终用户的需求。
Q3:Harbinger的辅助动力单元有什么用途?
A:Harbinger的电池辅助动力单元将取代标准发电机,可以帮助急救人员在现场为医疗设备供电,而无需从车辆的电池组或燃烧发动机中抽取能量。这些设备既可以用于新的混合动力紧急车辆,也可以用于较旧的燃烧版本车辆。
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。