
三星第一款Android平板电脑——7英寸的Galaxy Tab,价格并不便宜,但它拉开了小尺寸平板电脑的序幕,并有助于促使苹果开发了iPad Mini。更为重要的是,它为价格低廉的亚马逊Kindle Fire,以及许多价格在150美元(约合人民币922元),甚至100美元(约合人民币615元)以下的平板电脑的问世铺平了道路。
图:三星平板 Galaxy Tab
由于低端产品价格暴跌,三星、微软等高端品牌通过开发大屏幕平板电脑寻求价格战的避风港就不足为奇了。微软Surface Pro 3更是将显示屏尺寸提高到了12英寸,巩固了三星开启的大屏幕平板电脑趋势。微软和三星是继东芝后首批推出大尺寸显示屏的两个品牌。
目前所有眼睛都在盯着苹果。在9月9日新产品发布会前,有传言称苹果将很快推出一款配置更大尺寸显示屏的“iPad Pro”。目前苹果尚未披露大屏iPad的消息,但苹果有可能最早在10月份公布一款大屏幕iPad。
迄今为止,对于微软和三星来说,大尺寸平板电脑仍然是小众产品。但是,大屏幕平板电脑并不仅仅是显示屏尺寸大,苹果要推出大屏幕平板电脑,还需要解决下述问题:
多任务:首先,“Pro”意味着办公。微软和三星的大屏幕平板电脑都能同时在显示屏上显示多个应用,三星和LG的智能手机也具备这一功能。但迄今为止,尽管传言不断,但苹果iOS尚不支持同时显示多个应用,iOS 8也不支持这一功能。
键盘:微软和三星在大屏幕平板电脑上都很重视键盘的使用。Surface Pro 3的磁性Type Cover能提供更高的稳定性,三星也为其12英寸平板电脑提供了键盘。三星还对虚拟键盘的设计进行了改进,使之更像实体键盘,例如增添了光标键。尽管多家第三方厂商都推出了iPad键盘,但苹果尚未推出类似产品。
电磁笔:Surface Pro和the Note Pro都配备有精致的电磁笔。微软的电磁笔能使Surface Pro进入笔记模式,运行OneNote应用。尽管过去数年苹果申请了数件这方面的专利,但自推出第一代iPhone以来,苹果一直拒绝让iOS支持电磁笔。
价格:“Pro”型号产品也意味着高高在上的价格。配置酷睿i3芯片的Surface Pro 3售价799美元(约合人民币4911元),尽管低于Surface Pro 2,但仍然高于许多平板电脑。三星Galaxy Note Pro 12.2售价849美元(约合人民币5219元),但在其网站上的售价仅为799美元。事实上,考虑到电磁笔和键盘,这类产品的价格也不算离谱。
笔记本竞争:配置键盘和具备多任务功能,大屏幕平板电脑无疑是想“动笔记本的奶酪”。由于在笔记本市场上份额很小,三星会毫不迟疑地利用在Android设备市场上的优势蚕食传统笔记本市场。令人感到好奇的是,三星并未推出像惠普SlateBook x2这样的Android笔记本。在笔记本市场上,微软的既得利益也不大。苹果MacBook笔记本销售依然强劲,而且在继续投资开发新版OS X。尽管一再宣称“后PC时代”来临,但苹果并非真正对笔记本失去了兴趣,尤其是运行其操作系统的笔记本。
面对如此多棘手因素的苹果会何去何从?即使从内容消费角度看,大屏幕平板电脑能提供更有沉浸感的视频和游戏体验,它们针对杂志和活页乐谱等媒体进行了更好的优化。
更大尺寸的iPad Pro还会面临重量和握持等大屏幕平板电脑的通病。苹果使内容登陆更大尺寸显示屏的途径是廉价的Apple TV。
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。