2025年2月5日,北京——日前,在2025年春节档电影市场捷报频传之际,中影科技(北京)有限公司(以下简称“中影科技”)宣布具有自主知识产权的全新产品中影CINITY LED CFL-10(10米CINITY LED放映系统)于1月30日成功获得数字电影倡导组织(Digital Cinema Initiatives, 以下简称“DCI”)最新的CTP1.4.1认证证书,成为全球首款获得该认证的LED电影放映系统,也是目前全球唯一获DCI认可的HDR(高动态)LED放映系统,不仅填补了全球DCI LED(直显)放映设备最高认证的空白,更标志着中国电影放映技术和装备在高端电影放映领域占据了全球领先地位,为全球电影行业树立了“专业级”LED放映技术新标杆,这是中影CINITY自主创新又一重大成果,也是中国电影科技领域又一重大突破。

图为中影CINITY LED通过DCI CTP1.4.1认证公告
DCI作为全球数字电影行业的权威检测认证机构,负责制定和更新数字电影系统的符合性测试认证规范CTP(Compliance Test Plan)。2023年2月,DCI发布CTP1.3.3,中影CINITY LED CFL-16(16米CINITY LED放映系统)则于2023年8月获得了该检测认证规范的证书,是全球首款通过此高认证标准的LED电影放映系统。随后,中影科技陆续获得了CFL-20、CFL-14、CFL-7等系列LED放映系统的DCI CTP1.3.3认证。
2024年4月,为了应对显示技术革新与市场需求升级的趋势,DCI发布了当前全球数字电影放映设备的最高认证规范——CTP1.4.1,认证类别包括传统的投影放映技术和新一代的直显式LED放映技术,两种技术又细分为SDR(普通动态范围)和HDR(高动态范围),其中HDR直显式LED放映技术是最高标准类别,涵盖亮度、低灰、色域、对比度及均匀度等关键指标,需要在软硬件方面投入更多的研发资源、技术力量和时间成本才能满足众多严苛的技术指标和要求。
中影科技与合作伙伴整合最先进的LED灯珠、驱动、控制、算法、服务器对接等资源与技术,全力对服务器、LED电影屏、控制系统、3D系统等方面进行联合技术攻关,最终中影CINITY LED CFL-10全部达到了DCICTP1.4.1认证要求,尤其是达到了DCI认可的HDR要求,除此以外其中部分指标还优于认证要求,其画面的亮度、帧率、HDR、色域等表现力达到电影级的巅峰水准,能够精准还原色彩层次、呈现更丰富的亮暗部细节、展现更连贯丝滑的快速动作。截至目前,中影CINITY LED是唯一能够达到CTP1.4.1规范的电影放映品牌,中影科技又一次引领了全球电影行业在该领域的技术进步与发展,该证书的获得和该产品的推广应用,将推动我国乃至全球影院放映技术和设备的提质升级以及观影体验的变革。

图为中影CINITY LED CFL-10获得的DCI CTP1.4.1认证证书
此次中影CINITY LED放映系统成为全球首款获得DCI CTP1.4.1认证的LED电影放映系统,也是目前全球唯一获DCI认可的HDR(高动态)LED放映系统,标志着以CINITY为引领的国产自主知识产权技术和品牌的进一步升级,中国电影工业通过在技术层面的换道超车,实现了从“技术跟随”到“技术引领”的转型。未来,借此先发技术优势,秉承“技术+品牌”双引擎策略,中影科技将继续创新发展,加速高附加值市场和全球化布局,为中国电影行业摆脱长期以来对进口技术和设备的依赖提供硬实力支撑,助力中国电影产业在高端放映设备等领域掌握更大话语权,为实现我国电影强国的宏伟目标贡献力量。
好文章,需要你的鼓励
Brown大学等高校联合研究团队开发了Causal-JEPA系统,采用"蒙眼训练法"让AI学会因果推理。通过故意隐藏部分物体信息,迫使AI理解物体间真实相互作用而非简单记忆模式。结果显示假设性推理准确率提升20%,机器人控制仅需传统方法1%计算资源且速度快8倍。该方法从理论上证明了自监督学习中因果推理的有效机制,为AI真正理解物理世界开辟新路径。
MWS AI基础研究中心联合ITMO大学开发的COMPOT技术,通过正交字典学习和智能分配策略,实现大型AI模型高效压缩。该方法能在保持80-90%性能的同时,将模型体积压缩到原来的20-60%,显著降低存储和计算需求,为AI技术普及奠定基础。
这项由斯坦福大学和Meta超级智能实验室联合开展的研究,首次让AI具备了类似人类的多轮思考和自我改进能力。UniT系统能够像熟练工匠一样反复审视和完善作品,通过验证、分解任务和记忆内容三种认知能力,实现了图像生成质量的显著提升,为AI向真正智能化迈进开辟了新路径。
韩国电子通信研究院联合多家机构提出TAROT框架,通过四级测试体系实现编程AI的个性化训练。该框架根据AI模型能力特征定制学习策略,小模型从基础开始,大模型直接挑战复杂问题,在多个基准测试中取得3-6个百分点的性能提升,并显著改善训练稳定性和效率。