
可穿戴式设备从两年前便开始兴起,可惜的是一直没有突破性的进展。回望2013年,可说是可穿戴设备的元年,国内也有几款设备进入了我们的视线,只不过可穿戴式设备并没有因为这几款设备的出现而普及。
纵观2014CES,给我们展现最多的就是可穿戴式设备,不难看出可穿戴式设备经过了这两年的发展,正在蓄势待发,未来不久就会迎来一轮爆发,成为比智能手机还火热的主流产品。今天映趣科技为我们带来了几款智能手表产品,其中最让人关注的就是采用全彩透明柔性屏幕的inWatch X 智能手表。此前映趣科技曾于2013年8月推出过首款只能腕表inWatch One。
inWatch智能手表
作为目前全球首块能够量产的全彩透明柔性屏,已经被应用于inWatch X显示屏,这也是映趣科技给我们带来的惊喜之一。同时透明液晶作为下一代概念级产品,已经在全球引起极大关注,展示屏在发布前一直处于严格保密状态,其原由就是‘透明’这一看点足以震惊行业。
在配置方面,inWatch X搭载1GHz处理器,运行定制化Android4.3系统,512MB的RAM,4GB存储空间,同时支持NFC,这款备受瞩目的产品将于今年4月份上市,售价2499元人民币。
此外,与inWatch X 同时发布的还有inWatch Z,依旧也是一款惊艳全场的产品。
inWatch Z拥有全金属前壳,蓝宝石盖板,陶瓷背板和TPSIV表带。搭载双核1.2GHz A7处理器,配备协处理器,高效节能,内置电池电量为580毫安,可待机300小时,正常使用8小时。inWatch Z屏幕分辩率为240 x 240,半透明半反TFT屏幕。同时配备500万像素摄像头支持独立sim卡,并搭载微型9轴传感器。另外其纳米防水技术,达到了IP7等级。
这款inWatch Z搭载的系统是基于安卓4.2深度定制的ROOM和固件,同时在手机端也有一款名为inclub的APP可管理手表。这款手表2014年1月正式量产上市,售价为1788元人民币,
同时亮相的还有inWatch One C、inWatch Junior以及两款分别为儿童和老人定制的inWatch Kid和inWatch Health Care。可穿戴设备真的在一点一点慢慢向我们靠近,并会在不久的将来频繁出现在我们的生活当中。
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。