科技行者 2月28日 北京消息:26日,紫光展锐“5G所向 价值所往”主题2020春季发布会,以线上发布的形式举行,向全球展示最新成果。在发布多项重磅技术和产品的同时,也对搭载紫光展锐T7510的海信首款5G新机F50进行了预热发布,并揭秘了新机F50的部分精彩看点。这是双方在5G终端方面通力合作上的又一重大突破,对于推进5G手机商用有着重要意义。

强核内芯澎湃动力,随时随地畅享5G
海信F50配备的紫光展锐强劲内芯虎贲T7510,是展锐首款5G解决方案。它由展锐首款5G基带芯片春藤V510 + 虎贲T710应用处理器组合而成。春藤V510是紫光展锐在2019年2月的世界移动通信大会(MWC2019)上发布的首款5G基带芯片,支持2/3/4/5G多种通讯模式,符合最新的3GPP R15标准规范,可实现SA/NSA双模组网方式。虎贲T710则是紫光展锐在2019年8月发布的高性能AI应用处理器,得益于优异的架构和算力,曾在苏黎世联邦理工学院AI Benchmark跑分荣登榜首。
与市面已发布的众多手机不同,海信F50是一款真正意义上的5G手机。它集成度高,运算性能强,处理能效大幅提升,无论是多个APP的安装和启动,还是大型游戏加载,几乎都能瞬间完成。紫光展锐虎贲T7510采用支持SA&NSA双模组网,sub-6GHz频段,下载速度快、延迟滞后低、网络覆盖广,随时随地畅享5G高速体验, 同时支持4G全球频段,4G与5G无缝切换。另外,T7510支持基于深度神经网络的人脸识别技术,可实现快速精准的人脸认证,保护终端用户隐私及信息安全。
大电池+快充,超强续航告别电量焦虑
5G对于手机的续航和温控也提出了更高的要求。 海信F50搭载5010mAh大电池,拥有18W安全快充技术,快速补充电量,全天候保证充沛电量,从此告别低电量焦虑。海信F50还内置8mm超大散热面积,PC级高效的导热效率,可轻松缓解长时间玩机带来的发热问题,为手机的高效运行提供保障。不论是刷剧看视频,还是操控大型手游,关键时刻满血在线。
紫光展锐执行副总裁吴迪表示:“早在2019年初的世界移动通信大会上,展锐就与海信携手发布了联合开发的5G原型手机。真正的5G商用元年已经到来,高速流畅,畅享5G是用户最根本的需求,很高兴我们能够通力合作,让这款5G新机重磅问世。 紫光展锐竭诚期待在未来,能与海信继续合作,共同探索5G发展进程,加快5G商用的步伐!”
海信电子信息集团副总裁、青岛海信通信有限公司副总经理马小航表示:“紫光展锐是海信的重要战略合作伙伴。 即将上市的海信5G手机F50内置了紫光展锐硬核内芯虎贲T7510,集成度高,运算性能强大,是一款真正意义上的5G手机。”同时,他还表示:“海信作为一家拥有通信、电视、空调、冰箱等2C产业,光通信、智慧交通、智慧医疗、智慧家居等2B产业的集团公司,海信对于5G提出的三大场景:移动增强宽带eMBB、低时延高可靠URLLC、海量机器通信mMTC,都有着非常明确的需求,因此海信后续和展锐的合作将是全方位的合作,共同将中国的5G产业做大。”
写在最后
2019年6月,海信发布智能手机F30S,内置展锐优异芯片平台虎贲T310,面向国内市场。同月,海信移动终端新品Infinity H30lite,采用展锐芯片平台SC9863A,在南非成功发布。今年,海信F50的成功推出,是海信和紫光展锐深入合作的又一实力之作。作为两家在全球颇有影响力的中国企业,海信和紫光展锐的强强联合,不断打造出更多优质的产品和服务同时,势必也会加足马力,共同加快5G商用进程!
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。