
经历智能硬件元年的风波,“创客”一词越发成为物联网智能时代下的标志,他们是一群将思维创意变为现实的创造者。Marvell是一家面向联网设备和IoT领域的开发嵌入式无线解决方案提供商,10年的经验也让Marvell对于创新创客有着独特的见解。
昨日,Marvell携手坐落于北京中关村创业大街的IC咖啡举办“智能时代创客工作坊”,意在将已在全球创客圈具有一定知名度的IoT设备开发套件Kinoma Create带入中国,帮助推动中国的创客运动普及和IoT智能硬件创新。
Marvell技术支持总监孟树在本次“智能时代创客工作坊”上表示,“在中国有大批优秀的创客,他们的许多创意完全可以称之为颠覆世界的创造。尤其是大学生创客,他们充满青春正能量,思维活跃超前,许多创意都令人折服。Marvell一直致力于通过智能科技来改变世界,为创客们提供有力的支持是实现该目标最直接的方式之一。”
其实,最早“创客”一词来源于英文单词“Maker”,是指出于兴趣与爱好,努力把各种创意转变为现实的人。尽管国内创客文化晚于国外发展几年,但随着互联网的发展和开源硬件的兴起,国内的创客文化逐渐积累并活跃起来,以北京、上海、深圳为三大中心的创客文化圈也随之形成。

在此次工作坊活动上,孟树还重点介绍了Marvell EZ-Connect平台——这是目前业界最完整成熟的软硬件一体的物联网方案平台。该平台包括MW300(WiFi+微控制器)、MB300(蓝牙+微控制器)和MZ100(ZigBee+微控制器),在硬件上实现了Wi-Fi、蓝牙、ZigBee三种互联技术的优势互补,可帮助合作伙伴针对自身需要进行针对化的设计与开发。
Kinoma Create是Marvell另一个针对创客的IoT硬件开发套件。Kinoma是一个开源软件平台,它能够帮助开发人员在空前广泛的数字设备(从手持设备到IOT设备)上快速创建和部署有联网需求的应用程序。将Kinoma作为基础平台后,开发人员可以专注于创新的个性化应用程序,充分发挥底层硬件的全部功能。
而Kinoma Create盒子是Marvell于2014年推出支持JavaScript的物联网(IoT)设备开发套件,其使命是助力产生下一波互联设备原型。Kinoma Create提供专业开发人员体验,整合了强大、易用、快速的硬件、软件和工具。
针对中国市场,Marvell也将于近日正式面向全国大学生启动Marvell最强创客挑战赛。
Marvell公司的Kinoma部门技术专家将支持本次活动,为进入复赛的队伍免费提供Kinoma Create硬件开发条件以及全方位的技术指导,帮助参赛者完成自己的创意和设计。参赛者可自行组队参赛,进入决赛的小组将可受邀参加决赛夏令营,最高3万元的奖金以及面试Pass卡和实习机会作为决赛前三名小组的奖励,同时“最具团队默契奖”、“最具市场价值奖”、“最具创意奖”等奖项将分别作为奖励来鼓励和认可参赛的队伍。
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。