新款 iPad 11
关于新款 iPad 11,值得一提的是它现在搭载了 A16 芯片,而前代产品搭载的是 A13 芯片。根据 Apple 的说法,新款 iPad 比前代产品快 50%。确实,新芯片更快,RAM 也从 4GB 提升到了 6GB。但即便如此,A16 芯片仍然无法运行 Apple Intelligence 功能。
对于那些期待已久想要升级 iPad,但又不想为了使用 Apple 最新 AI 功能而花大价钱购买全新 iPad Air 或 iPad Pro 的用户来说,这确实令人失望。虽然 iPad 11 售价为 349 美元,但最新发布的搭载 M3 芯片的 iPad Air 起售价为 599 美元,而 iPad mini 7 基础版售价为 499 美元。
那么,想要购买支持 Apple Intelligence 的新 iPad 又不想花太多钱,最佳选择是什么?我认为是 M1 iPad Air。
M1 iPad Air 是更好的选择
M1 iPad Air(即第五代 iPad Air)于 2022 年推出。虽然 Apple 官方已不再销售,但你仍可以在一些商店以更低价格买到 M1 iPad Air,特别是如果你愿意购买翻新机型的话。这款 iPad 在许多方面(或许是所有方面)都优于今天发布的新款 iPad 11。原因如下:
两者都配备 11 英寸 LCD 显示屏,但 M1 iPad Air 的面板更先进,具有广色域 P3 和防反光涂层,而 iPad 11 的显示屏仅限于 sRGB 色域,且采用非层压玻璃,更容易产生眩光。
第五代 iPad Air 比 iPad 11 更薄更轻。前者厚度为 6.1 毫米,重量为 461 克,而后者则为 7 毫米和 477 克。
但让 M1 iPad Air 无可匹敌的是 M1 芯片。M1 是 Apple 首款专为 Mac 设计,后来应用于 iPad 的 Apple Silicon 芯片。它拥有 8 核 CPU 和 8 核 GPU,而 iPad 11 中的 A16 芯片则是 5 核 CPU 和 4 核 GPU。这意味着什么?旧款 iPad Air 比新款 iPad 11 更快。
基准测试显示,M1 比 A16 仿生芯片快约 30%(请注意,这个比较是基于 iPhone 15 的芯片,该芯片比 iPad 11 中的芯片多一个 CPU 和 GPU 核心)。M1 还配备 8GB RAM,这对多任务处理和 AI 任务更有优势。
正因如此,M1 iPad Air 支持所有 Apple Intelligence 功能,以及同时使用多个应用窗口的 Stage Manager 功能和 iPad 外接显示器功能。iPad 11 则不支持这些功能。
第五代 iPad Air 还配备了传输速度高达 10 Gbps 的 USB-C 3.1 端口,而 iPad 11 的 USB-C 2.0 端口速度仅限于 480 Mbps。这意味着在 iPad 11 上,iPad 与外部设备(如相机)之间的文件传输会慢得多。Air 还兼容 Apple Pencil 2,相比 iPad 11 的 USB-C Apple Pencil 具有更多功能。
作为对比,iPad 11 相比 2022 年推出的 iPad Air 只有一个优势,那就是起步容量为 128GB,而 M1 Air 起步容量为 64GB。
该选择哪一款?
如果你只是想要一台用来看视频和阅读的 iPad,那么花少一点钱购买售价仅 349 美元的新款入门级机型可能是值得的。当然,学生可以从 Apple 教育商店获得更低的价格,这也是值得考虑的。
但如果你想要访问最新的 iPadOS 功能,并寻找笔记本电脑的替代品,M1 iPad Air 无疑是更好的选择。即使在今天,M1 芯片仍然可以轻松处理最重负载的任务和游戏,并且运行与最新 iPad 相同的所有软件功能。
Apple 以 379 美元的价格销售 64GB 版本的翻新 M1 iPad Air。Apple 认证翻新产品是经过 Apple 严格翻新流程的二手产品。翻新设备配有专用包装盒和原装配件。翻新产品同样享有 Apple 一年保修。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。