ChatGPT能耗惊人，该怎么解？谷歌DeepMind新算法JEST问世，让LLM训练的迭代次数降低13倍，计算量减少10倍，或将重塑AI未来。 ChatGPT早已成为世界耗能大户：一天用掉超50万度电，相当于1.7万个美国家庭的用电量！ 然而，大模型对能源的吞噬，远不仅如此。 国际能源署（IEA）预测，从2022年到2026年，数据中心的用电量将翻一番。 随着AI计算需求的膨胀，还需要用水来冷却计算系统。研究称，微软用水量从2021年到22年飙升了34%，ChatGPT每处理5-50个提示就会消耗接近半升水。 针对这种现状，我们有更好的解决策略吗？ 最近，谷歌DeepMind研究团队提出了一种加快AI训练的新方法——多模态对比学习与联合示例选择（JEST），大大减少了所需的计算资源和时间。 JEST以13倍更少的迭代次数，以及10倍更少的计算量，超越了最先进的模型！ 预训练的参考模型，已经学习了什么样的数据是有「优质的」或「有用的」。然后通过模型，来引导数据选择那些精心筛选过的小型数据集。 这一发现揭示了，数据筛选水平可以作为评判Scaling Law的一个新维度。 网友激动表示，「我没想到这么快就会发生。模型能够自主选择训练数据的能力是巨大的，因为它使训练变得显著更容易，你不再需要猜测什么是高质量的训练数据，你有一个能够『理解』什么样的数据对自身学习最有价值的模型」。 前谷歌、苹果软件工程师称赞道，这项研究非常令人印象深刻。 从「超级batch」中筛选数据 无论是语言、视觉还是多模态模型，数据质量是预训练性能的重要驱动因素。比如Phi-3、Gemma 2等模型的成功让我们看到了，更少、更高质量的数据有可能实现更强大的性能。 要筛选出高质量的数据，数据管道的建立就成为重要的工作。现有的方法大体可以分为两种：1）手动管理 2）基于模型的数据管理，用正在训练模型的特征选择高质量数据。 前者成本高昂且难以扩展，后者则有望为多模态LLM实现Scaling Law。 然而，现有方法忽略了一个事实。 如果仅在单个数据点的层面进行筛选，就没有考虑到数据集以及batch的总体组成。毕竟，训练数据是以batch为单位，数据点之间的依赖性不可忽视。 许多计算机视觉的研究都曾表明，hard negatives（表达空间中相近但标签不同的样本）相比可被平凡解的数据簇，能提供更有效的学习信号。 那么如何让模型以batch为单位筛选数据呢？ 论文提出的JEST算法正是要解决这个问题，原理很好理解：就是直接从「超级batch」中筛选出「子batch」。 技术介绍 用数学语言来描述这个问题，就是从大小为B的「超级batch」中提取出与学习最相关的子batch ℬ={,∈[1,…,]}⊂，过滤比率可以写作=1−/。 之前的优先采样（prioritized sampling）会使用基于模型的评分函数对每个数据点打分，再按比例采样。JEST则直接对整个子batch评分，再按照batch级别的分数采样。 一种最直观的启发式方法就是在现有模型参数 : hard⁢(ℬ|)=ℓ⁢(ℬ|) 中，直接选择损失值最高的batch，这种方法可被称之为「硬学习」（hard learner）。 这种方法具有丢弃琐碎数据的理想属性，已被证明适用于小型、干净的数据集；然而对于较大、较少管理的数据集往往弊大于利，因为它依旧会采样到噪声数据。 另一种方法常用于多模态，使用具有参数 ∗:^easy⁢(ℬ|∗)=−ℓ⁢(ℬ|∗) 的参考模型为预训练模型采样数据。但作者依旧否定了这个方案，因为它无法直接反映模型当前的状态，可能过度依赖参考模型的选择，而且不易于扩展。 最后，论文选择借鉴ICML 2022年的一篇论文中提到的方法，将上述两方面的评分结合起来：^learn⁢(ℬ|,∗)=hard⁢(ℬ|)+^easy⁢(ℬ|∗)=ℓ⁢(ℬ|)−ℓ⁢(ℬ|∗)，并将这种启发式方法称为「可学习性评分」（learnability score）。 其中，batch上的损失值ℓ⁢(ℬ|)是各数据点之和，使用sigmoid对比损失函数计算（sigmoid-contrastive loss），因为相比softmax对比损失而言，它的扩展性更强。 由于batch上的对比损失可以分解为每个样本的条件损失之和，因此可学习性评分可被分解为单个样本可学习性评分⁢(|,∗,ℬ)之和，写作： 使用的顺序采样方法则受到了block Gibbs采样的启发。在第n次迭代、对第B_n个batch进行采样时，依据如下概率公式对块{X_k}进行无替换采样： 将X_k块添加到B_n中来更新当前采样的batch，直至迭代数n=N时终止。算法的总体流程如下图所示： 实验中发现，使用迭代数N=16且每次迭代时独立采样b/N=2048个样本时，就足以恢复出学习性非常高的batch。 可学习性评分中涉及到使用参考模型为数据点打分，之前的方法惯常使用额外的小型模型，但这会增加每次迭代的计算成本，降低总体FLOP效率增益。 因此论文使用了在线模型近似的方法以及效率较高的FlexiViT架构，只使用降低分辨率的32×32的patch来评估「超级batch」，与全分辨率、patch大小为16×16的方法相比减少了72%的FLOP，以及67%的挂钟时间（wall-clock time）。 此外，论文还提出了进行多分辨率训练的技巧。将每个batch随机分成两半，使用不同分辨率编码后再拼接起来，提升了评分过程和训练的效率。 下图详细描述了全分辨率JEST和多分辨率Flexi-JEST方法的伪代码实现。 所有JEST实验都在WebLI数据集上运行，包含经过宽松过滤的十亿规模的英语图像-文本对，参考模型的训练则使用其中经过高质量过滤100M大小的子集（被称为WebLI-curated）。 在WebLI的基础上，作者还额外从网络上抓取了6亿个文本-图像对并经过同样强度的过滤，组成WebLI-curated++数据集训练参考模型，拓展出JEST++/FlexiJEST++方法，来探索对数据管理的扩展。 论文所报告的平均性能包括4个多模态规范基准：ImageNet 0-Shot和10-Shot 分类以及COCO图像到文本和文本到图像的top-1检索。 实验结果 图1中可以看到，使用JEST或FlexiJEST方法的最明显优势就是效率提升。 左图中，相比原有的SigLIP基线模型，JEST++可以在训练数据量减少13.1×的情况下达到相同准确率。即使考虑到额外引入的打分成本，也有近10×的FLOP效率提升（中图）。 右图展现了JEST++/FlexiJEST++（绿色）与先前方法（灰色）的比较，相比CLIP、EVA-CLIP经典模型实现了计算成本和性能的双重提升。 左图和中图的平均准确率由8个下游任务得出，右图性能由ImageNet和COCO基准测试得出 产生可学习batch 研究人员首先评估了JEST在选择可学习batch方面的效果。 为了直观地理解这一方法，作者们先将可学习性矩阵进行可视化，即学习模型和参考模型之间，对batch中所有示例对的损失差异。 JEST就是按照示例子矩阵的可学习性总和比例进行采样。 由于矩阵明显非对角关系（图2，左），独立选择显然是次优的。 经过少量迭代（对应于用N=16个块填充batch），作者发现子batch的可学习性快速增加，达到了需要数千次迭代的暴力吉布斯采样（Gibbs sampling ）所提取batch的可学习性（图2，中）。 对于0.5、0.8和0.9的过滤比例，他们从大小分别为65,536、163,840和327,680的超级batch中选择32,768个示例的子batch。 在图2右侧，研究者还发现子batch的可学习性随着更大的过滤比例而增加。 总之，JEST算法是在训练过程中选择高度可学习batch的有效，且高效的方法。 加速多模态学习 接下来，研究人员使用JEST算法选择的可学习batch，检验训练模型的效果。 所有实验都使用在WebLI-curated上训练的参考模型，这是一个ViT-B/16和Bert-B图像-文本双编码器，30亿训练样本，采用sigmoid对比损失函数。 图3（左）显示了在训练过程中多个下游任务（ImageNet 0-Shot/10-Shot准确率和COCO图像到文本/文本到图像检索）的平均性能。 结果还发现，JEST显著加速了学习过程。 在使用50%、80%和90%的过滤比例时，分别只需20亿、10亿和6.7亿训练样本就达到了30亿均匀基准的最终性能。 在更大的过滤比例下，坐着观察到类似于更大batch size时的训练不稳定性，需要修改Adam优化器（β2 = 0.95）以稳定训练，这表明JEST的数据筛选可以被视为增加了有效batch size。 在最终性能方面，当过滤90%的数据时，JEST也带来了高达6%的显著提升（图3，中间，蓝色曲线）。 值得注意的是，这种scaling行为这种性能提升在独立样本选择方法中，并没有观察到。（图3，中间，橙色曲线）。 最后，研究者还评估JEST是否也改善了，除可学习性之外的其他优先标准。 图3右侧显示了使用easy-reference优先选择的模型在不同过滤比例下的性能。 与基于可学习性的优先选择一致，JEST仍优于独立样本选择，特别是在高过滤比例下（在这种情况下，独立样本选择导致性能下降）。 优先选择具有最高损失的数据产生了较小的收益，并且随着过滤更多数据而更快地退化（图10）。 由于基于可学习性的JEST产生了最佳的scaling行为，研究人员在后续实验中保留了这一标准。 多分辨率训练和在线batch选择之间的协同效应 随着数据batch中被过滤的比例增加，基于可学习性评分的JEST变得更加高效。 然而，评分的成本会带来显著的提升：过滤超级batch 80%的数据会导致每次迭代的浮点运算量是IID训练的4倍，或者在缓存参考模型得分时是2.3倍。 尽管JEST在训练迭代次数方面（以下简称「训练效率」）显著提高了效率，但额外的评分浮点运算降低了其相对于IID基准的计算效率（图1，左vs右）。 因此，作者还研究了一种计算效率更高的变体，称为Flexi-JEST，它使用多分辨率训练和低分辨率评分，将总开销降低到仅比基准高10%（图4，左）。 这些近似方法对性能有什么影响？ 正如预期的那样，Flexi-JEST的每次迭代性能相对于JEST有所下降，但仍然比IID有显著的加速（图1，左；图4，中）。 然而，考虑到总浮点运算量的减少，每次迭代性能的下降是非常有利的：最好的Flexi-JEST模型与40B Siglip运行产生相同的平均性能，但浮点运算量减少了9.9倍，比全分辨率JEST少2倍（图1，右；图4，中）。 这些实验表明了多分辨率训练和联合示例选择之间的协同效应，前者为加速后者提供了高效和准确的评分能力。 实验结果，还指出了数据策划策略的帕累托前沿（pareto front）。 如果以计算为代价来最大化训练速度或训练效率，全分辨率JEST方法相对于可比的IID训练运行，可以产生高达13倍的加速。 实现强大数据质量引导 可学习性评分的核心是，一个在人类选择的小型、精心筛选的数据集上，训练的参考模型。 JEST的性能如何随不同的筛选策略（在质量和数量之间权衡）而变化？ 此外，JEST训练的改进是否与参考模型的性能相关，还是这些指标是分离的？ 理解质量与数量的权衡 研究人员探索了三种规模的数据筛选，每种都是原始WebLI数据集的一个子集： - 弱筛选（十亿级规模）：使用图像-文本对齐（ITA）过滤器。 - 中度筛选（3亿级规模）：使用ITA过滤器或文本质量（TQ）过滤器。 - 强筛选（1亿级规模）：结合使用TQ、ITA和额外的图像质量（aesthetic）过滤器。 在整个过程中，作者将这个强筛选子集称为「WebLI-curated」。 然后，他们在这四个WebLI子集上，各训练10个epoch的标准SigLIP编码器，并将它们用作在全WebLI数据集上进行JEST训练的参考模型。 在不同的数据筛选方法中，参考模型的性能和JEST的性能似乎是解耦的（甚至可能是反相关的；图5，左）。 虽然增加筛选（和减少数据集大小）会产生较弱的模型，但当它们被用作JEST预训练的参考模型时，却产生了相反的效果： 使用强筛选参考模型的JEST获得了2.7%的改进，中度筛选获得了1.5%的改进，弱筛选获得了0.3%的改进。 扩展数据筛选 假设参考模型性能与JEST性能之间的普遍解耦，可能仅仅是由数据筛选所施加的数据集大小限制造成的。 为了理解这种效果，研究人员在WebLI-curated上训练了5个参考模型，同时改变所见的总样本数（从2.5亿到30亿）。 在这种情况下，图5（右）显示了改进的参考模型与更好的JEST预训练之间存在着显著的相关性。 这表明「解耦」现象主要可以归因于参考模型因筛选后数据集大小减少而导致的饱和。 此外，研究人员还注意到，当数据集达到饱和时，图5（右）中的相关性开始崩解，即在10个epoch或者看到10亿个样本之后。 这些结果表明，JEST可能会从进一步扩大参考数据集的数据筛选中获益。 鉴于使用WebLI-curated++对数据进行扩展整理能显著提高参考模型的性能，作者提出了是否有必要在原始WebLI数据集上进行预训练的问题。 然而，在评估参考模型在不同数据集上的性能时，却发现：虽然它在2个下游任务上的性能优于WebLI预训练，但在其他6个任务上的性能，以及平均性能都明显低于WebLI预训练（表 5）。 与现有数据比较 最后，论文应用JEST++在公开的LAION-2B数据集上进行预训练，删除了其中不安全的图像-文本对，但没有进行其他的预先过滤。 这个数据规模相比的SOTA方法DBP减少了4×，但JEST++依旧远远超过了所有之前的离线数据管理方法。 简化数据管理 之前提到过，用于预训练的WebLI-curated是原始数据集WebLI过滤后得到的，以求筛选出高质量的图像-文本对齐的数据。 如表3所示，这种离线数据管理流程对IID（独立同分布）训练方法的性能至关重要，但JEST++则表现出了对预过滤流程的鲁棒性。即使没有过滤，JEST++的性能也没有出现明显下滑，降低了模型对基础数据集的要求。 结论和局限性 总体来说，JEST方法展现出了「数据质量引导」（data quality bootstrapping）方法的巨大潜力，即使用小规模精选数据集来指导对更大的、未经管理的数据集的学习。 最近的研究表明，在下游任务未知时，静态数据集的过滤会限制模型性能。这篇论文的结果则表明，相比单独选择样本的方法，在线构建batch能提高预训练的效率。 无论是使用JEST参考模型对数据集进行预评分，还是通过可学习性评分来根据模型需求进行动态调整，都可以成为通用基础数据集的更有效率的替代方案。 论文的最后，作者也提出了该方法的局限性。虽然JEST同时实现了性能增益和训练成本降低，但依旧依赖于小型、精心管理的参考数据集，它指定了未经管理的更大数据集中优先考虑的分布。 因此，未来的工作可以探索一种方法，从指定的下游任务中如何推断出参考数据集的组成和分布。

快科技7月7日消息，在2024年世界人工智能大会上，百度创始人李彦宏直言不讳地表示，开源模型相当于一种“智商税”。 他坚持认为闭源模型将保持领先，并强调即使是规模较小的闭源模型，其效果也优于同等规模的开源模型。 李彦宏认为，闭源模型能够根据客户需求提供多样化的解决方案，更好地平衡效果、速度和成本。 而阿里云CTO周靖人在同一大会上表达了对开源大模型的支持，周靖人认为，国产大模型的主动开源，尤其是达到GPT4级模型的开源。 可以极大地缩短了开源与闭源模型之间的差距，使普通开发者也能使用顶尖的AI模型，这将显著加速大模型的应用落地进程。 他举例说明，通义千问开源模型的下载量在两个月内增长了两倍，突破了2000万次，而阿里云百炼服务的客户数也实现了超过150%的增长。 HuggingFace联合创始人兼CEO Clem此前也曾表示，中国在全球开源大模型领域已经处于领导地位，大模型覆盖国内外主流厂商，联动开源社区，支持企业快速上架通用或行业模型。

快科技7月7日消息，在中国RISC-V产业联盟理事长、芯原微电子创始人戴伟民博士看来，当前AI领域的"百模大战"现象更像是一种资源的浪费。 在"世界人工智能大会"期间举办的"RISC-V和生成式AI论坛"上，戴伟民博士分享了他对AI大模型的看法。 戴伟民指出，自ChatGPT引发生成式AI热潮以来，众多企业纷纷投入大模型研发，但这种"群模乱舞"的现象实际上并不经济。 他强调，要实现超越人脑智能的AI，需要不断扩大模型参数规模，这对计算力的需求呈指数级增长，将导致巨大的电力消耗。 他预测，到2028年，中国基础大模型的数量将少于10个，更理想的状态是5个。 戴伟民还提到，目前全球有超过100款AI大模型，但这种模式并不可持续，他认为，应该集中资源发展更高效、更环保的AI技术，而不是盲目追求模型数量。 此外，戴伟民还探讨了生成式AI所需的算力芯片发展趋势，他认为未来将有更多专用芯片出现，挑战现有的GPU/GPGPU架构。

21世纪经济报道记者 王俊 王峰 实习生 刘欣、朱奕潼 北京报道 高考志愿填报还在火热进行中。今年，AI大模型志愿填报成为亮点。 志愿填报是高考后的关键环节，像山东、贵州等省份实施新高考后需要填写 96个志愿，提高了信息获取的要求和难度。 AI具有推理优势，近年来已经有不少公司在推出AI填报志愿。尤其是随着大模型的崛起，不少大模型产品也相继入局。 但是，这些产品性能如何，给出的志愿推荐是否具有参考性，误差有多大？ 21世纪经济报道记者测评了夸克、文心一言、百度AI志愿助手、腾讯元宝、天工AI、通义千问、智谱清言、靠谱AI、作业帮9款产品，结果发现均存在一定问题，尤其是文心一言、腾讯元宝、天工AI、通义千问、智谱清言等大模型产品，误差率高。 测评发现问题包括： 1、上述提及的大模型产品推荐误差率高。志愿推荐的“冲、稳、保”三个档次准确率低，存在“冲”的学校历年分数线低于“保”底学校。通义千问、智谱清言甚至出现给黑龙江省内排名4000左右的学生推荐冲刺清华、北大的建议，给山东排名64000名的学生推荐冲刺北京航空航天大学的建议。 2、底层数据缺失，即时数据更新不及时，一些推荐学校在该省份并无招生计划。 3、个性化推荐不够智能，选择志愿目标城市为北京，但文心一言、智谱清言等产品中出现多个学校并非北京高校。 根据艾媒咨询数据，2023年中国高考志愿填报市场付费规模为9.5亿元，近九成高考生愿意选择高考志愿填报服务，市场规模持续增加。AI产品想要吃下市场红利，目前的产品能力仍有较大不足。 大模型产品误差率过大 排名4千名考生推荐冲击清北 此次测评的产品分别为：夸克、百度文心一言、百度AI志愿助手、腾讯元宝、天工AI、通义千问、智谱清言、靠谱AI、作业帮。上述测评产品主要是在应用商店、网页、小程序等搜索AI志愿，弹出的排名靠前的产品。 为了客观、准确反应AI产品志愿填报的能力与精准度，21世纪经济报道记者分别用不同省份、高分段与中分段进行了测评，并且进行了二轮交叉检验。 测评首先设计了两个测评人设： 1）黑龙江考生，628分，排名，选科为物理、化学、生物，目标城市北京，想选择人工智能相关领域专业。 2）山东考生，考分558分，排名约64000，对城市与学校没有相关要求，专业覆盖人工智能、航空航天。 在一款产品的“智能填报”页面上，输入高考总分、选科等基本信息，系统会推荐“冲、稳、保”三种不同风险类型的志愿和录取概率预测。 进一步按照院校优先、专业优先、职业优先等筛选条件来缩小选择范围。 高分段实际测评情况： 测评的9款AI志愿填报产品中，主要分为两种类型：一种为在线“志愿一键填报”，主要应用是大数据技术，考生输入相关信息，系统根据各院校专业往年的录取分数、位次进行匹配，自动生成填报建议，包括按照“冲”“稳”“保”给出不同层次的推荐结果，包括各专业最近几年的录取最低分、最低位次、招生计划，以及预估的录取概率等。夸克、作业帮主要是这一类型。 另外一种则为大模型产品，用户与大模型对话，得到更充分的填报建议，也有志愿表格推荐等形式，文心一言、腾讯元宝、通义千问、天工AI等属于该类型。靠谱AI两种形式皆有。 记者根据历年分数线、排名、招生计划，对上述9款产品所推荐的结果进行判断，整体来看，AI大模型给出的推荐结果靠谱程度低于传统AI的志愿填报系统。 以黑龙江高分段考生为例，测评结果显示，百度的文心一言，它推荐的冲刺类型学校为上海交通大学和中国科学院大学，上海交通大学是上海的学校，其不符合测评考生的目标城市北京，并且，根据2024年中国科学院大学的本科招生分省分专业计划表中，中国科学院大学没有黑龙江招生计划。推荐的“稳”学校为北航、北邮和华科往年录取学生排名大概在1000、2000以内，而测评考生排名4千名左右，“稳”和“保”难度较大。 通义千问和智谱清言则将清华和北大作为测评考生的冲刺学校，作为排名4千多名的考生，这两所学校冲刺的可能性极低，误差较大。 夸克、靠谱AI和作业帮这四款产品也存在一定误差，比如夸克推荐保底的学校北京师范大学，历年在黑龙江的录取排名大概在三千名，也并非完全可以“保”的学校。不过整体来看，传统AI志愿填报产品误差率小于大模型产品。 再来看中分段的推荐结果，大模型产品误差仍较大。 文心一言推荐结果不稳定，用同样的考生条件多次提问，给出的答案大有不同，甚至会出现同样的学校专业推荐出现在不同档次的填报中的情况。 同时，文心一言、腾讯元宝、天工AI、通义千问给出的志愿填报推荐参考价值不高，对于排名64000名的考生却推荐要求排名在5000名及以内的学校，出现了985院校作为保底志愿填报进行推荐的情况，比如文心一言和智谱清言推荐排名64000名的考生冲刺北京航空航天大学，通义千问则在“保”的推荐中出现了北京航空航天大学。 大模型产品往往给出的推荐建议没有以往名次与分数线提供参考，而是与提问中的专业等关键词更加贴近，这也与大模型的属性有关。 AI志愿填报 仍有较大不足 在互动性方面， AI大模型产品的互动性更强，不仅局限于简单的一问一答模式，还会根据用户的指令智能调节后续问题的深度和广度，比如在高考志愿填报的背景下，它们一般会就模型推荐的填报志愿学校、专业的具体情况和就业前景等提供进一步的咨询服务，文心一言、腾讯元宝、天工AI、通义千问和智谱清言都会在回复下面提示，“你可以继续问我：上海交通大学近几年的分数线是多少呢，北京有哪些好大学等问题”。夸克、靠谱AI和作业帮等传统AI的志愿填报系统互动性不够，与产品定位重点不同有关。 测评的志愿填报产品中，大部分没有广告与后续付费要求。夸克、文心一言、AI志愿助手、通义千问、智谱测评中未发现广告与后续付费情况。天工AI需要分享才能查看志愿详情，靠谱AI则会限制每个用户免费使用的次数，同时，若想进一步获得更多消息也需要付费升级会员。 2014年以来，全国共有29个省份分五批启动了高考改革。新高考模式下，报志愿的难度提升，高考志愿填报成了一门热门生意，“钱景”广阔。 AI志愿填报近年来“水涨船高”，大模型的快速迭代，性能提升，成为今年志愿填报市场一股新增量。 大模型产品互动性更强，人机对话形式降低了志愿填报产品的使用门槛，可以用聊天的方式获取信息和建议。并且测评显示，互动过程中，不少产品也能抓取更有针对性的资料给到用户。 但是，大模型产品对数据有强依赖性，底层数据的缺失或是测评中大模型产品志愿推荐不靠谱的主因之一。 中国教育科学研究院研究员储朝晖在此前接受21世纪经济报道采访时表示，目前考生填报志愿存在几个难点，第一个是高校的招生简章当中没有准确表述招生诉求，第二个是高校公开的数据的质量、标准不一样，比如不同学校的同一个专业，内涵是有差异的。 此外，最关键的是，有些院校专业并未及时公布最近的录取分数线、录取位次等数据。 一位高考志愿填报产品负责人告诉21世纪经济报道，基础数据的准确和全面，是他们每年花最多精力来打造的事情，要动用上百人的人工标注团队来处理数据。 缺乏对院校专业权威的评估体系和评估数据，大模型志愿填报精确性难以提升。从测评结果来看，想要真正在志愿填报的红海中立足，大模型还有一段距离要走。

IT之家 7 月 7 日消息，据博主 @体验more 爆料，华为 MatePad Pro 12.2 英寸平板预计今年 8 月发布，100W 双口快充头，支持北斗卫星消息和星闪，是否搭载麒麟 9010 处理器还未知。 与此同时，华为还将带来一款 11.95 英寸 MatePad 平板，或属于 Air 系列，支持 66W 快充以及星闪。 目前，这两款新品均已通过 3C 认证，MatePad Pro 12.2 英寸型号为 MRO-W00 / MRO-W10，11.95 英寸 MatePad 平板型号为 BKY-W20、BKY-W10、BKY-W00。 据IT之家此前报道，华为去年 11 月发布的 MatePad Pro 11 英寸 2024 是全球首款支持双向北斗卫星消息的大众平板，售价 4299 元起。 MatePad Pro 11 2024 支持双向北斗卫星消息，无地面网络信号时，不仅能通过畅连 App 发送预置文字或快捷求助标记当前状态、勾选位置信息，还能接收到对方的回复消息。此外，该产品还支持星闪连接以及第三代 M-Pencil 手写笔，搭载降频版麒麟 9000S 处理器。 ▲ IT之家图赏：华为 MatePad Pro 11 2024

【CNMO科技消息】OnePlus（一加）已正式确认将于7月16日在意大利米兰举办新品发布会，届时将发布包括一加Nord 4手机、一加Pad 2平板电脑、一加Watch 2R智能手表以及一加Nord Buds 3真无线耳机在内的多款新品。亚马逊印度新上线的微型网站显示，这些产品也将在印度同步上市。 在发布会前夕，关于这些产品的详细规格信息不断泄露。知名爆料人伊尚·阿加瓦尔（Ishan Agarwal）最新透露，一加Pad 2将配备一块12.1英寸的IPS LCD显示屏，支持144Hz高刷新率，分辨率为3000×2120，同时支持杜比视界（Dolby Vision）技术，峰值亮度可达900尼特。该平板将搭载高通骁龙8 Gen3移动平台，提供8GB+128GB和12GB+256GB两种存储配置。 续航方面，一加Pad 2内置9510mAh大容量电池，支持67W SUPERVOOC超级闪充技术。影像系统上，该平板配备了一颗1300万像素的后置主摄和一颗800万像素的前置摄像头。此外，为了提升音频体验，一加Pad 2还内置了六个扬声器，带来沉浸式的音效享受。 值得一提的是，一加Pad 2在印度上市时，还将与一加Stylo 2触控笔、智能键盘以及Folio保护套一同推出。 其他几款新品：一加Nord 4将采用全金属机身设计；一加Watch 2R将运行Wear OS操作系统；而一加Nord Buds 3则有望以亲民的价格提供丰富的功能，定位低于现有的OnePlus Buds 3。 7月16日上午9点（印度标准时间下午6点30分），一加夏季新品发布会将通过公司官方YouTube频道进行全球直播。

原标题：20.37万韩元起，三星Galaxy Buds3/Pro耳机价格曝光 IT之家 7 月 7 日消息，继此前三星 Galaxy Buds3 Pro 耳机实物、包装照、佩戴图曝光后，目前系列耳机的价格信息也已经曝光。 参考消息源 tipster Sleep Kuma 透露，Galaxy Buds 3 在韩国售价 20.37 万韩元（IT之家备注：当前约 1074 元人民币），Galaxy Buds 3 Pro 售价 29.67 万韩元（当前约 1565 元人民币），这与 Galaxy Buds 2 和 Galaxy Buds 2 Pro 推出时的价格非常相似。 正如此前曝光渲染图所示，Galaxy Buds3 Pro 采用耳机柄设计，底部有彩色条纹，整体配色以银灰为主，具有不错的金属质感。耳机充电盒则采用耳机同款配色，上半部分为半透明状，整体外观较为圆润。 Galaxy Buds3 Pro 耳机的亮点在于充电盒上配备了蓝色和橘色的指示灯，24bit / 48KHz 升级到了 24bit / 96KHz，此外进一步改善了降噪和通话质量。IT之家查询公开资料，网友反馈在 Galaxy Wearable 应用中已经出现了 Galaxy Buds3 和 Galaxy Buds3 Pro 两款耳机的渲染图。

最近关于华为Mate 70系列的爆料，是越来越多了。 虽然外观设计这块，仍无渲染图或机模泄露。 但基本可以确认，华为Mate 70系列会搭载纯血鸿蒙、全新迭代的麒麟9000系芯片和豪威超大底主摄。 属于是软硬件全线高度国产化了。 但尽管咱们知道的消息很多。 也还是得等到10月份，才能知道华子还藏着什么终极大招。 So，今天机哥就先带机友们看点新鲜的——纯血鸿蒙智能手表 大家都知道，鸿蒙OS最大的特点就是“全场景。 所以不仅仅是手机啊。 后面呢，像是车机、PC、电视和智能手表等设备，都能基于OpenHarmony来运行。 比如今天的主角，499元的诺希开源鸿蒙手表。 别看它价格不贵，实际上该有的功能都有。 首先这手表用的，就是海思最新的W610智能穿戴解决方案。 像是CPU、GPU和DSP等架构都配备齐全了。 也支持视频播放、5星座联合定位和NFC等扩展能力。 至于手表本身的硬数值嘛，机哥是觉得中规中矩。 1.43英寸AMOLED屏幕、466×466分辨率、600nit亮度。 不超模，但对得起价格。 手表所搭载的，则是OpenHarmony 3.2操作系统。 和华为Mate 60这种，搭载OpenHarmony 4.1的相比，在功能性和特性上肯定有差距。 但你想想，它只是一块智能手表啊。 只要具备智能手表该有的防尘防水、联网定位、App安装和使用等功能。 然后再整点鸿蒙专属的互联特性。 机哥觉得就齐活了。 从官方宣传图也能看到。 这手表确实能在应用商店自由下载安装、升级卸载App。 微信、支付宝和百度地图等主流App也赫然在列。 就官方宣传的配置和应用生态来看，499元还性价比挺高的。 就看正式上市后，它的实际表现如何了。

【CNMO科技消息】三星粉丝们可以松一口气了，最新消息显示，三星并未在即将发布的Z Flip6上降级其外屏显示技术。SamMobile的可靠消息源确认，Z Flip6的内外屏幕均将采用AMOLED面板，这意味着用户将能继续享受卓越的视觉体验。 三星Z Flip6的外屏预计将与Z Flip5保持一致，拥有3.4英寸的对角线尺寸、独特的翻盖式形状以及60Hz的刷新率。外媒指出，尽管市场上已有部分中国折叠屏手机在外屏上实现了高刷新率，但三星似乎计划将这一升级保留给未来的产品。 不过，三星Z Flip6在其他方面将带来显著升级。它将搭载高通最新的骁龙8 Gen3移动平台，提供8GB和12GB两种RAM版本，配备5000万像素的主摄像头，以及比Flip5大300mAh，达到4000mAh的电池容量。 在软件方面，三星Z Flip6将预装基于Android 14的One UI 6.1.1操作系统，并引入了一系列新的Galaxy AI功能。这些新功能有望通过软件更新逐步推送给现有的三星设备。此外，Fold6和Flip6系列手机还将享受长达七年的操作系统和安全更新支持。 三星将于7月10日在巴黎正式发布Z Flip6，届时我们将看到这款备受期待的折叠屏手机的全貌。

据媒体报道，三星预计将在7月10日在法国巴黎举办Galaxy Unpacked，首款AI折叠机Galaxy Z系列将同时对外发表。 外界推测，三星首款AI折叠新机将命名为Galaxy Z Fold 6、Flip 6。更多消息称，除导入AI功能外，三星新款折叠机的芯片将与前一代相同，分别采用三星处理器Exynos系列及高通Snapdragon系列。 其他零组件方面，电池、充电速度将全面升级，折叠体验则将更贴合、更滑顺，且折痕感更低，并有望导入水滴式铰链设计，让用户开合手机更加顺手。 市场预测，三星市占率很可能再回到七成以上，折叠机霸主地位仍难撼动。（校对/张浩）

【CNMO科技消息】尽管Redmi K70系列的最后一款机型——K70至尊版尚未正式发布，但网络上关于其继任者——Redmi K80系列的热议已悄然兴起。近期，有数码博主爆料称，Redmi K80系列在外观设计上将迎来显著提升，预计将采用全新的亮面材质与复合玻璃设计，甚至可能探索陶瓷材质的应用。同时，其中一款设计方案的摄像头模组将移至左上角，展现出更为精致的视觉效果，值得期待。 Redmi K70系列 在核心性能方面，Redmi K80系列将搭载高通将于10于份推出的骁龙8 Gen4移动平台，预示着其将拥有极为强悍的性能表现。据悉，骁龙8 Gen4不仅采用了高通自研的Nuvia架构，更创造性地融合了2个Nuvia Phoenix高性能核心与6个Nuvia Phoenix M核心，构建出前所未有的双集群八核心CPU架构。 此外，骁龙8 Gen4将采用台积电3nm工艺（N3E）制造，不仅在性能上实现飞跃，更在功耗控制上取得了显著进步。 然而，值得注意的是，由于骁龙8 Gen4采用了成本更高的台积电第二代3nm工艺，以及全球范围内存储芯片价格的上涨趋势，据分析师郭明錤预测，该芯片的价格将上涨25%至30%。这一变化无疑将影响到搭载骁龙8 Gen4的旗舰机型，包括Redmi K80系列，其市场定价相较于前代K70系列或将有所调整。

快科技7月7日消息，真我GT6将于7月9日发布，日前，真我realme副总裁、全球营销总裁、中国区总裁徐起首次晒出真我GT6拍摄的样张。 从逆光、夜景等场景来看，真我GT6成像效果十分出色，照片色彩丰富、细节得以保留，尤其是抓拍飞行中的海鸥，即便是瞬间抓拍也能捕捉清晰的细节，可以说是同档抓拍神器了。 据了解，真我GT6主摄搭载索尼IMX 890传感器，拥有5000万像素、f/1.88 光圈，支持OIS光学防抖。 徐起表示：“搭载索尼5000万旗舰主摄，OIS防抖，以及GT5 Pro同款超光影引擎算法，正是出色的镜头、算法和OIS防抖加持，才定格下如此有张力的瞬间”。 作为直屏灭霸，真我GT6全球首发京东方S1+旗舰直屏，定位是直屏党的性能梦想机。 真我GT6屏幕灰阶过渡更自然，触控精准度大幅提升，暗光下屏幕表现均匀，更大程度还原真实色彩。 同时支持绿野AI护眼，行业首次引入主动眼部疲劳检测功能，智能检测疲劳状态，调节护眼方案，实现刷视频、电子书等全场景适配。 核心配置上，该机搭载高通骁龙8 Gen3，内置5800mAh电池，支持120W闪充，首发苍穹通信系统，支持5.5G网络和Wi-Fi 7协议。

据媒体报道，特斯拉全球销量按半年计算首次出现负增长。在主力市场美国，由于纯电动汽车的普及迟缓，价格更适中的混合动力车(HV)的销售占比超过纯电动汽车。 7月2日公布的4～6月销量同比下降4.8%，降至44.3956万辆，首次连续2个季度出现负增长。1～6月也同比减少6.6%，为83.0766万辆。自创建以来，特斯拉的销量持续增加，但目前已经迎来拐点。 特斯拉首席执行官埃隆·马斯克倡导“纯电动汽车的大众化”，设想纯电动汽车在世界范围内普及，将投资范围锁定为纯电动汽车。此外，脱碳化需求带来的纯电动汽车热潮也推动了增长。 报道指出，特斯拉原计划开发面向大众的低价纯电动汽车，但进展迟缓。在美国，普及纯电动汽车所需的充电基础设施建设也很缓慢，消费者更偏爱续航里程长的汽车，很多人选择了不需要充电、比EV更便宜、性价比更高的HV。 调查公司Cox Automotive数据显示，从美国1～3月各动力总成(动力源)的新车销售比率来看，HV为8.5%，超过EV(7%)。（校对/张浩）

Counterpoint Research 发布报告指出，纯电动车销量将在2024年达到1000万辆，同时内燃机汽车市占则预计在四年内降至50%以下。尽管2024年成长暂时放缓，纯电动车销量预计将继续成长，传统汽车制造商正在解决毛利挑战。这一改变将由生产过程重组和与电池制造商的策略合作推动，目的是降低制造成本、制造经济型电动车并加强供应链。 中国在纯电动车市场中保持强势，预计2024年中国纯电动车销量将是北美的四倍。到2027年中国纯全球电动车销售将占50%以上市占率，并预计在2030年超过北美和欧洲的纯电动车销售总和。从2025年起，欧洲和美国将成为主要成长动能。2024年，BYD 的纯电动车市占将大幅增加，并超越Tesla的销量，这一变化突显全球电动车市场的活力与变化。 Counterpoint Research分析师Abhik Mukherjee 表示：「通过重塑供应链并准备供应价格低于35,000 美元的经济型电动车，福特、通用汽车、Stellantis 和大众汽车等公司正在积极应对市场领导者的竞争。这一策略改革从2025 年底开始，不仅旨在满足更严格的排放法规，还将利用不断变化的补贴政策和稳定的消费者需求，重新刺激全球电动车市场。」

快科技7月7日消息，据媒体报道，特斯拉CEO埃隆·马斯克取消了原定的印度访问行程后，该公司与印度方面的联系陷入停滞。 因此，印度政府预计特斯拉在该国的造车计划可能将无限期搁置。 据悉，马斯克原计划在4月21日访问印度并宣布一项约30亿美元的投资建厂计划，旨在生产低价汽车并在今年晚些时候将特斯拉汽车引入印度市场。 然而，访问被推迟后，特斯拉高管未再与印度政府进行进一步沟通。 据知情人士透露，特斯拉可能面临资金问题，因此在短期内不打算在印度进行新的投资。 从产量方面来看，特斯拉二季度生产超41万辆电动车，环比下滑5.2%，同比下滑14.4%。 在2024年上半年，特斯拉的全球交付量不足100万辆，仅为83万辆，与比亚迪上半年超过161万辆的销量形成鲜明对比。 此外，华尔街分析师预计其二季度业绩也将出现明显下滑。 当前，印度电动汽车市场仍处于初期阶段，2023年电动汽车在印度汽车总销量中占比仅为1.3%。 在特斯拉搁置印度计划的背景下，印度可能将转向本土汽车企业以提升当地电动汽车产量。

特斯拉Model Y成为今年上半年韩国最畅销的进口车型。由于拥有Model 3等两款车型的特斯拉在进口车销量中排名第三，预计今年进口车市场格局将发生巨变。 数据表明，Model Y今年上半年销量达10041辆，超越奔驰、宝马车型，成为最畅销进口车。与去年同期相比，增长了395.4%。特斯拉是除奔驰和宝马之外第一款夺得第一的车型。尽管销量与第二名宝马5系（10,024辆）仅相差17辆，但Model Y的轰动对未来进口车版图的影响，令汽车业界关注。 分品牌来看，得益于Model Y和Model 3的良好表现，特斯拉首次跃居进口车销量第三位。特斯拉Model 3销量7,026辆，继奔驰E级（8,916辆）之后排名第四。上半年销量最高的品牌是宝马（34,933辆），其次是梅赛德斯（30,150辆）、特斯拉（17,380辆）、沃尔沃（7,185辆）和雷克萨斯（6,421辆）。 随着特斯拉的飙升，奔驰、宝马、奥迪、大众一直延续到2022年的四强格局正在动摇。特斯拉能否延续上半年的势头，升至年销量第三位，值得关注。一位业内人士预测，“由于供应问题，特斯拉销量往往集中在上半年，而比亚迪等中国低成本电动汽车计划下半年登陆韩国，因此我们必须观察局势。”

快科技7月7日消息，据媒体报道，极星科技（中国）据报将在9月底前裁员约30%，主要影响供应端员工。 目前，成都工厂已停止运营，生产任务转移至重庆工厂和吉利工厂，导致大量生产和供应岗位员工被裁撤。 同时，极星上海总部也将缩减办公规模。 今年1月，极星宣布全球裁员15%，约450人，当时未涉及中国市场。对于新一轮裁员，极星尚未作出回应。 极星5月在华销量仅为276辆，半年累计销量刚过1000辆。2023年财报显示，极星收入23.777亿美元，同比减少3%；毛利润下降5.13亿美元；营业亏损增加1.704亿美元，即13%；调整后营业亏损5.427亿美元。 在极星搁置印度计划后，印度可能寄望本土车企提升产量。 目前，极星的财务状况和市场表现，以及其在中国的裁员和工厂关停，反映出品牌在全球扩张过程中面临的挑战和调整。

快科技7月7日消息，外观、内饰细节公布之后，华为和北汽合作打造的全景智慧旗舰轿车——享界S9将首次亮相门店。 余承东在个人微博透露，享界S9的展车将陆续进店，自己也将尝试当一天华为旗舰店店长，给大家好好介绍这款新车的奢华设计。 “@说车的小宇 将和我一起，共同揭晓享界S9的更多‘秘密’！7月8日上午10点，欢迎大家来见证！ ” 据悉，享界S9长宽高为5160*1987*1486mm，轴距达到了3050mm，通过全新车身比例，实现驾乘空间最大化，舱内可用空间高达3460mm。 值得一提的是，享界S9继承了“9系旗舰”的中正结构，展现全新的寰宇座舱，首发星河画卷，搭配璀璨水晶设计。 在乘坐体验上，享界S9也带来了更多突破性的创新成果，首发轿车后排零重力座椅，配备总裁级扶手屏。 “每个细节都带来超越豪车的国宾级奢华舒适体验！展车很快进店，敬请期待！”余承东说。 科技加持方面，享界S9将首发HUAWEI ADS 3.0高阶智驾，再度刷新智驾天花板。这套系统率先应用端到端全新架构，并基于超强云端算力持续高速迭代升级，可实现智能驾驶、智能泊车和主动安全能力全面提升。 底盘动力上，享界S9搭载华为途灵底盘，配备华为数字能源技术有限公司提供的电动机，将提供单电机和双电机两种版本，其中单电机版的电机峰值功率为227kW，双电机版的电机峰值功率分别为158kW和227kW。 目前，新车已经开启预售，售价45-55万元，将于8月正式上市。上市后，将对标奔驰迈巴赫S级、宝马7系、奥迪A8等传统豪华旗舰轿车。

快科技7月7日消息，据浦东发布官方微信介绍，在2024世界人工智能大会上，上海发放了首批无驾驶人智能网联汽车示范应用许可，也就是俗称的“完全无人载人车牌照”。 这也意味着四家获证企业可在浦东部分路段实现全无人载人的车辆应用，市民可以通过相应软件预约乘坐这些无人车。 据了解，赛可智能科技（上海）有限公司、百度智行科技（上海）有限公司、上海裹动科技有限公司（AutoX）、小马易行科技（上海）有限公司为首批获得示范应用许可的企业。 目前，所有示范应用阶段无人载人车辆都是免费体验。 在完成至少单个车辆5000公里的示范应用，并验证车辆运营系统及载人运营的安全性、可靠性后，相关部门会对这些企业和车辆进行最终评估。 如果通过评估，这些企业就能在指定区域内进行自动驾驶车辆的商业化运营。