新晋手机品牌ZUK于8月11日正式发布其首款智能手机Z1,8月18日上午10点,ZUK Z1手机正式登陆ZUK官方商城以及京东商城进行首发开卖,4万台手机短时间内即闪电售罄,据悉,此前Z1手机的预约量已超过200万台。

Z1手机如此火爆,很大原因上因为其顶级配置,其中引人讨论最多的一个是将安卓手机传统的返回、主页、多任务三键合一的U-touch功能,另一个就是其支持7模18频全网通了。
对于7模18频,大家更多的是好奇和不解。很多人在微博上提问,什么是7模18频?哪家的SIM卡都能支持吗?今天,我们就来给大家科普一下双4G、5模13频、三网通以及ZUK支持的7模18频有什么区别。
首先,模与频指的是通信模式和通信频段,支持的模式频段越多,手机兼容的网络环境也就会越多。这是背景。

双4G=5模13频
双4G其实和5模13频是一个意思,即支持中国移动和中国联通的2G、3G、4G网络,也就是4G。这样的手机只要插移动卡,就是支持移动的2G、3G、4G网络,如果插联通卡,就支持2G、3G、4G网络。个别机型因为支持FDD-LTE制式,所以中国电信的4G网络也是可以使用的,只不过不能使用中国电信的2G、3G网络。
三网通≠全网通
三网通,是一个通俗的说法,意为中国移动、联通、中国电信三网通吃,全部可以支持。但其实市面上很多号称三网通的全网通手机都是“伪全网通”手机,因为都是5模手机,对中国电信网络缺乏支持。
7模18频=全网通
ZUK支持的7模18频,即中国移动、联通、中国电信2G、3G、4G网络的7种通信模式,分别是GSM、CDMA、 TD-SCDMA、 CDMA2000、WCDMA、TD-LTE、FDD- LTE,也就是国内全部的通信模式。
中国的运营商都划分了不同的频段,同样世界上很多国家很多运营商也划分了不同的频段。手机支持频率越多,支持的网络就更多,手机的漫游性就越好。举个简单的例子,比如中国的4G手机,在中国运行在1900MHz这个频率上,当手机漫游到美国的时候,可能需要运行在2200MHz频率上,到法国又可能需要运行在1800MHz这个频率上。所以手机对多种频率的支持显得尤为重要。不然的话,如果中国手机出口到国外如果不支持当地的网络制式那就是个很大的问题了。
ZUK支持18个主流频段,可满足手机用户国内所有漫游需求以及部分国际漫游的需要。一机在手,再也无需为SIM卡与手机的匹配问题操心了。让你走到哪里都有最快的网,才是一个手机的本分。

ZUK的设计理念正是这样的:让每个手机都尽到自己的本分,才能让手机的使用变得更简单。比如,简单、流畅的操作体验,是一个手机的本分,所以ZUK设计出了三键合一的U-Touch键;再比如,续航能力强,充电快且方便,是一个手机的本分,所以ZUK采用了超过4000毫安时的大容量电池,提供强悍的续航能力,Type-C接口正反插设计,插头不分正反,随便插,USB3.0,2.5A大电流快速直充,还有相较于大容量电池来说相当“小巧”的身材,都给业内带来了极大的惊喜,也能怪其自发布以来好评不断了。
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。