在新款手机集中发布的这个时段里,一加没有发布新品,而是发布了一款手机OS——氢OS。一加科技创始人兼CEO刘作虎称,他希望氢OS可以成为一个和其他安卓操作系统不一样的操作系统。
一加手机自上市至今,一直在硬件上有高追求,国内版一加手机出厂预装Color OS,国外版出厂预装的则是CM,现在,一加正式推出了基于安卓5.0深度定制的一加氢OS,希望能够变成和苹果iOS不同的操作系统。
刘作虎毫不客气的指出,从商业角度考虑,改得更像iOS或许是一个安全正确的选择,但同时这是懒惰、不创新、不思考的表现,这不是一加的性格。
不愿走其他深度定制安卓的老路,刘作虎推出的氢OS基于安卓L深度定制,将设计语言统一于Material Design(简称MD),强调明亮的艺术化色彩和灵动的交互。
在MD出现之前,原生安卓系统并没有统一的设计风格和规则。在刘作虎看来,拥抱Material design,是对安卓的尊重。
发布会现场,刘作虎演示了一些氢OS让他得意之处。
氢OS在Material Design的交互框架之上,用基础的图形、颜色和动效打造高效、有趣的设计,一加称这种这种全新的设计理念为“氢表达”。市面上许多手机OS都是非拟物既扁平的设计风格,并且很多OS都模仿iOS用圆角矩形的图标样式。氢OS不是简单而绝对的扁平化或拟物化,刘作虎现场说Material Design“不模拟现实,但构建真实”,而氢表达正是一加对这种独特设计理念的自我解读。
一加氢OS有一个非常独特的首屏界面:创新的氢视窗位于屏幕上半部分,占整体约1/3的大小,辨识度相当高。氢视窗最独特的就是它集成信息进行展示的功能。这个功能类似于安卓此前的widget,不同的是widget是单一APP的信息提示,而氢视窗里能看到的则是整合了诸如短信、待办事项、通知提醒等各个APP的集成信息,并以时间轴的形式呈现,这种呈现方式更加美观高效。
同时,利用氢视窗切换壁纸时,壁纸图片只会在氢视窗里展示,同时氢OS会通过算法抓取图片的色彩,并将它深化到全局。刘作虎称氢视窗是“实现了33%的自由,完美解决了自由和美感之间的矛盾。
一加氢OS还将“滑动之美”这一概念深入到了整个系统当中,“滑动之美”是氢OS非常核心的一个交互理念。目前最常见的解决单手操控大屏的方案多是下拉悬停或切换小屏,氢OS的“滑动之美”则为用户单手操控大屏手机提供了更好的操作体验。
用户可以依靠滑动来完成许多操作,例如桌面上各个文件夹之间可以滑动切换,滑动拉近通知中心里靠近顶部的内容,桌面界面下滑呼出搜索界面,滑动以接听/挂断电话,相册内下滑返回缩略图等等。滑动之美兼顾了操控性体验和大屏的显示优势。
手机上各类APP的通知推送,会耗费用户不少精力和时间。一刀切的解决方式显然不太人性化,为了让控制力重新回归到用户手上,氢OS打造了全新的通知处理方式——通知降噪。用户将APP添加进优先区域内,即可及时收到通知推送,而非优先区域内APP的通知则不能被随时推送。
出于整体美观度和完整性的考虑,一加氢OS取消了其他OS通用的Dock栏设计。氢OS首屏共能放置9个常用的APP,对于日常使用已经足够,而一旦用户装载了几十甚至上百个APP的时候,下滑呼出搜索栏的操作更加高效。
氢OS对联系人头像进行了精心设计。在多数OS中,默认的联系人头像通常是千篇一律的半身像。氢OS从诸多建筑中汲取特殊结构,针对26个字母进行特殊设计之后,分别与8组撞色进行搭配,使得每一屏里的联系人头像都是独一无二的。这些头像还能以卡片滑动的形式呼出。
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。