
在美国拉斯维加斯的CES 2015大会上,华硕召开了新品发布会,该公司董事长施崇棠推出两类新产品:混合式Windows PC和拍照型智能手机。
Transformer Book Chi系列均为笔记本+平板二合一可拆式Windows设备,拥有传统的翻盖笔记本电脑外观,同时可分离成平板电脑。鉴于该设备的处理器、RAM、显示屏及其他部件均组装在其屏幕后部,Transformer Book Chi笔记本电脑完全可以用作一台独立的Windows平板。
尽管Transformer Book系列产品本身已不再新奇,但Chi系列设备是全新的。Transformer Book Chi系列设备分三种尺寸:8.9、10.1和12.5英寸。不同于之前的Transformer Book系列的塑料外形,Chi系列设备采用全铝合金外观设计,部分产品搭载最新的英特尔Core M处理器。
Core M处理器主要为高端笔记本电脑、平板电脑和混合式设备而设计,节能高效,而Chi系列产品采用无风扇设计,轻薄且安静。
其中华硕Transformer Book Chi T300采用12.5英寸显示屏,屏幕分辨率分为1920×1080和2560×1440两种,均搭载英特尔Core M处理器,在美起售价分别为699美元和799美元,远远低于众所周知的联想Yoga 3 Pro,后者起售价为1199美元。施崇棠称之为他的“终极梦想机”,并将其12.5英寸版的Chi T300与MacBook Air进行了厚度对比。
华硕Transformer Book Chi T100配置10.1英寸显示屏,搭载英特尔低端Atom处理器,屏幕分辨率为1900×1200,在美起售价为399美元。
华硕Transformer Book Chi T90则配置一块8.9英寸的显示屏,作为该系列产品中最小的一款,其外观更接近于一台平板,不过还外带了一个可接键盘的小翻盖。其屏幕分辨率为1280×800,同样搭载英特尔Atom处理器,在美起售价为299美元。这三款产品均将于今年二月份上市,但尚未公布其国际价格及供货情况。
此外,为在二合一设备领域脱颖而出,该系列产品还支持蓝牙连接使用键盘。
除此之外,华硕还发布了一款全新旗舰智能手机ZenFone 2,以及一款主打拍照功能的ZenFone Zoom智能手机。
ZenFone 2搭载四核64位的英特尔Atom Z3580处理器,采用4GB运行内存。外观上仍选用金属质感同心圆设计,机身纤薄,仅3.9毫米厚,音量控制键移至手机后方,方便手指控制。ZenFone 2采用5.5英寸IPS显示屏,材质为大三代大猩猩玻璃(Gorilla Glass 3),提供全高清分辨率,主摄像头配备f/2.0大光圈镜头,1300万像素。
ZenFone 2运行谷歌Android 5.0 Lollipop系统,同时植入华硕ZenUI操作界面,其间包含新的手势控件(如滑动“e”型图标即可打开用户的电子邮件),以及大量自定义选项。
华硕ZenFone 2将于3月份在美国上市,售价为199美元。
除此之外,另一款ZenFone Zoom也是摄影师们的不二选择。这款智能手机配有一颗1300万像素的摄像头,并具备3倍光学变焦功能,以及光学防抖和快速激光自动对焦功能,可拍摄距离镜头最近五厘米的物体,华硕称之为世界上最薄的手机。
对高级用户而言,华硕为该手机配备了手动模式,允许所谓的“专业级”用户手动控制设置相机的ISO感光度、白平衡、快门速度及其他功能。这款手机将于今年第二季度在美国上市,售价为399美元。尚未公布其国际价格及供货情况。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。