CNET科技资讯网 4月21日 北京消息(文/周雅):中兴昨日发布ZTE A910、ZTE V7 MAX两款智能手机,主打品质与体验的中端市场,面向年轻时尚人群,售价分别为1799元起和1299元起。
这是自2015年中兴终端宣布打造精品战略后, 以母品牌ZTE系列命名的首批产品,至此,整体中兴品牌精品化战略布局完整。
定位年轻时尚群体 补齐精品化战略
ZTE V7 MAX采用MTK P10 8核1.8GHz芯片,3GB RAM+32GB ROM(高配版4GB RAM+32GB ROM),5.5英寸1080P分辨率屏幕,800万+1600万像素摄像头,支持PDAF相位对焦、支持多种场景一键拍摄和专业摄像模式等。接口方面采用了时下大热的Type C,3000毫安时电池,并支持快充。除此之外还搭配了DTS音效。
侧面指纹识别是ZTE V7 MAX最大的亮点,官方数据0.3秒即可解锁。侧边指纹模块加入了指纹加密、指纹解锁、指纹拍照、指纹接听、指纹支付等诸多功能。3D指纹功能实现了新的交互,支持上下滑动翻页。
中兴新机跟大多数这个价位的机器一样采取了2.5D弧面玻璃+全金属一体机身,厚7.22mm。不过与很多全金属机身的手机不同,V7 MAX没有用“白带”的方式处理天线问题,而是在机身背面上下两段采取了网格式的设计。共有典雅金、玫瑰金、皓月银三种颜色。3GB RAM+32GB ROM售1799元,4GB RAM+32GB ROM售1999元。
ZTE V7 MAX
ZTE A910采用1080P 5.5英寸AMOLED屏幕,厚6.9mm,全金属一体化中框设计,采用了方便握持的月弧抛线设计。指纹识别同样是0.3s解锁,支持360°全角度识别,支持不同手指快速启动APP。
ZTE A910与中国银联合作,支持NFC云闪付。有金、银、深空灰三种颜色,2GB RAM+16GB ROM售1299元,3GB RAM+32GB ROM售1499元。
ZTE A910
“门店年”深耕渠道
中兴通讯执行副总裁、终端CEO曾学忠此前表示:“2016年,我们定义为中兴的门店年”,“中兴终端将借助系统BG在运营商方面的优势,整合多方资源,投入到零售客户的合作当中,促进产品销量的快速稳定的增长。”
为此,渠道建设、渠道的快速扩张成为中兴终端2016年重点发力方向。中兴的渠道战略覆盖全球,包括开放市场渠道、运营商渠道及电商渠道三大渠道,而产品线也根据三大渠道的不同进行调整。
此前,中兴在2015年深化布局精品路线,推出AXON天机旗舰系列,定位高端市场,面向运营商、公开渠道和电商三大渠道。2015年末,中兴将Blade品牌引入国内,承担手机新兴科技国民化普及的任务,以电商为渠道。
本次,中兴终端针对全渠道推出ZTE系列,实现与AXON天机、Blade系列在渠道和面向用户群体上的全面综合布局,为中兴2016年冲击7000万销量加力。
“ZTE系列将依托中兴在传统运营商渠道方面的深厚积淀,同时又开始向公开市场发力,通过运营商、线下连锁、线上电商合力,为中兴国内复‘兴’之路奠定最关键的基础,”中兴通讯副总裁、终端中国区总经理俞义方在发布会上表示,“2016年,借助中兴通讯的整体实力,进一步整合内部优质资源,发挥中兴在全球性的布局优势,国内抓住产品、品牌、渠道三大关键,实现突破式增长。”
中兴通讯副总裁、终端中国区总经理俞义方
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。