#發佈
爆肝5000字,一文讀懂比亞迪的「顛覆性」發佈會
春節後「最炸裂」的汽車發佈會,被比亞迪徹底承包!3月5日晚,比亞迪舉行「第二代刀片電池暨閃充技術發佈會」,雷科技/電車通受邀來到現場參加報導。單看發佈會主題就懂,比亞迪這一次根本不玩虛的,直接亮出壓箱底的核心王牌,用電池和補能兩大核心,更是喊出了「改變世界」的口號。圖源:電車通攝製更炸的是,這場發佈會不止有技術,比亞迪全品牌更是直接發佈以下十一款新車:王朝網:宋Ultra EV開啟預售,大唐全球首發;海洋網:海獅06EV、海豹07EV上市,海豹08全球首發;方程豹:鈦3/鈦7 EV閃充版發佈;騰勢:全新騰勢Z9GT上市;仰望:新款U7、U8、U8L鼎世版上市。圖源:電車通攝製所有新車,都將搭載比亞迪本次發佈的全新頂尖技術。這場發佈會之所以足夠「炸裂」,不只是因為電池與補能技術足夠強悍,更在於比亞迪用一場實打實的發佈會,向行業證明一點:技術不僅要領先,更要真正落地、全面普及。閃充實測:常溫僅需9min,極低溫不到12min我們先不說那些複雜的參數,直接來看實測有多猛。這次測試在新建的比亞迪閃充站完成,在16℃的環境溫度下,鈦7 EV閃充版的SOC從10%充到97%,只用了9分鐘出頭,而且只有最後3%才進入涓流充電。圖源:電車通攝製這裡簡單解釋一下涓流充電:為保護電池、讓電量充得更精準,快滿電時充電功率會主動大幅降低,慢慢把最後的電量補滿。行業裡多數車型在80%左右就開始涓流,而比亞迪把這個節點壓到最後3%,幾乎全程高功率快充,將使用者等待充電的時間進一步壓縮。為什麼留到97%?王傳福表示,剩下的3%電量是留給動能回收用的,這樣可以提高能源利用率。為了讓大家更進一步瞭解此次充電的趨勢,電車通整理了此次實測的充電曲線,可以發現整條充電曲線非常接近線性,充電全程確實足夠快。圖源:電車通製作便捷性方面,比亞迪閃充站同樣做得十分貼心。站內充電樁整體更輕巧,力氣不大的車主也能單手操作。滑軌懸吊式T型樁設計,既能避免充電槍拖落在地,又能在左右移動時自動調整槍頭角度,適配不同車型的充電口位置,日常使用更順手、更省心。圖源:電車通攝製除此之外,比亞迪還展示了全新騰勢Z9GT在零下30℃的閃充表現。實測下來,車輛的SOC從20%充至97%,也只需要11分36秒,而且還獲得超1000km的續航補能。唯一遺憾的是,由於低溫艙環境溫度極低,官方轉播裝置因低溫凍僵失靈,導致充電資料中途斷檔,我們無法繪製出比亞迪閃充技術完整的極低溫充電曲線。圖源:電車通攝製不過這兩場實測已經說明問題:比亞迪閃充技術並非停留在實驗室的紙面資料,而是已在常溫、極寒兩大真實場景中,展現出領先行業的真實實力。「電車不過山海關」,已成歷史不願意買新能源車的消費者,有很大一部分都覺得充電遠不如加油方便。就算現在宣傳「喝杯咖啡就能充滿」,不少「燃油黨」依然對續航焦慮、長途補能麻煩、低溫續航打折等問題心存顧慮,始終沒感受到燃油車那種「說走就走」的踏實感,甚至還流傳著一句扎心的話:電車不過山海關。而現在,比亞迪閃充技術,直接把補能速度拉到了全新高度。按照官方資料,比亞迪閃充技術峰值功率已達到單槍1500kW,是目前全球公開的單槍最大功率。更關鍵的是,閃充站自帶低溫預熱功能,能讓電池始終保持在最佳充電區間。圖源:電車通攝製實測下來,真正做到了充電像加油一樣快、一樣輕鬆,以往大家對電車「慢、笨、冷」的刻板印象,被比亞迪閃充徹底打破。不止快,還穩。比亞迪閃充站搭載儲充一體系統,相當於一個「電能蓄水池」,在實現超大功率充電的同時,不會對電網造成衝擊,既高效又穩定。圖源:電車通攝製但很多人忽略了一點:再強的閃充,也得有能扛住極限快充的電池做底氣。而這份底氣,正是第二代刀片電池。針對使用者最頭疼的「冬天續航打折」痛點,第二代刀片電池在能量密度上提升5%,同時從材料與電化學體系全面最佳化,低溫放電性能大幅增強,續航縮水明顯縮小,帶來更紮實、更長的真實純電續航。另外在安全方面,初代刀片電池已經做到行業公認的「針刺不起火」,第二代刀片電池,則直接完成了快充、抗寒、安全三大維度的全面突破。尤其是安全,它成功通過了邊閃充邊針刺的極限測試,即便四節電芯同時觸發熱失控,整個電池包靜置24小時,依然不起火、不爆炸,順利通過嚴苛熱擴散試驗。圖源:電車通攝製簡單來說,比亞迪閃充站解決的是「補能快不快」的問題,第二代刀片電池解決的是「能不能一直充電快、一直安全、一直靠譜」的問題,把使用者最在意的續航、快充、安全、耐寒、壽命等要素,全部拉滿。比亞迪對第二代刀片電池的信心,也直接體現在質保上:相比第一代,其質保容量保持率提升2.5%,質保政策再度加碼,讓使用者用車更安心。充電速度快還不夠,充電設施跟得上才能讓更多使用者買單。官方表示,截至3月5日,比亞迪閃充站已經建成了4239座。按照規劃,比亞迪閃充站將在今年建成20000座:18000座為閃充城市站,與現有公共樁協同,實現城區90%區域5公里內必有閃充站;2000座為閃充高速站,實現高速路網每隔100公里一座,首批1000座計畫在五一假期前全部投用。圖源:電車通攝製王傳福直接放話:「用一年的時間,將充電樁建設數量幹到全國第一!」當充電速度追上加油、續航覆蓋長途、冬天不再虛標、安全始終線上,新能源車才算真正擁有了和燃油車平起平坐的底氣!四大品牌共同發力!十一款新車來了這場足以改變行業格局的技術革命,已經從實驗室徹底走向量產市場,這足以讓其他友商感到後怕。發佈會後半段,比亞迪直接一口氣亮相十一款重磅新車,覆蓋比亞迪、騰勢、方程豹、仰望四大品牌,將第二代刀片電池+比亞迪閃充技術全面下放,從家用到旗艦、從城市到越野、從親民到百萬級,真正實現高端技術全民普惠。話不多說,電車通直接帶你看懂,這十一款新車到底強在那。王朝網:大唐夠旗艦,宋Ultra EV的價格太有殺傷力王朝網是比亞迪的銷量主力,一口氣全球首發了大唐和宋Ultra EV兩款全新SUV。大唐是比亞迪王朝網的全新旗艦SUV,在第二代刀片電池和比亞迪閃充技術的加持下,大唐EV的最高純電續航可達950km,一舉成為全球純電續航最高的大型純電SUV。圖源:電車通攝製作為王朝網的旗艦SUV,大唐的尺寸沒得說,套內面積超過6平方,車內採用2+2+3的七座座椅佈局。另外在配置方面,大唐擁有29項全球第一的技術或配置,比如3.9s破百,王朝家族首款搭載後輪轉向技術的車型,最小轉彎半徑只有5.2m,還有雲輦-A、帝瓦雷音響、雙零壓重力座椅等等,大部分豪華配置都搭載上了。按照規劃,大唐將在今年上半年上市,後續會有更多消息發佈,值得重點期待。宋Ultra EV則是宋家族的全新頂格版,定位精準切入主流家用市場。發佈會上透露的資訊不算多。續航方面,宋Ultra EV提供620km和710km兩種純電續航里程,「5分充好、9分充飽」的閃充技術也應有配備,同時搭載天神之眼B-輔助駕駛雷射版、雲輦-C、TBC高速爆胎穩行系統。圖源:電車通攝製宋Ultra EV開啟預售,共推出四個版本,預售價區間為15.5-18.5萬元,這個價格與宋PLUS等其他車型的價格很貼近,再加上閃充技術、第二代刀片電池的補充,性價比很突出。圖源:電車通攝製海洋網:三款新車齊發,海獅、海豹全面升級海洋網本次動作最大,一口氣推出海獅06EV、海豹07EV、海豹08三款車型。圖源:電車通攝製其中,海獅06EV和海豹07EV迎來上市,前者共推出四個版本,售價區間為15.99-17.99萬元,後者共推出兩個版本,售價分別為16.99萬元和18.99萬元。圖源:電車通攝製作為海洋網最暢銷的SUV,海獅06應用閃充技術和第二代刀片電池完全在情理之中,在兩大核心技術的加持下,新車的純電續航提升至710km。配置方面,新車增加智能香氛系統、前排座椅按摩、副駕駛腿托、前排記憶座椅等配置,雲輦-C、142L前備箱都沒有缺席,而且全系車型可選天神之眼B,全能型選手又得到一次進化。海豹07EV的純電續航里程高達705km,同時還配備近期推出的天神之眼5.0。電車通的其中一位朋友,已經在他的騰勢N8L上體驗過這套系統,已經做到車位到車位智駕的能力,而且輔助駕駛體驗足夠絲滑。海豹08迎來全球首秀,作為旗艦轎車,新車的車長超過5m,軸距超過3m,官方僅透露新車會配備閃充、後輪轉向、輔助駕駛和雲輦-A系統。圖源:電車通攝製至於更多資訊,還得等後續發佈。方程豹:鈦系列率先用上閃充,城市硬派更能打方程豹目前有豹系列和鈦系列,前者更能滿足越野車迷,後者更注重城市使用者的體驗,主打城市使用者的鈦3、鈦7 EV,上市即成為細分銷冠,如今再迎閃充版,競爭力再上一層。鈦3閃充版的CLTC純電續航有兩個版本,兩驅版能跑620km,四驅版為565km,對比現款鈦3的501km純電續航,續航能力有明顯提升。圖源:電車通攝製值得一說的是生態方面,鈦3閃充版配備鈦7同款的生態配置,鈦3的「潮流方盒子」定位更精準了。鈦7 EV閃充版新增了超大電動前備箱,乘坐空間和裝載能力都有明顯提升,配置方面將全車標配帝瓦雷音響。針對續航方面,兩驅版的純電續航可達755km,這個續航能力在純電方盒子市場裡一騎絕塵。至於價格,活動現場還沒有暫時公佈。全新騰勢Z9GT上市:除了續航最強,還能無人漂移騰勢本次只發一款,但一出就是王炸——全新騰勢Z9GT。純電版推出三個版本,售價區間為26.98-36.98萬元;混動版推出兩個版本,售價分別為30.98萬元和33.98萬元。圖源:電車通攝製其中,純電版的CLTC續航可達1036km,成為全球量產最長續航的純電車,能夠一口氣環繞海南島;混動版也擁有最高401km的CLTC純電續航,綜合續航里程更是超過1300km。續航是其中一個方面,全新騰勢Z9GT還能實現全球唯一的高精度無人智能漂移,加上2.7s的零百公里加速,以及配備高性能碳陶制動盤,妥妥一台長續航性能怪獸。仰望:頂奢技術滿配,性能、續航、充電全部拉滿仰望作為比亞迪技術之巔,在第二代刀片電池+閃充加持下,必然讓仰望車型的實力再上一個台階。發佈會現場,新款仰望U7、仰望U8、仰望U8L鼎世版迎來正式上市,三款車型的起售價分別為65.8萬元、100.8萬元和130萬元。圖源:電車通攝製新款仰望U7搭載第二代刀片電池後,擁有超1000km的純電續航和1300匹的最大功率,將性能和續航提升到一個極致水平,閃充時間同樣低至9min。這些在過去看起來有些「偽科學」的資料,現在居然成為了現實。新款仰望U8的易四方技術和eTCS能力同樣得到進化,前些天順利通過了模擬「天門山」極限路況挑戰;雲輦-P、20.5%綜合續航的提升以及翻3倍的充電速度,讓整車的便捷性和舒適性有所上漲。仰望U8L的實力已經很強,全鋁大車架、高強度籠式車身都已經用上了,新款仰望U8L還在隱私、安全和應急浮水方面都有提升,其中在安全方面,新款仰望U8L新增了NOA爆胎穩行穩定技術,爆胎後能夠自動穩住車身和自動靠邊停車;應急浮水功能新增緊急自動啟動功能,識別落水後可以自動開啟。順帶一提,這三個功能支援OTA升級,老車主也能體驗。寫在最後2025年,新能源滲透率已經超過50%,新能源車已經成為更多使用者的首選,但電車通也留意到,相比往年,2025年新能源的增長速度有些放緩。市場從早期的野蠻增長,進入到比拚真實體驗、解決核心痛點的成熟階段,使用者不再只看參數和價格,而是更在意日常用車是否足夠省心、靠譜。畢竟經過幾年的發展,新能源車在用車成本、性能和智能化上佔據優勢,這點已經吸引足夠多的使用者,但補能效率始終是「燃油黨」不肯放棄的底線。很多潛在使用者不是不接受電動化,而是被充電排隊、冬天續航打折、長途補能不便等現實問題勸退。說白了,充電樁數量還不是緩解充電焦慮的主要方法,解決「充電慢、低溫充電難」的問題才是治標又治本的方法。只有把充電體驗做到接近加油,才能真正打破使用者心中的最後一道壁壘。現如今,第二代刀片電池和比亞迪閃充技術把燃油車「沒有續航焦慮」的唯一優勢抹平,新能源車終於在最關鍵的使用體驗上完成反超。可能讓以燃油車為銷量大頭的車企們徹夜無眠的是,比亞迪已經將這些技術下放在旗下車型上。按照這樣的技術基礎,這些頂尖技術應用在秦家族、海豹06等走量車型上,也不過是時間問題。一旦高端技術全面下放,整個市場的競爭格局將被徹底改寫。接下來的比亞迪,想必會把更多資源放在閃充站的佈局上,一旦閃充站的佈局完成,充電像加油一樣便捷將成為常態,燃油車時代的落幕或許比預期來得更早。(電車通)
熬夜 OUT! 省流偷看蘋果發佈會新品
還有 48 小時,我們就將迎來 2026 年的首場蘋果特別活動。而這次活動,是字面意義上的「很特別」,因為它採取了一種蘋果從未使用過的新形式。▲ 圖|Reddit正如愛范兒之前的前瞻,本次發佈會的主活動將於台北時間 3 月 4 日晚 10 點舉行,屆時提姆 · 庫克會像常規發佈會一樣上場播片。但這次活動的期限卻不限於 4 號當天。根據愛范兒收到的資訊:蘋果會在今天(2 號)和明天晚上採用「官網上架」的形式,提前公佈一部分新品,形成「一天一發佈」的節奏,最後在 4 號的主活動上進行統一介紹。同時,在經歷過去年 iPhone 17 系列的強勢銷量,以及有史以來最好的一次財報之後,蘋果對於本次活動同樣信心滿滿。彭博社的蘋果專家馬克 · 古爾曼透露:蘋果零售店已經接到了上級通知,要求「在本周上新之後做好迎接大量客流的準備」。▲ 圖|彭博社還有一些蘋果店員工表示,前期的規模「堪比秋季 iPhone 發佈會」前的準備工作。這表明,蘋果預計這次 3 月發佈會新品上市後的需求會相當旺盛,且至少有一款產品將擁有極高的市場號召力。至此,我們已經基本可以看出蘋果在馬年的第一場發佈會的大概樣貌了:iPhone 17eMacBook(A18 Pro)MacBook Pro(M5 Pro/Max)iPad(第 12 代)iPad Air(M4)新 Studio Display新 HomePod 和 HomePod mini新 AppleTV其它零星硬體產品iPhone 17e:便宜,但不一定值作為蘋果關注度最高的一款產品,iPhone 17e 無疑將會是本次發佈會的討論中心之一。目前,大家對於 iPhone 17e 的期待主要集中在這幾點上:有沒有高刷屏,能不能用上靈動島,以及是否支援 MagSafe。從截至發佈會前最後一分鐘的爆料來看,今年的 iPhone 17e 在螢幕方面不會有什麼明顯進步,ProMotion 高刷屏大機率還是缺席。▲ 圖|Threads @privatetalky而爆料在 iPhone 17e 是否會採用靈動島上產生了明顯的分歧。各方管道能夠獲取的先行資訊中,「靈動島」派和「劉海」派幾乎是對半分的——這其中必然有蘋果故意放出的煙幕彈。如果從現實角度考慮,iPhone 17e 繼續採用 16e 同款的 6.06 吋60Hz 劉海屏的機率更大一些。▲ 圖|PCMag UK不過在參數配置方面,iPhone 17e 相比 16e 的提升還是很大的,這也符合 e 系列「買處理器送手機」的傳統。目前基本可以確定的是,iPhone 17e 將會採用 iPhone 17 同款的 A19 處理器,以及當下最新的 C1X 自研基帶和 N1 網路晶片。▲ 圖|MacRumors此外,為了促進競爭力,還有報導指出蘋果可能會逆勢而行,將 iPhone 17e 的起步容量提升至 256GB,並繼續著重「優秀續航」這一核心賣點。只不過 iPhone 17e 目前最大的對手,既不是瘋狂漲價的記憶體,也不是同價位的Android機型,而是自家大哥 iPhone 17。根據最新消息,iPhone 17e 的起售價將會維持 599 美元不變,即國行 4499、國補 3999 元起。▲ 圖|CNN然而眼下 iPhone 17 和 iPhone Air 國補價格,也都才 5499 元。前者有雙攝、高刷等等升級,後者也有 A19 Pro 和鈦合金機身,都是感知非常明顯的提升。因此,愛范兒對今年 iPhone 17e 的評價和購買建議保持不變:iPhone 17e 屬於一台「醬香型」手機,首發全價購買不太值得,更適合等到國補 + 管道價格進一步下探到 3500 元左右再入手。MacBook:上網本也有第二春本次發佈會的另一個話題中心就是用 iPhone 處理器的新 MacBook。實際上,蘋果做這一類無後綴名的 MacBook 行之有年了。從最早的 iBook,到後來的聚碳酸酯 MacBook,蘋果一直都有嘗試把筆記本打入真正的平價價位。最後的嘗試要到十多年前的 12 吋 MacBook,受限於當時的英特爾 Core M 處理器實在太孱弱,一台「上網本」的定位,上網都不痛快。▲ 圖|TechRadar而這次的新無後綴 MacBook,作為一款主打極致性價比的型號,它會直接用上 iPhone 同款的 A18 Pro 處理器,所有周邊配置也都採用貨架庫存,主打一個「多快好省」。那新 MacBook 能實現多快好省嗎?你別說,還真有可能。▲ 圖|Yanko Design蘋果內部測試表明:雖然用著落後一代的 A 系列處理器,在更大的機身空間和 macOS 的加持下,新 MacBook 的性能強於 M1 處理器 Mac。並且,它還運行著完整的 macOS ——這意味著對於文件處理、瀏覽器辦公、輕量設計修圖而言來說,A18 Pro 的基礎性能是完全足夠的。▲ 圖|AppleInsider實際上,這次的新 MacBook 可以看做蘋果對於新時代電腦辦公設想的一個小縮影:對於很多「只需要一台筆記本上班」的工種來說,絕大部分的工作其實都是在辦公三件套、聊天軟體、瀏覽器/雲端 AI 上解決的,並不需要那麼強的 SoC 本地性能。而 A18 Pro + macOS 的組合剛好完美卡進這個區間,並且還能獲得標準的 MacBook 螢幕、鍵盤、揚聲器和電池。▲ 圖|MacDailyNews考慮到 2026 年國補政策仍將延續,再加上教育優惠,新 MacBook 在國內的實際入手價格可能進一步下探至 3000 元檔。前幾代銷量已經證明,當 Mac 真正進入「買得起」的區間,潛在使用者的轉化率會迅速提升——如果再加上之前發佈的 Apple Creator Studio,一台輕薄 MacBook 加上一套准專業級工具,價格甚至不超過一台標準版 iPhone,夫復何求?MacBook Pro:穩定升級,該買就買時隔近半年,M5 晶片產品線終於迎來了 Pro 和 Max 兩大升級,重點升級依然集中在 GPU 圖形能力上。目前我們可以看到,M4 Pro/Max 款 MacBook Pro 在官網的發貨時間已經推遲,這通常是配置更高的新品即將發佈的前兆。根據外媒 MacWorld 的估算,新款 MacBook Pro 的 Geekbench 6 GPU 跑分,極有可能會超過 80 顆 GPU 的 M3 Ultra。▲ 圖|Wccftech至於硬體外觀方面,M5 Pro 和 M5 Max 版 MacBook Pro 預計不會有任何可觀新變化。計畫中的雙層 OLED 的 MacBook Pro,起碼要等到 2027 年後了。新 iPad 和 iPad Air:評為 NPC除了前面幾款相對令人興奮的新品,這次發佈會上我們還會看到入門款 12 代 iPad 和換處理器的新 iPad Air。目前來看,12 代 iPad 將會搭載標準版 A18 處理器,iPad Air 則是如期從現在的 M3 升級到 M4,其餘參數基本保持不變。預計新 iPad Air 的模具也不會有變化。這有點尷尬:iPad Air 的其實比 iPad Pro 還要厚,如果模具不更新的話,只能評為 NPC 了……▲ iPad 11 代|ESR不過至少,A18 晶片意味新款 iPad 終於補齊了 Apple Intelligence 的入門標準,可以「為 Apple 智能準備好」了。這樣一來,蘋果算是補上了 AI 佈局最後一塊拼圖,實現了自家 3C 產品線的全面 AI 化——只是這個 AI 我們究竟什麼時候能用上,依然是個懸而未決的問題。▲ 圖|Apple讓人失望的是,傳說中的 OLED iPad mini 大概無緣本次發佈會,甚至有可能進一步被延期到 2027 年。看隔壁「等等黨」的遭遇,或許「遊戲黨」們可以不用再猶豫了,現在趁著補貼入手一個 iPad mini 7 或許就是最划算的選擇。其他硬體:周邊大換代實際上,本次春季發佈會對於 Mac 使用者來說是個難得的好日子。除了前面幾款光環下的產品之外,我們更有可能見到 M5 的大普及時代。比如先後受到國補、教育優惠、OpenClaw 浪潮助推的 Mac mini,就有可能趁著本次發佈會上架 M5/M5 Pro 款。如果屬實,這將會是最適合部署 OpenClaw 或其它本地 agent,以及面向本地模型推理用途的入門機型。▲ 圖|zeera wireless而 Mac Studio 則會跟著 MacBook Pro 一起更新 M5 Pro/Max 處理器——但如果你需要 Ultra 等級的性能,蘋果上一代的 Ultra 晶片只升級到了 M3,這次能有 M4 Ultra 就不錯了。還有給專業創作者的好消息:擱置了許多年沒更新的蘋果顯示器產品線,也有望在這個春天得到升級。▲ 圖|TechRadar根據此前彭博社爆料,新款 Studio Display 將會和 M5 Pro/Max 款 Mac 共同推出。而在一月份,我們的確在中國能效標識網上看到了一款「美國蘋果公司高性能 LCD 顯示器」:參考今年 CES 上,LG 展示的 2304 分區 27 吋 5K 165Hz Mini LED 顯示器,這次的 Studio Display 2(猜測名稱)估計就會用上同款面板。而根據 MacWorld 從 macOS 中挖掘到的程式碼,今年的新款螢幕都支援最高 120Hz ProMotion 可變更新頻率。屬於 Studio Display 和 Pro Display XDR 的高刷時代終於來了。▲ 圖|9to5Mac此外,新的 Studio Display 還會用上 iPhone 17 同款的 A19 處理器,主要用於給內容解碼、攝影機 Central Stage、揚聲器空間音訊提供算力支援——好麼,一台手機的 SoC,放進顯示器作為協處理器,真是倒反天罡!(開個玩笑)HomePod、HomePod mini 和 AppleTV 這「家居三劍客」預計也會在這次發佈會上迎來升級。壞消息是,傳說中那個帶螢幕的 HomeHub 以及智能家居作業系統 homeOS 大機率依然是傳說,最新信源均表示蘋果擱置或取消了這個智能家居中樞計畫,選擇繼續將功能與現有產品整合。▲ 圖|zeera wireless其中,新款 HomePod 和 HomePod mini 不出意外將會迎來幾個新配色,以及手錶同款的 S10 處理器,從而對更先進的空間音訊、藍牙 5.3 和第二代 UWB 晶片提供支援。對於新款 Apple TV 來說,大部分升級都集中在 tvOS 上面。根據 9to5Mac 的報導,tvOS 26.4 中,原本獨立的 iTunes 和 Movies 應用將會合併,讓使用者購買音樂和影片的體驗更加無感一些。▲ 圖|9to5Mac另外,tvOS 26.4 還最佳化了更換 CC 字幕樣式的操作。新增的「樣式」菜單允許使用者在數種字幕字型和風格之間快速切換,不需要退出正在播放的視訊。另有消息指出,今年的新 Apple TV 可能會分成 4K 和 4K Pro 兩款。區別在於 Apple TV 4K Pro 可能會提供把自己作為 Wi-Fi mesh 節點的功能,以及最高 4K 120Hz 的視訊規格。新的 Apple TV 預計會用上最新的 A19 處理器,8GB 記憶體,硬碟則從 128GB 起步進化到了 256GB 起步——說不定就是旁邊 iPhone 17 的同款備料。▲ 圖|CNET總的來說,2026 年的蘋果春季發佈會不僅是之前從未有過的新形式,更是最近幾年裡新品數量最多的一次。對於其中 MacBook、MacBook Pro、新 iPad 和 Studio Display 等等,愛范兒的建議依然是相同的:明確需求,該買就買,買新不買舊。iPhone 17 系列乘上了 2025 年末記憶體漲價的最後一班車,能夠在今天保持住相當的價格優勢。而今年春季的這一波新品,雖然其中幾款的價格會迎來小波動,但整體受到記憶體漲價的衝擊相對較小——蘋果體量大、利潤空間高的特性,在這一刻變成了直接的商業優勢。因此,愛范兒覺得,如果上面的新品有契合到你的換新需求,那麼現在入手會比 618 入手帶來更大的價格優勢。 (愛范兒)
三星Galaxy S26系列官方渲染圖曝光:2月25日正式發佈!
目前,三星已基本確定將於2026年2月25日舉行Galaxy Unpacked發佈會,屆時將正式推出包含三星Galaxy S26、Galaxy S26+及Galaxy S26 Ultra在內的三款旗艦手機,以及全新的Galaxy Buds 4系列耳機。現在有最新消息,近日有外媒進一步曬出了該系列旗艦的官方渲染圖。據外媒最新曬出的渲染圖顯示,與此前曝光的消息基本一致,全新的三星Galaxy S26系列在延續家族風格的同時進行了細節最佳化。其中三星Galaxy S26 Ultra將採用更為圓潤的邊角設計,機身厚度進一步壓縮至7.9毫米,較前代薄了0.3毫米。正面將配備一塊6.9英吋的QHD+ Dynamic AMOLED螢幕,最高亮度有望突破3000尼特,並搭載全新的M14 OLED面板。而三星Galaxy S26和S26+的螢幕尺寸分別調整為6.3英吋和6.7英吋,且均採用了邊框等寬的直屏設計。其他方面,根據此前曝光的消息,全新的三星Galaxy S26/S26+將有望在韓國和歐洲市場首發搭載三星自研的Exynos 2600,這是全球首款2nm晶片。其餘地區標配的是高通驍龍8 Elite Gen 5。而超大杯的三星Galaxy S26 Ultra則全球僅提供驍龍8 Elite Gen 5處理器版本。影像上,Galaxy S26/S26+的規格保持一致,均將後置5000萬像素OIS主攝+1200萬像素超廣角+1000萬像素3倍長焦三攝組合,支援8K/60fps視訊錄製。Galaxy S26 Ultra預計將搭載2億像素新主攝+5000萬像素超廣角鏡頭+1000萬像素3倍長焦鏡頭+5000萬像素的5倍長焦鏡頭。此外,Galaxy S26機身149.6×71.7×7.2毫米、重137克,內建4300mAh電池。Galaxy S26+機身158.4×75.8×7.3毫米、重190克,內建4900mAh大電池。據悉,全新的三星Galaxy S26系列新旗艦將在2月25日發佈,預計國行版會在3月登場。更多詳細資訊,我們拭目以待。 (TechWeb)
阿里深夜開源80B程式設計模型!專攻智能體,周靖人、林俊暘最新成果發佈
個人電腦也能跑出頂級程式設計智能體?今日凌晨,阿里開源了一款小型混合專家模型Qwen3-Coder-Next,專為程式設計智能體(Agent)和本地開發打造。該模型總參數80B,啟動參數僅3B,在權威基準SWE-Bench Verified上實現了超70%的問題解決率,性能媲美啟動參數規模大10-20倍的稠密模型。Qwen3-Coder-Next的主要增強功能如下:1、高效MoE架構:僅需啟動3B參數,可達到與啟動參數數量高出10-20倍的模型相當的性能,包括37B啟動參數的DeepSeek-V3.2、32B啟動參數的Kimi K2.5等,降低視訊記憶體與算力需求。2、更強智能體能力:擅長長段推理、複雜工具使用以及從執行失敗中恢復,在動態程式設計任務中性能強大。3、與真實世界的IDE多樣化整合:其256k的上下文長度,加上對各種腳手架範本的適應性,使其能夠與OpenClaw、Qwen Code、Claude Code、Web Dev、Browser use、Cline等不同的CLI/IDE平台無縫整合,支援多樣化的開發環境。Qwen3-Coder-Next在實際開發中能理解需求、編寫程式碼,還能與環境互動、完成任務,可以在沒有人工干預的情況下生成可玩的網頁遊戲,部署服務並自動測試。阿里在程式設計智能體上進展不斷。就在昨日,阿里雲CTO周靖人、阿里千問大模型技術負責人林俊暘署名的論文在Arxiv平台上發表,為推進下一代程式設計Agent的發展提供了新資源和可靠方法。簡單來說,他們提出了一個可擴展的高效框架SWE-Universe,用於從GitHub拉取請求自動建構真實世界的軟體工程(SWE)可驗證環境。利用一個建構Agent,團隊將真實世界的多語言SWE環境的數量擴展到接近百萬級(807693個)。最後,團隊將該技術應用於Qwen3-Max-Thinking,並在SWE-Bench Verified測試中取得了75.3%的高分。▲論文截圖回到本次面向產業推出的新模型來看,團隊已正式開源Qwen3-Coder-Next(Base)與Qwen3-Coder-Next(Instruct)兩個版本,支援研究、評測及商業應用多種場景。Qwen3-Coder-Next一經發佈引起了廣泛關注,有網友在社交平台X上稱這一模型“尺寸完美”,也有網友表示自己等便攜版的Qwen3-Coder已經很久了。▲社交平台X網友對Qwen3-Coder-Next模型的部分評論01.實測看齊10-20倍啟動參數模型趕超DeepSeek-V3.2儘管啟動參數規模很小,Qwen3-Coder-Next在多項智能體評測上仍能匹敵或超過若干更大的開源模型。該模型在SWE-Bench、TerminalBench 2.0和Aider等多個主流程式設計智能體基準上的表現如下。▲Qwen3-Coder-Next實測表現使用SWE-Agent框架時,Qwen3-Coder-Next在SWE-Bench Verified上達到70%以上,超過了DeepSeek-V3.2,接近GLM-4.7、MiniMax M2.1。在多語言設定以及更具挑戰的SWE-Bench-Pro基準上,Qwen3-Coder-Next同樣超過了DeepSeek-V3.2,還較大幅度領先於GLM-4.7、MiniMax M2.1。在效率方面,Qwen3-Coder-Next與同類模型在SWE-Bench-Pro基準上進行對比分析,每次推理僅啟動3B參數,卻能達到與啟動參數量達其10-20倍的模型相當的基準性能,包括37B啟動參數的DeepSeek-V3.2、32B啟動參數的GLM-4.7、32B啟動參數的Kimi K2.5等。雖然專有的全注意力模型在絕對性能上仍保持領先優勢,但Qwen3-Coder-Next在面向低成本智能體部署的應用場景中,仍能在效率與性能之間取得更優的帕累托權衡。▲Qwen3-Coder-Next實測表現02.創新智能體訓練配方:強化智能體訓練的訊號Qwen3-Coder-Next模型基於Qwen3-Next-80B-A3B-Base建構,採用混合注意力與MoE的新架構;通過大規模可執行任務合成、環境互動與強化學習進行智能體訓練,在降低推理成本的同時,提升程式設計與智能體能力。Qwen3-Coder-Next並不只依賴參數規模擴張,而是將重點放在擴展智能體訓練訊號(agentic training signals)上。團隊使用大規模的可驗證程式設計任務與可執行環境進行訓練,讓模型能夠直接從環境反饋中學習,而非僅依賴靜態文字。訓練過程主要包括:1、持續預訓練:在以程式碼與智能體為中心的大規模資料上進行。2、監督微調:基於高品質的智能體互動軌跡,最佳化模型的行為。3、領域專家訓練:針對軟體工程、問答、Web/UX等特定領域,精細化專家能力。4、專家知識蒸餾:最終將27個專家的能力融合至一個輕量的、可部署的單一模型。這套“配方”的核心目標,是教會模型長時程推理、熟練使用工具,以及從執行錯誤中有效恢復——這些正是實用程式設計智能體所需的核心能力。03.多樣化整合下游應用無人工干預完成遊戲生成部署Qwen3-Coder-Next的價值還體現在於其低部署門檻與應用體驗。得益於僅3B的啟動參數,開發者可靈活將其整合至多種場景:作為本地IDE外掛,實現自動修復與程式碼生成;建構命令列智能體(CLI Agent),通過自然語言操作終端、管理項目;部署於企業內部網路環境,打造私有化、高響應的程式設計輔助系統。“小啟動、快響應、強能力”為程式設計智能體的規模化落地提供了更具可行性的路徑。該模型可整合到多種下游應用中,下文展示其在OpenClaw、Qwen Code、Claude Code、Web Dev、Browser use、Cline等場景中的示例。1、Web Dev:建立聊天介面(Creating a Chat Interface)2、CLI:桌面清理(Desktop Cleanup)3、OpenClaw:建立聊天介面(Creating a Chat Interface)4、Browser Use Agent:在亞馬遜上搜尋商品(Searching for a Product on Amazon)5、coder.qwen.ai:開發一個五子棋遊戲(Building a Gomoku Game)04.結語:研發落地雙投入阿里加碼程式設計智能體程式設計智能體正成為阿里千問團隊的強攻領域。Qwen3-Coder-Next在程式設計智能體基準上表現強勁,展現了技術在實用場景中的應用價值。而周靖人、林俊暘署名的新論文則代表了其程式設計智能體新的前沿進展,形成了研發和落地兩條路快步走的趨勢。展望未來,團隊認為強大的智能體能力,如自主使用工具、應對難題、管理複雜任務,是更好程式設計智能體的關鍵。接下來團隊計畫提升模型的推理與決策能力、支援更多工,並根據使用反饋快速迭代更新。 (智東西)
千問APP發佈會:From Question To Action(有問必答)
Jan 17, 2026 阿里宣佈千問從“聊天助手”躍升為“生活辦事中樞”。依託阿里生態,使用者只需說出需求,千問就能自動呼叫淘寶閃購下單、支付寶AI付完成支付,並且全流程無需跳轉App。這也就意味著現在的千問已經成為了阿里系App的“大腦”,將高德地圖、飛豬、淘寶、釘釘、淘寶閃購等不同生態位的產品串聯了起來。未來使用者不再需要思考該用那個App,只用告訴千問自己的需求,它就會指揮淘寶、高德、飛豬、支付寶等具體應用來完成任務。以為阿里千問APP發佈會完整文字稿第一部分:開場與願景演講者:吳佳(千問C端事業群總裁)各位嘉賓、各位媒體朋友們,大家好,歡迎大家來到千問的產品發佈會。還記得上次和大家溝通交流,是在夸克AI眼鏡的發佈會上。當時千問上線一周,快速實現了1,000萬次的下載。在最近這段時間,我們也陸續發佈了多個新功能,涉及AI辦公、AI學習和AI創作。這裡面尤其是PPT製作、AI講題批改和視訊生成,收穫了大量的新使用者和好的口碑,實現了快速的發展。今天,距離千問正式上線兩個月還差兩天,但是我們已經快速實現了千問C端的月度活躍使用者超過了一個億。這個發展速度遠遠超出了我們的想像。當然在這個過程中,我們也收穫了大量好的建議,並在不斷完善自己。確實,整個AI的發展還在初級階段,但是如此快的速度達到這個成績,還是使得我們對未來越來越興奮。說到AI助理,我們其實一直強調其核心還是智力水平和辦事能力。這背後既是我們的業務思考,也是千問大模型和阿里巴巴生態的獨特價值。最近我們在兩者的結合上面取得了一些不錯的進展。那麼今天,我們會正式發佈“千問辦事能力”,也希望由此開啟AI辦事的新時代。我們認為一個好的AI助理,不應該被困在對話方塊中進行簡單的問答和聊天,它其實應該走出搜尋框和對話方塊,能夠自主行動、執行任務並且交付結果。進一步來講,我們也認為它不應該被困在數字世界。當然數字世界的突破已經近在眼前了,在今天高度數位化的中國社會,數字世界辦事的重要性不言而喻。但是,同時能夠進入物理世界,在生活場景中幫人們幹活辦事,才是AI助理的完整形態。第二部分:數字世界辦事能力(千問任務助理1.0)演講者:吳佳首先讓我們來聚焦數字世界的辦事。數字世界辦事的突破依賴於三個非常重要的能力:Coding能力的大幅提升:也就是千問大模型的程式設計能力,這是數字世界的一個基礎。全模態理解能力的突破:它是使AI擁有行動力的關鍵,能夠讓千問看懂介面、聽懂聲音、讀懂報表圖文等等。超長上下文的處理能力:這是交付複雜任務的關鍵。有了這三點,我們認為在數字世界,人類和AI的角色互換會加速發生。在未來兩年,數字世界中60%-70%的常規任務,我們認為都會由AI來直接執行和交付。那麼剩餘的這些創造性的任務,也會因為有AI的深度參與從而大幅提升效率。也就是說,從這個意義上來講,在數字世界辦事的主力會變成AI,AI會從“副駕駛”走向“主駕駛”。基於此,我們今天正式發佈千問任務助理1.0。大家更新客戶端就可以申請參加邀測,未來幾天我們會全面開放,免費讓人人可用。大家在體驗的過程中就會發現,它幾乎可以執行數字世界所有類型的任務,其中核心的400多種,包括像應用開發、Office辦公、以及學習輔導、諮詢調研、資料分析、可視化報表生成等等,在這些任務上都有著非常不錯的交付結果。除了模型的能力,我們還和各大專業資料庫進行了深入的合作,來進一步提升千問任務助理輸出的時效性和權威性。這些領域涉及教育、醫療健康、財經、法律、學術期刊等。在這個執行過程中,大家也可以隨時在任務執行過程來查看其引用的資料,並且進行回訪、修改和保存。接下來我們看幾個例子:案例一(財務場景):這是一個財務同學年底整理髮票生成報銷台帳的例子。眾多的發票命名不同、格式也不同,整理起來非常費時費力。現在交給千問任務助理,只需要幾分鐘。當下我們支援一次性最多上傳100個檔案來處理。案例二(資料分析):這是一個用千問任務助理做資料分析和可視化圖表生成的例子。我們可以將Excel的截圖直接發給千問任務助理,一鍵產出右邊這樣的分析結果,非常方便。案例三(團建方案):這是一個做團隊團建方案的例子。千問交付的結果區別於傳統的文件,它其實是一個圖文並茂、結構清晰並且可以運行的Web頁面。把這個Web頁面分享給團隊同學,每個人都可以進來通過點選上面提供的機票、酒店等資訊,直接去到飛豬、高德來完成相關操作,比傳統文件方便很多。案例四(學習場景):比如一道數學題:“從m點開始,甲要走到b點再返回,乙要走到a點再返回,他們才能在n點再次相遇……”大家可以看到,千問可以和真人老師一樣邊畫板書邊講解,大幅提升學生的學習效率。我們也支援隨時打斷提問,所以千問可以成為學生亦師亦友的學習夥伴,也是家長的好幫手。第三部分:生活世界辦事能力與生態打通演講者:吳佳下面讓我們進入生活場景。在AI時代,我覺得每個人的生活方式也會發生很大的變化。隨著AI的能力越來越強,未來每個人會配備一個生活助理,這是可以想像的。在生活場景辦事和在辦公學習有很大不同:使用者需求主觀且寬泛:很難通過簡單的計算推理提供滿意的服務。資訊環境複雜:如今的中文網際網路充斥著行銷、種草、廣告內容,且中國供給極其豐富,海量資料流動,模型很難保持精準、真實、客觀、時效的輸出。互動方式不同:很多時候使用者的真實需求是在與人溝通、有新輸入後才能精準表述的。使用者往往會有“哦,對,這個東西才是我要的”這種體感。因此,在生活場景,我們需要AI像人一樣和使用者進行有效溝通,尤其是主動溝通、主動輸入、主動提供方案,一起來完成消費決策。針對這兩點,阿里巴巴豐富的供給和生態內每天真實發生的海量交易與服務,使得我們具備強大的競爭力。我們不僅通過視野支援,還把我們的服務和阿里生態的資料服務進行高頻率對齊,確保模型的輸出變得更好。在服務能力方面,我們打通了淘寶、支付寶、高德、淘寶閃購、飛豬、大麥、淘票票等一系列業務的能力。這不僅僅是千問APP具備了上述業務能力,更重要的是實現了從消費決策規劃到交易執行的閉環。使用者可以從消費場景直接發起買東西,而不是從商品發起。使用者也可以直接說自己的出行需求,而不再需要自行組織路程規劃、機票、景點等內容。所有服務都會離使用者需求的原點更近,直接承接需求,使用者不需要自行拆解需求在各大APP間切換。在未來,我們覺得在大部分場景,其實只用一個千問APP就夠了。下面我也來演示一個例子。我看茶台上的咖啡和奶茶消耗得差不多了,我現在用千問來補一波貨,現場點個外賣。(吳佳現場演示):“幫我點40杯霸王茶姬的伯牙絕弦。”(卡片跳出,選擇,輸入支付密碼)好,可以看到已經付款完成,待會兒就會送過來。謝謝大家,我的分享到此結束。第四部分:生活場景深度演示主持人:接下來有請千問APP產品經理李銀旭。演講者:李銀旭(千問APP產品經理)大家上午好。剛剛大家看到吳佳用千問為現場觀眾點了奶茶,現在已經在配送路上了。接下來我復現一下如何在千問上實現“一句話點奶茶”。千問呼叫了淘寶閃購提供服務,它知道我在阿里巴巴西溪園區,幫我推薦了附近最近的霸王茶姬,幫我選好了40杯,還顯示有個千問爆紅包的滿減券,點選支付就可以完成訂單。這也是行業內首次將支付能力原生融入到AI對話中。功能演示一:電話點餐不僅如此,我們還可以打電話點奶茶。使用者:“你好呀,我想喝奶茶,幫我點個奶茶吧。”千問: “好的呀,我現在用淘寶閃購幫你搜一搜。你的收貨地址是阿里巴巴西溪園區C區C6門。附近推薦:一點點的抹茶奶茶(16元)、茶百道的超厚芋泥奶茶(17元)、一點點的米麻薯草莓奶綠(19元)。你想選那款?”如果需求更複雜,比如團建時有人想喝霸王茶姬,有人想喝蜜雪冰城,還有人對甜度有要求,千問任務助理能給出1-3套可選方案,兼顧配送快、評分高、價格低。我們還可以讓任務助理幫我們電話預定餐廳:使用者:“你好,我要訂個位置,明天晚上7點半,五個人,有位置嗎?”AI(撥打餐廳電話):“有位置,需要留個預定電話。”餐廳:“好的,客戶姓李,電話是?”AI:“130...1308070。”餐廳:“明天晚上7點半,五位,好的。”AI:“我想問一下你們有大包間嗎?”餐廳:“有大包間,13人左右的。”AI:“請問餐廳有沒有適合小朋友吃的菜品?”餐廳:“有家常炒菜啊。”AI:“好的,那我這邊再跟客戶確認一下。我是千問AI助手,祝您生意興隆,再見。”大家聽出來了嗎?如果最後不說我是AI助手,很多人可能以為是真人在打電話。這背後是千問全面接入的阿里生態能力。功能演示二:購物決策(掃地機器人)過去兩個月,使用者在千問上主動詢問商品推薦的次數月環比增長超過300%。使用者真正卡住的不是買不到,而是選不出來。舉個例子,今年春天我想幫爸媽換家電,讓千問選一款價格在2000-4000元之間的掃地機器人,並告訴它家裡有隻貓。千問精準卡住了預算區間。針對“有隻貓”這個看似輕描淡寫的條件,千問捕捉非常到位,將推薦重點放在防纏繞能力、高溫殺菌等貼近養寵家庭衛生訴求的點上。給出的三款產品直接列出核心優勢,點選卡片即可進入商品列表頁完成購買。功能演示三:戶外裝備(四姑娘山徒步)我問它:“下周準備去四姑娘山徒步,需要那些裝備?”這是一個非明確購買需求。千問綜合了“冬季”、“高原”、“徒步”幾個關鍵點:給出涵蓋天氣、裝備清單、購買推薦、注意事項的整體建議。核心裝備給出具體購買建議:如登山鞋推薦了凱樂石MT5,登山杖推薦了黑鑽。最後還建議聘請當地嚮導提升安全性。這就是千問在購物場景典型的一幕:不僅幫你買東西,更是幫你把一次高風險、高成本的戶外出行提前做完決策和風控。功能演示四:春節旅遊規劃(三亞一家六口)場景:春節一家六口(五大一小)去三亞,7天6晚深度游。訂機票:“幫我規劃春節去三亞往返機票,杭州出發,直飛,性價比高,時間別太早。”千問沒有直接甩航班列表,而是分析說2月14日已進春運,晚班機溢價嚴重(含稅近5000元),方案三不划算。綜合帶娃和性價比,推薦首選下午3:55出發的方案一;如果預算敏感,可選晚上8點多的航班。訂酒店:“找幾家亞龍灣附近的五星級酒店,含早餐,有兒童設施。”千問基於飛豬資料庫,推薦了天域、萬豪、麗思卡爾頓。特別關注“適合帶娃”,列出了具體的遊玩設施。最後我選擇了性價比最高的天域度假酒店。訂年夜飯:“推薦酒店附近的年夜飯,有小朋友吃的菜。”通過高德地圖周邊查詢和掃街榜,選出三家2公里內的餐廳。我選了一個能邊吃魚邊看魚的海洋主題餐廳,水族箱很大,老人小孩都喜歡。證件辦理:“戶口在杭州,大人小孩怎麼辦護照?”接入支付寶政務服務,給出清晰指引(流程、材料、管道),並直接提供移民局出入境辦理入口。目前千問已接入支付寶覆蓋的50項政務服務(社保、公積金等)。未來,基於阿里生態,千問將呼叫龐大的生活服務網路,把人間煙火氣帶到使用者身邊。第五部分:工作效率與深度任務主持人:接下來有請千問APP產品經理張澤遜。演講者:張澤遜(千問APP產品經理)Hello大家好。我們經常遇到這種情況:加班到深夜,但關鍵工作沒什麼進展,時間都花在了處理表格、調整格式、收集資訊這些繁瑣重複的“黑洞”裡。剛才吳佳提到,未來兩年數字世界70%的常規任務會由AI完成。今天我要介紹千問的全新功能——任務助理,它是一個通用Agent,能自主規劃、呼叫工具。演示一:Coding能力(年會抽獎)公司年會抽獎很麻煩,以前得求助技術同事。現在有了AI Coding,成本大幅降低。我們已經把在場嘉賓資訊脫敏整理成表格上傳給千問,指令:“根據上傳的名單做一個抽獎小程序,送出一個三亞旅行大禮包。”(千問開始工作,此時先介紹其他功能)演示二:財務報銷(貼發票)年底貼發票很痛苦。演示:上傳100張發票附件。指令:“提取資訊,按季度分類統計報銷總額,用另外一個工作簿呈現。”結果:系統快速抓取,生成的表格算上表頭共101行,100張發票一張不少。交叉檢驗機制: 結果下方有一個“啟動核查”按鈕。點選後,系統會讓另一個獨立Agent專門復驗結果。我們在底層為所有計算任務至少加入了兩道自我核驗機制,確保程式碼邏輯和執行結果符合預期,再加上交叉檢驗,多重保險守住精準性底線。演示三:資料匯報(圖表生成)上傳一張只有原始資料的表格圖片,讓它分析資料生成匯報。千問生成了一份可視化報告,首先把老闆最關心的關鍵指標和核心結論放在最前面。通過多維度可視化圖表(客戶貢獻佔比、區域利潤分佈)直觀呈現資料。給出戰略建議:例如敏銳發現了標竿客戶的模式優勢,建議複製到其他線路。目前我們累計支援30多種不同圖表的生成。演示四:資訊收集(深度調研)場景:調研最近很火的“死(Si)了麼”APP。以往要打開幾十個網頁整理一下午。演示:輸入指令。千問瞬間在後台裂變出上百個搜尋節點,一部分負責廣度(關聯背景),一部分負責深度(邏輯細節),累計進行80多次搜尋,像一棵樹一樣生長。結果:8分鐘內交付了一份24頁的PDF報告,包含案例分析、索引清單表格(事件、日期)。生活場景應用:規劃“蘇東坡主題自駕游”。千問12分鐘內規劃了30天的行程,標註全國所有地點、詳細路線、景點介紹、導航跳轉(高德)以及酒店推薦(全季等)。嘉賓分享:財經博主小林張澤遜: 我們邀請了財經博主小林分享體驗。小林: 我給千問出了兩個難題:查資料與分析:讓它找出“小林說”過去一年經濟相關內容並分析,結合宏觀資料,給2026年畢業生就業建議,產出報告。結果:它不僅蒐集了宏觀資料,還精準摘要了我之前的視訊內容(如十五五、全球經濟)。報告結構清晰,先給結論(看好人工智慧、智能製造),再展開資料對比和地區建議。它還會自我檢查。做PPT:基於報告輸出簡報。結果:結構清晰,有主副標題和小圖示,配色美觀。最驚喜的是最後一頁總結了一首五言絕句:“看得清方向,學得會技能,抓得住機會”,這是它自己提煉的金句。張澤遜: 你覺得它作為實習生過關嗎?小林: 必須過關,我已經準備給它發Offer了。(回到抽獎環節)抽獎程序已經生成。小林點選開始和停止。恭喜姓鄭、尾號0372的朋友獲得三亞大禮包。張澤遜:千問任務助理即日起開啟邀測,移動端和網頁端同步上線。第六部分:教育與成長主持人:接下來有請千問APP產品經理曹瑩。演講者:曹瑩(千問APP產品經理)大家好,我也是個孩子的媽媽。輔導作業太讓人頭疼了。所以前幾天我們上線了期末備考大禮包,包含中小學真題卷、錯題舉一反三、千問小講堂等6大功能,全部免費開放。真題卷:千問擁有亞洲最大的中小學真題庫。你可以說“我想要杭州初二上的數學真題卷”,或者“孩子在一次函數這塊特別弱”,千問會立馬生成對應的Word和PDF供下載。錯題批改與分析:千問不僅能完成整卷批改,還會生成自動化批改小結,識別知識弱項並給出提升建議。千問小講堂(互動講解):針對孩子“似懂非懂”的情況,千問能進行啟髮式講解。演示(相遇問題):千問引導孩子思考“從m到n,兩人合起來走的總路程是幾個全程?”它會像老師一樣在虛擬黑板上邊畫邊寫,非常直觀,且孩子可以隨時打斷追問。舉一反三精準練:不盲目刷題。批改後自動分析漏洞,生成三道陷阱相似、考點一致的變式題。比如解含參不等式忽略分類討論,千問就針對這個易錯點生成題目。嘉賓分享:鄉村教師俞贊明曹瑩: 我們邀請了麗水市景寧第二實驗學校的俞贊明老師。俞贊明: 我是來自浙江浙南山區的教師。幾年前阿里公益帶來的少年雲AI雲教室改變了我們。學生案例:有位留守兒童以前作業不會做只能空著,我推薦他用千問。一周後他說:“俞老師,千問真好用,碰到難題我不怕了。”教學案例:上程式設計課時,40個孩子程式碼出錯,我分身乏術。現在孩子們把程式碼給千問,它不僅能檢查問題,還會循循善誘引導孩子學習。這讓我從體力勞動者變成了教學設計師。家長視角:我也是高一學生的家長,千問比我們家長有耐心多了,能緩解親子關係的緊張。AI在教育上突破的是“人教人”的侷限。曹瑩:千問的設想是讓每個孩子都擁有一個懂自己、有耐心的AI家教。我們已經上線了20多項學習能力。第七部分:結語主持人:感謝曹瑩,也再次感謝以上所有演講嘉賓。今天千問帶來的強大AI辦事能力,不僅來自於模型演算法,更來自於它所連接的每一個服務、每一次協作。現在有請幾位重磅的合作夥伴上台,他們是千問AI辦事能力的基石:淘寶、支付寶、淘寶閃購、飛豬、高德、優酷、大麥、菜鳥、阿里健康、1688、盒馬、阿里巴巴資料技術及產品部等生態業務的代表。再次有請千問C端事業群總裁吳佳。 (The AI Forniter)
DeepSeek-V4核心公開?梁文鋒署名新論文發佈,實習生挑大樑
這一記憶架構有望成為新的Scaling路徑。智東西1月13日報導,昨晚,DeepSeek又開源了,還發佈一篇新論文。這次,他們提出了一種全新的“條件記憶”機制——Engram,旨在讓MoE模型在保持巨量參數的同時,更高效地處理語言資訊。DeepSeek創始人兼CEO梁文鋒、北大王選電腦研究所的趙東岩和張輝帥教授都在論文中署名。Engram架構的核心優勢在於以更低成本實現更優性能。訓練計算量較MoE減少18%的情況下,在32768個token的長上下文任務中,Engram在RULER基準測試中反超同參數量MoE模型。並且,其淺層部署的記憶模組接管局部依賴與靜態知識儲存,為注意力機制騰出容量以專注全域推理,1000億參數記憶表解除安裝後使H800推理吞吐量降幅不足3%。DeepSeek還觀察到,增加記憶槽位數量能持續、穩定地降低驗證損失,這意味著Engram提供了一個可預測的Scaling新手段:增大記憶容量持續帶來收益,而無需增加計算量。那這種效果究竟是如何實現的呢?如今的MoE模型雖然在計算層面做到了稀疏化,但是它處理資訊的方式仍然很費勁:有些老生常談的事實性內容,比如常見的名字、公式或固定表達,模型卻要重複計算,非常耗時間。DeepSeek的做法是,把這些“固定知識”提前整理成一個可以快速查詢的表格,這樣就能把更多精力放在真正需要深度思考的任務上,比如複雜推理或者理解長段文字。值得一提的是,論文的第一作者Xin Cheng(程信)目前在北京大學智能學院攻讀博士學位,主要研究大模型的高效參數化方法和機制。他同時也在DeepSeek工作,R1、V3的研究都參與了,很有可能是實習生。在論文摘要中,DeepSeek提出,條件記憶(conditional memory)將成為下一代稀疏模型中不可或缺的建模原語。這或許意味著DeepSeek-V4有望整合條件記憶機制,實現知識高效檢索與推理能力的飛躍。論文連結:https://github.com/deepseek-ai/Engram/blob/main/Engram_paper.pdf項目連結:https://github.com/deepseek-ai/Engram01. Transformer缺乏知識檢索機制 經典𝑁-gram架構提供啟發在正式介紹新型記憶機制前,DeepSeek團隊首先提出了一項重要的觀察。稀疏性已經成為了智能系統的核心設計原則,在大模型領域,其具體實現就是MoE(混合專家模型)。但是,現有的標準Transformer本質上沒有真正的知識檢索機制,導致現有大模型不得不在早期層中通過昂貴計算來“重建”靜態知識,浪費了寶貴的模型深度。因此,DeepSeek認為有必須要提出第二個與條件計算互補的稀疏維度:條件記憶。條件記憶則依賴稀疏的尋找操作,為固定知識檢索靜態嵌入表示,適合命名實體、固定表達等靜態且高度模式化的語言表示。DeepSeek他們向經典的𝑁-gram結構引入了現代化的條件記憶模組,包括分詞器壓縮、多頭雜湊、上下文化門控以及多分支整合等,最終提出了Engram。下圖是Engram的基本架構,通俗地說,Engram就是給Transformer加個外接記憶庫,並把當前token附近的一小段內容,用快速、省參數的方式,去一個超大的靜態記憶表裡查到對應內容。02. 多管齊下打造新型記憶機制 天然支援參數儲存與計算資源解耦這個記憶庫該如何具體實現呢?首先,DeepSeek團隊對分詞器(tokenizer)進行了壓縮。普通的分詞器會把Apple、apple、APPLE這些單詞當成完全不同的東西,但是對人來說其實差別不大。Engram先把詞表清洗了一遍,全部轉小寫,Unicode規範化(NFKC)。最後,一個原本128k的詞表,實際只剩下77%,有23%的token ID被合併了。這讓N-gram記憶的密度明顯提升了。不過,直接對所有𝑁-gram進行建模是不可行的,參數會指數級增長。DeepSeek團隊引入了多頭雜湊記憶(Multi-Head Hashing),在固定參數預算下近似大規模𝑁-gram表,降低雜湊碰撞引入的語義噪聲。上述檢索機制提供的記憶是靜態的,缺乏上下文適應性,易受歧義與衝突的影響,這一問題可通過上下文感知門控(Context-aware Gating)來解決。為進一步擴大感受野並增強非線性建模能力,模型還引入了一個深度可分離因果摺積。DeepSeek團隊採用多分支架構作為默認主幹網路,而非標準的單流殘差連接(這是何愷明此前的研究成果)。多分支架構把殘差流擴展為M個平行分支,但共享記憶表和輸出對應。這樣設計的好處是,它可以一次性用矩陣乘法搞定多條分支的計算,GPU用得非常高效。Engram的核心優勢在於記憶檢索完全依賴輸入token,而非執行階段的隱藏狀態。這種確定性機制實現了參數儲存與計算資源的解耦,支援訓練和推理階段採取專門的最佳化策略:▲Engram訓練和推理階段可採用不同最佳化策略訓練最佳化:通過將超大嵌入表分片至多張GPU,利用All-to-All通訊按需收集對應行,使總記憶容量隨GPU數量線性擴展。推理最佳化:由於可提前確定待查詢記憶,系統可從主機記憶體非同步預取,同時在前幾層計算期間隱藏通訊延遲,實現預取與計算的重疊,避免GPU停頓。硬體-演算法協同設計:Engram在模型中的放置位置需平衡建模性能與系統延遲。較早引入有助於局部模式重建,較深放置則延長延遲隱藏窗口,需兼顧二者最佳化。層次化儲存:基於自然語言𝑁-gram的Zipf分佈特性,可採用多級快取策略,高頻嵌入存放於GPU HBM或主機DRAM,低頻嵌入置於SSD。這使Engram能擴展至超大規模記憶,同時保持低延遲與高效率。03. 兩個模組資源二八分成 互補性獲驗證接下來,DeepSeek團隊研究了另一個關鍵問題——條件計算和條件記憶這兩種稀疏模式該怎麼配合,才能發揮最佳效果?實驗發現,在有限資源下,把所有空閒參數都給MoE(也就是純MoE模型)不是最優解,最好的效果是大約75%-80%給MoE,其餘20%-25%給Engram。如果完全由MoE主導,模型缺乏靜態模式的專用記憶,只能靠計算反覆重建,效率低。而如果完全由Engram主導,模型失去了動態計算能力,無法應對需要上下文理解的任務。這條U型曲線,驗證了兩個模組的結構互補性:前面這一實驗探索的是在固定參數參數預算下的分配最佳化,那麼如果把記憶大幅度擴展,會發生什麼?實驗發現,在MoE主幹網路不變的情況下,附加Engram表。結果顯示,增加記憶槽位數量能持續、穩定地降低驗證損失。在探索範圍內,曲線嚴格遵循冪律(對數空間線性)。DeepSeek認為,這意味著Engram提供了一個可預測的Scaling新手段:增大記憶持續帶來收益,而無需增加計算量。同時,相比別的只做簡單平均的記憶方法(比如OverEncoding),Engram的Scaling潛力更大,性能提升更明顯。這些結果驗證了條件記憶作為稀疏容量的獨立可擴展維度,與MoE的條件計算形成互補。04. 架構訓練計算量少18% 性能反超MoE驗證了架構、技術路徑的可行性,DeepSeek團隊的下一步就是進行大規模的Scale,驗證這種方式在實際語言模型預訓練中的有效性。具體而言,DeepSeek訓練了四個模型:Dense-4B、MoE-27B、Engram-27B、Engram-40B。訓練時的語料庫、分詞器都使用了相同的設定,而後兩個模型引入了Engram機制,用於研究在模型大小不變和Engram進一步擴展後的特性。結果顯示,在相同算力和參數量的情況下,Engram-27B能在MoE-27B的基線上去取得持續提升,並且這些增益並不僅限於知識密集型任務。通用推理任務、程式碼與數學推理任務從中得到的提升甚至更為顯著,這些結果支援了DeepSeek的假設:引入專門的知識尋找原語(knowledge lookup primitive)能夠提升表示效率,這超出了僅將整個稀疏預算用於條件計算所能達到的效果。最後,將模型擴展到Engram-40B進一步降低了預訓練損失,並在大多數基準上提升了性能。雖然它尚未在每個任務上嚴格優於Engram-27B,但這很可能是訓練不足的結果。DeepSeek團隊觀察到,在訓練結束時,Engram-40B與基線模型之間的訓練損失差距仍在擴大,這表明在當前的token預算下,擴展的記憶容量尚未完全發揮其潛力。接著,DeepSeek團隊用MoE-27B與Engram-27B作為對照組,均使用了5000步(約300億token)的高品質長上下文資料進行微調,然後他們採用DeepSeek-V3中的YaRN技術,將模型的上下文窗口擴展到32768個token。實驗結果顯示,由於Engram模組接管了局部依賴的建模,它為模型的注意力機制騰出了容量,使其能更專注於處理全域上下文。因此,Engram架構在處理超長文字和長程推理任務上比傳統架構表現更好,具體表現如下:在架構方面,在排除了基礎模型能力差異的情況下,Engram-27B依然顯著優於MoE-27B。在複雜的檢索任務RULER基準測試中,Engram表現出了更強的長程依賴處理能力。例如在多查詢Multi-Query NIAH任務中,Engram精準率大幅領先。▲長上下文性能比較基準測試計算效率方面,即使只用了82%的預訓練計算量,Engram-27B的表現依然能與完全訓練的MoE-27B基線模型持平,甚至在RULER基準上實現超越。這證明了Engram架構具有極高的訓練效率,能用更少的計算資源達到同等或更好的長上下文性能。05. Engram淺層效果更好 對事實性知識影響較大而後,DeepSeek團隊對Engram模型進行了深入的機制分析和消融實驗。核心目的是回答“Engram到底是如何工作的?它的各個元件有什麼用?”這兩個問題。首先是模型深度與表徵分析,DeepSeek團隊通過LogitLens分析顯示,Engram模型在早期層就能更快地收斂到最終預測結果,因為它通過查表直接獲取了靜態知識,不需要像傳統模型那樣通過多層計算來重組基礎特徵。▲表徵對齊和收斂速度分析中心核對齊分析發現,Engram的淺層在表徵上與純MoE模型的深層高度相似。這意味著Engram讓模型在更少的層數內完成了同等複雜的特徵提取,在功能上等同於增加了模型的有效深度。在架構消融實驗中,研究人員發現將Engram模組放在較淺的層,如第2層,效果最好。這樣可以儘早解除安裝模型背負的局部模式重建任務,讓後面的深層網路專注於複雜的全域推理。▲結構消融實驗結果研究人員還發現,分支特定融合、上下文感知門控和分詞器壓縮對性能影響最大,去掉任何一個都會導致驗證損失顯著上升,而次要元件輕量級摺積層的影響則較小。如果把Engram“關掉”,模型在那些任務上會崩潰?為回答這個問題,DeepSeek團隊進行了功能敏感性分析。他們測試在推理時強制遮蔽Engram模組的輸出,觀察性能下降情況。結果顯示,在事實性知識方面,模型性能災難性下降,僅保留約29-44%的性能。這證明Engram是模型儲存參數化知識的主要倉庫。️但在閱讀理解方面,模型性能幾乎不受影響,保留約81-93%。這證明涉及上下文推理的任務主要由Transformer的骨幹網路處理,而非記憶模組。▲功能敏感性分析結果在系統效率與推理吞吐上,由於Engram的訪問模式是預先可知的,不像MoE需要根據隱藏狀態動態路由,系統可以提前從記憶體中預取資料。即使將一個1000億參數的Engram表解除安裝到主機記憶體,其在H800硬體上的推理吞吐量下降也不到3%,這證明了Engram能以極低的代價實現參數量的大幅擴展。此外,Engram的門控機制會在遇到靜態模式時被啟動,即變紅。具體表現為當模型遇到多詞實體、固定短語或中文成語以及歷史名詞時,Engram會被啟動進行檢索;而在處理需要動態推理的文字時,其門控則保持關閉。▲門控機制啟動06. Engram內化記憶 與Attention機制互補最後,DeepSeek團隊將Engram與MoE、外部記憶與檢索增強、長上下文建模以及表徵學習與知識蒸餾進行了對比。傳統MoE是Engram的“前輩”,它通過稀疏啟動來擴展模型容量。Engram解決了傳統MoE在超大規模下路由成本高、訓練不穩定的問題,提供了一種更高效的擴展路徑。對比外部記憶與檢索增強(RAG)這類工作通常是在模型外部掛一個資料庫,在推理時即時檢索。而Engram是內化的記憶,它在預訓練階段就把海量知識消化並固化到了參數化的記憶表中,這使得它比傳統RAG具有更低的延遲和更強的知識一致性。長上下文建模這一領域的研究則主要關注如何讓模型的注意力機制處理更長的序列。DeepSeek團隊強調,Engram並不是要取代注意力機制,而是與之互補。Engram負責處理局部的、靜態的上下文依賴,從而讓注意力機制能更專注於處理全域的、動態的長程依賴。對於表徵學習與知識蒸餾來說,Engram提供了一種新的視角——將模型的知識解耦為通用推理能力和特定知識庫。這種解耦結構天然適合進行知識蒸餾,因為未來的研究團隊可以選擇只蒸餾輕量級的骨幹網,而將龐大的知識庫作為可插拔的附件。07. 結語:Engram將實現 低成本超大規模擴展,逼近AGIEngram架構的核心思想就是通過解耦來實現效率與性能的平衡。它成功地將“局部模式重建”從複雜的Transformer骨幹網中剝離出來,交由專門的記憶模組處理。這種設計使得模型在保持強大推理能力的同時,能夠以極低的成本擴展到超大規模。DeepSeek團隊認為,Engram不僅僅是一個學術上的新模型,它具有很強的工程落地價值。由於記憶模組的訪問具有確定性,Engram可以進行高效的預取和硬體最佳化,非常適合大規模部署。而且,既然知識集中在Engram表中,未來或許可以通過直接修改這個表來修正模型的知識錯誤,而無需進行昂貴的微調。但目前的Engram是在預訓練時“固化”的。未來的一個重要方向是讓這個記憶模組具備線上學習或動態更新的能力,讓模型能即時獲取新知識。例如,未來的研究可以將Engram擴展到多模態領域,建立一個通用的多模態記憶庫。研究人員還可以繼續探索是否能將模型解耦為更多專用模組,以進一步逼近AGI(通用人工智慧)的效率。 (智東西)
蘋果放棄Vision Pro轉戰AI眼鏡,首款產品今年發佈
近日,博主"定焦數位"爆料稱,蘋果基本暫停了對Vision Pro產業端的維護,並大幅減少了頭顯產量。這款曾被蘋果重金押注的產品雖然在配置和體驗上達到了行業史無前例的最強狀態,但受限於其產品形態和超昂貴的價格,市場表現不佳也在情理之中。蘋果原本設想的廣闊市場願景未能實現,加上開發者動力不足,導致原生應用遠遠無法滿足使用者的多元化需求。綜合目前消息來看,蘋果似乎已經開始放棄這一市場,轉而投向更輕便的AI智能眼鏡領域,首款產品Apple Glasses預計將於今年發佈,很可能在蘋果全球開發者大會WWDC上正式公佈。據悉,Apple Glasses定位為蘋果生態的"輕量智能穿戴配件",不具備獨立計算能力,需依賴iPhone進行部分任務處理,類似於Apple Watch與iPhone的聯動邏輯。這款產品沒有螢幕,整體規劃與Meta、小米等產品類似,配備攝影機、麥克風和揚聲器,可實現拍照、錄影、聽音樂等常規操作。Apple Glasses將基於Apple Watch的S級晶片定製,優先保障能效比,核心作用是控制多攝影機與處理基礎AI任務,避免高功耗導致的續航短板。此外,該產品預計還能通過新版Siri提供大模型等智能支援,屆時或許國內的蘋果智能也會正式開放,為國內使用者提供全面的使用體驗。 (TechWeb)