
CNET科技资讯网 3月23日 国际报道:苹果推出吸引企业级客户的新策略:尺寸越来越小。
虽然那些巨型公司或其他集团组织想要的是一款能专注于生产力的平板,小屏设备不见得是其绝佳选择,但在本次发布会上,苹果公司已毅然将其在去年11月份发布的庞大而笨重的12.9英寸iPad Pro缩减到了9.7英寸,希望以此来吸引更多用户。
目前,32GB版的9.7英寸iPad Pro起价为600美元,配置最高的256GB版售价为900美元。该设备将在今年3月31日正式发售。
在周一的发布会上,苹果CEO蒂姆·库克(Tim Cook)表示:“(iPad Pro)有着如此强大、得力的性能,它确实是个人电脑的未来。”
近来,人们对已经不再钟情于平板电脑了。整个平板市场都受到了影响,尤其是在各大制造商推出的手机屏幕变得越来越大后。苹果也未免于难。iPad的销量在过去两年内一直呈自由跌落状态。苹果曾寄希望于其第一代iPad Pro,希望它能够吸引企业级用户挽救iPad的销售,结果还是未能如愿,它依然没能流行起来。上年最后一个季度,iPad销量下滑了25%,跌至1610万台。这标志着iPad销量已连续第八个季度较上年同期有所下降。
或许更加深入利润丰厚的企业级客户领域也不失为拉动苹果滞后的iPad业务的一个方法。如果能向iPad设备中添加更多更为实用的功能,例如能同时查看两个应用或允许将设备连接到手写笔等,也不失为一个很好的挽救办法。苹果Apple Pencil手写笔的推出,也是为了吸引艺术家或平面设计师之类的创意型用户。
苹果的竞争对手,例如谷歌,也有着相同的想法。去年12月,谷歌公司针对企业级用户推出了一款混合型笔记本+平板电脑Pixel C(C代表可转换)。它配有一个可拆卸的键盘,并搭载谷歌Android移动操作系统。在开发人员于本月早些时候发布的最新版本Android软件中,谷歌也允许用户像使用iPad Pro那样同时对两个应用进行操作。
不过,在本次发布会上,苹果似乎还意识到点别的东西:也许有些人并不想要一个超级大的屏幕。(于是该公司还发布了其两年多来的首款小尺寸iPhone——4英寸的iPhone SE。)
新平板设备中加入了新特性,一个名为True Tone的工具,能够根据用户房间内的照明条件自动调整设备屏幕的颜色。这一想法旨在令屏幕拥有更暖或更冷的色调,就像我们在不同的环境中看到的纸的颜色。该平板还具备防止手掌误触软件,因此你在进行绘画时,可以将手放在屏幕上。
此外,新版iPad Pro还配有一个1200万像素的摄像头,可以拍摄4K高清视频。除了银、金、灰三种颜色可以选择外,该平板还首次推出了玫瑰金版。
苹果国际市场高级副总裁菲尔·席勒(Phil Schiller)表示,苹果这款新平板也将针对Windows用户推出。他指出,如今已有6亿台仍在使用中的电脑已超过五岁。席勒说道:“对Windows用户而言,他们中的许多人都会发现iPad Pro将是他们的终极PC替代品。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。