Google为电视机用户推出的流媒体产品目前只有一款Chromecast with Google TV,这款产品目前已经推出大约4年的时间,在2022年的一次更新,也仅仅是推出了一个更便宜、画质由4K降到HD的版本。
在Chromecast品牌目前为止11年的生命周期当中,这一系列设备的累计销量已经超过1亿台,市场表现相当不俗。不过,随着Google一系列新品即将推出,Chromecast产品线恐怕将要寿终正寝。
除了期待已久的Nest Learning Thermostat更新之外,Google本周发布了它最新一代的流媒体电视盒子,借此为下周的Made by Google 2024大会提前预热。
除了最直观的名称调整之外,该系列还迎来了更多额外的新功能,也代表着设计思路上的重大转变。Chromecast可通过HDMI线缆直接插入电视背面(类似Fire TV Stick电视棒),而Google TV Streamer尺寸更大,被设计为放置在电视下方的娱乐主机形式(类似小米盒子的概念)。
这款售价100美元的设备还兼具智能家居中心的功能,这也是Google为了重振Nest系列产品而做出的努力之一。
新功能允许用户更直接地控制Google Home并支持Matter配件。消费者基本可以将它视为连接电视大屏幕版的Nest Display或者Pixel Tablet平板。
丰富的附加功能必然需要搭配更大的无线传输频段,这反过来也让设备本身的尺寸愈发夸张。也正因为如此,最新一代Google TV Streamer根本无法像前任产品Chromecast那样以直插电视机背面的智能电视棒的形式存在。
除了支持Matter配件之外,新系统还配备内置的Thread边界路由器,能够改善与家用设备之间的连接。在UI当中添加Google Home面板则可以远程检查Nest摄像头(目前市面上还未出现第三方摄像头)并调节温度,同时控制其他能够支持Matter的智能家居设备上的功能。
与新款Thermostat恒温器一样,Gemini同样在Google TV Streamer当中扮演核心的驱动角色。但是与Pixel产品和其他Android设备不同,Home系列并没有从Assistant中被单独剥离出来。相反,这个最新版本将搭载专为它构建的本地模型。除了对话功能以外,Gemini还能够为用户挑选节目、规划观看体验。
Google公司在一篇文章中介绍称:“为了帮助用户轻松找到想要观看的内容,Google TV Streamer采用Google AI配合用户偏好数据为用户规划已订阅内容的收视建议,并将它们便捷、统一地组织起来。你甚至可以为家中每一位成员建立单独的推荐观看列表。”
Gemini大模型还将用于总结评价,甚至是概括影视剧集的各季情节;从这个角度来讲,这套模型发挥的作用其实跟它在过去一年来在Google搜索领域扮演的角色颇为相似。与Chromecast一样,Google TV Streamer系统同样支持4K播放。在这台体积稍大一些的装置内部,Google还为它升级了处理器,并将内存增加到32GB。
这款设备同样包含一个专用遥控器,面板上设有Netflix和Google Home的快捷键。此外,Google TV Streamer还提供一个内置按钮,当你找不到遥控器时,除了询问Google Assistant,也可以直接按下按钮。
Google TV Streamer已接受预订,而实际发货日期则要等到9月26日。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。