CNET科技资讯网 4月26日 国际报道:微软试图在平板电脑领域有所创新,下一代的Surface都有哪些消息呢?
经过多年开发以及花费数百万美元广告费宣传,微软试图说服我们,平板电脑可能取代笔记本电脑,2015年,微软最终发布Surface Pro 4。搭配强劲处理器,完美尺寸显示器和不错的外观,以及几样重要附加配件,Surface成为Windows平板的标杆。
Windows 10的到来最终进一步巩固了这种地位。
事实上,令人吃惊的是,Surface产品线已经变成开创性的产品类别中的一员。苹果iPad Pro和谷歌Pixel C借鉴了Surface的键盘与多任务功能,该功能在Surface 2012年上市的时候一同发布。
下面就是Surface Pro 5的一些传闻。
微软2015年10月发布了Surface Pro 4;同月开始上架销售。Surface的10款品牌中,有6款是在当年10月上市的。一代Surface Pro是在1月上市,而Surface Pro 3则于6月上市。
有篇报道说,微软可能在6月份就会发布下一代的Surface Pro,而苹果将在2016年6月13日公布下一代的MacBook Pro型号,同时举办全球开发者大会。
最大问题在Windows上。ZDNet微软专家Mary Jo Fole报道,微软已经将Windows 10的重要升级推迟到2017年初。她说,推迟的主要原因是为了配合新设备的出来。如果是这样,微软届时会用内部的概念产品来演示操作系统的新升级。
Foley认为,Surface Pro 5的上市日期为2017年初。
现有的Surface Pro 4已使用了最新的第六代“Skylaker”英特尔处理器(Core m3, Core i5 或 Core i7)。Skylaker的接替产品,“Kaby Lake”要到2016年底才会上市。这进一步增加了Surface Pro 5会在明年初上市的可信性。
尽管售价不菲(129美元),键盘已经成为Surface操作体验不可分割的组成部分。实际上,我们很难在微软广告或新闻发布会上没见到键盘出现,不过,不知道出于什么原因,微软还是没有打算将键盘作为Surface的随机标配出售。微软会象三星TabPro S那样将键盘成本放进Surface Pro5的基础价格当中吗?不是没可能哦。
触屏笔是随机标配,现有的触屏笔由三代的塑料固定件升级成了更优雅的磁性固定附件。今年1月,Patently Mobile披露说,微软已经申请一项Surface触屏笔与扩展坞充电的专利。专利申请文件显示,Surface触屏笔的AAA电池或纽扣电池会被充电电池代替。
苹果iPad Pro触屏笔也是类似的可充电设计。
Surface Pro 5可能会配备USB C接口,目前的Pro 4为USB 3.0接口,Mini DisplayPort视频输入,一个迷你SD读卡器插槽,一个音频接口。
坦率来说,Surface Pro 4的价格偏高,入门级的Surface Pro价格899美元,这种电脑内置了英特尔Core M3处理器, 128GB 固态硬盘和4GB内置,外加一支触屏笔。更好的一种配置,内置英特尔Skylake处理器,价格升至999美元;硬盘增加到256GB,内存8GB,价格为1299美元。
选配更快的处理器,更大容量硬盘,价格会飙到2000美元。
News Everyday报道说,内置Core的Surface Pro 5起价899美元,Core i7型号起价999美元,内置I7极限版处理器的型号价格1599美元。
非专业的Surface 3在2015年4月份进行了升级。新版Surface的升级可能在今年进行。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。