CNET科技资讯网 1月4日 北京消息:高通今日在CES 2017(国际消费电子展)上与ODG(Osterhout Design Group)共同宣布,其R-8和R-9将成为首批发布的搭载骁龙835处理器的终端。骁龙835采用10纳米FinFET制程技术,支持外形小巧的下一代顶级消费类终端。
ODG是移动头戴式计算与增强现实技术和产品的开发商与制造商,R-8是ODG推出的首款消费级移动AR/VR智能眼镜,面向“尝鲜型”消费者;R-9则面向各种类型的宽视场(FOV)体验,包括从轻型企业级到准专业级的媒体消费,并可作为面向高级移动AR/VR和智能眼镜应用的开发平台。
高通产品管理高级副总裁Raj Talluri表示:“骁龙835处理器从设计之初便旨在支持除智能手机之外的、全新的创新产品与体验,在重度计算但外形小巧的终端上实现散热十分困难,所以更高的能效表现是其必要条件,骁龙835处理器基于10纳米工艺节点,并融合了高通系统级芯片(SoC)设计专长,帮助ODG实现了他们的设计目标,开发出了更轻薄、更小巧和更精致的智能眼镜。”
骁龙835结合了Qualcomm® Kryo™ 280 CPU与高通更多的低功耗、高性能处理技术,能面向各种用户体验支持长时间续航,例如AR和VR、聆听高保真音频、观看高清视频、玩游戏和使用相机/摄像机。骁龙835是一颗支持Ultra HD Premium的移动处理器,支持全4K/60fps、10位HDR10/HEVC视频解码,以及直接向10位广色域4K显示输出的HDR图形渲染和显示。
ODG创始人和首席执行官Ralph Osterhout表示:“随着消费者对移动终端的期望越来越多,我们看到面向移动计算新时代的转变正在发生。这不仅仅是终端的转变,而是出现了一种全新的计算工具,将改变我们彼此互动、发现信息并与周围世界中的人和对象建立联系的方式。骁龙835处理器将加速实现我们长久以来为之努力奋斗的目标——为消费者带来独立、轻巧和强大的头戴式计算终端,提供令人惊叹的视觉体验。我们很荣幸能与高通合作,并率先宣布在我们的终端中集成了这项最新的技术。”
R-8将移动虚拟计算的强大功能带给了消费者。通过40˚以上的FOV和高清分辨率,追求创新的消费者可在智能眼镜上享受熟悉的电影、体育赛事、游戏、导航和教育体验,而这款智能眼镜将比ODG产品组合中的任何其他终端都更轻薄、更小巧和更精致。无论你身在何处或如何移动,R-8都能为你提供视野中的私人屏幕,并通过增加AR、VR和混合现实叠层的维度,实现更丰富的计算体验。
R-9基于ODG屡获赞誉的50° FOV和1080p Project Horizon平台打造,曾获得“国际消费电子展创新奖”三个类别的奖项。它旨在面向各种类型的宽视场(FOV)体验,包括从轻型企业级到准专业级的移动媒体消费,同时也是一款面向高级移动AR/VR和智能眼镜应用的开发平台。
这两款终端均受益于高通骁龙虚拟现实软件开发工具包(VR SDK),例如硬件加速和基于视觉惯性测距的六自由度(6DOF)运动追踪。
值得一提的是,骁龙835现已投入生产,预计将于2017年上半年搭载于商用终端中出货。
关于ODG
ODG于1999年作为技术孵化器创建,总部位于旧金山,目前是移动头戴式计算与增强、虚拟和混合现实技术和产品的开发商与制造商。ODG由私人控股。2016年12月,它宣布获得包括二十一世纪福克斯(21st Century Fox)、深圳欧菲光科技股份有限公司(Shenzhen O-film Tech Co., Ltd.)和万方城镇投资发展股份有限公司(Vanfund Urban Investment & Development Co. Ltd.)投入的5800万美元A轮融资,这是可穿戴设备、增强现实和虚拟现实领域有史以来规模最大的A轮融资。
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。