
如果一开始你没有成功,请不断努力。华硕正再次为其双系统设备的推出寻求突破口,而且通过这次的努力,华硕很可能找到了一种能够应对微软和谷歌反对的解决方法。
首先介绍一点背景知识。华硕在今年一月份举办的国际消费电子展(CES)上推出了一款Windows 8.1-Android双系统平板电脑/笔记本电脑变形设备。尽管该公司承诺称我们将在今年第二季度看到它,但至今这一设备还停留在概念阶段。
据悉,由于用户通过这一台设备便可在Windows和Android桌面间迅速切换,这使得无论是谷歌还是微软都不满意。
而在台北国际计算机展(Computex)会议上,华硕展出了全球首款五合一的变形产品Transformer Book V。不过这次,华硕在两个完全独立的硬件上运行这两个操作系统,从表面上来看,这使得微软和谷歌没有了任何反对的理由。
尽管有些混乱,CNET阿洛伊修斯·洛(Aloysius Low)这样描述了这款五合一的变形产品Transformer Book V(见底部图片):“这是一款能够将平板电脑切换成Android平板电脑的Android手机,它不仅能够运行Android操作系统,同时也能独立运行Windows 8.1操作系统。”
简而言之,这是一台配有键盘的Windows 8.1平板电脑,当用户将Android手机插入设备后端时即可将其切换成一台Android平板电脑(见顶部图片)。
此外,这部手机的规格是相当令人印象深刻的。它采用英特尔全新的四核64位Moorefield Atom处理芯片,支持LTE功能,2GB内存,配置一块分辨率为1920×1080像素的5英寸显示屏,64GB存储空间,运行Android 4.4 KitKat操作系统。
而这台五合一变形设备的平板部分采用的则是英特尔酷睿系列处理器,并配置一块12.5英寸的显示屏,不过分辨率只达到了高清。或许这是由于在Android平板模式下,此时Android手机的处理器正在运行,因此其分辨率就降为了高清(1280×720像素)。
然而,消费者会购买这样一款将这么多不同设备拼凑在一起的产品吗?而且,所有这些设备一起运行会怎样呢?
未来我们将能够得知这些答案。不过就目前看来,华硕似乎已经成功做到了一件事:令谷歌和微软沉默。
华硕、微软和谷歌均未对此予以置评。
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。