CNET科技行者 8月24日 北京消息:8月23日,摩托羅拉系統(tǒng)正式推出符合本地標準的任務關(guān)鍵型手持寬帶終端LEX C10,專為中國市場設(shè)計,幫助用戶在關(guān)鍵任務通信中提升工作效率及安全性,并制定最優(yōu)決策。LEX C10適用于中國和國際LTE標準,同時具備精準顯示、高質(zhì)量語音通話及超長待機等特性。
LEX C10采用5英寸高清觸摸顯示屏,能夠精準顯示極致清晰的文本與圖像;配備的2個1W揚聲器及3個高級降噪麥克風,幫助用戶第一時間聽清每條消息,即便在嘈雜的環(huán)境中也能進行清晰的語音通信;此外,LEX C10還提供4560mAh及2280mAh兩種規(guī)格的長效電池可供選擇,帶來強大的續(xù)航能力,保證用戶長時間作業(yè)中的無憂使用;而且,LEX C10還采用了康寧大猩猩玻璃顯示屏,及IP67級別防塵防水和軍用標準機身設(shè)計,堅固耐用,能夠滿足公共安全、機場、能源、采礦、危險貨物運輸?shù)炔煌袠I(yè)的高強度應用,確保設(shè)備的穩(wěn)定運行和高質(zhì)量語音及數(shù)據(jù)應用傳輸。
LEX C10符合B-TrunC標準,專門針對中國頻段而設(shè)計,適用于中國所有的LTE標準頻段,還兼容了北斗定位跟蹤功能,支持團隊成員之間快速建立通信,準確作出響應。
摩托羅拉系統(tǒng)(中國)業(yè)務代理總裁富莉莉表示:“中國是一個高度多元化的市場,今年恰逢摩托羅拉系統(tǒng)立足中國30周年,我們始終與本地客戶及合作伙伴保持緊密的合作關(guān)系,以求充分了解他們所面臨的業(yè)務挑戰(zhàn),致力于為他們帶來符合本地標準且專為他們的業(yè)務需求所設(shè)計的產(chǎn)品和服務。”
隨著通信技術(shù)的不斷創(chuàng)新,語音和數(shù)據(jù)應用的結(jié)合、專網(wǎng)和公網(wǎng)的協(xié)作,以及寬帶和窄帶的融合已經(jīng)成為關(guān)鍵任務通信的發(fā)展趨勢和方向。摩托羅拉系統(tǒng)致力于構(gòu)建一個移動智能的新時代,通過窄帶、寬帶、虛擬現(xiàn)實、生物監(jiān)測、無人機等不同領(lǐng)域的技術(shù)、產(chǎn)品和設(shè)備之間的協(xié)同解決方案,實現(xiàn)無縫連接,提升關(guān)鍵任務通信中的溝通效率,為用戶帶來更加靈活的產(chǎn)品組合和更長的設(shè)備使用周期,根據(jù)不同情境的需求,達到定制化的效果,從而創(chuàng)造更多價值。
富莉莉表示,摩托羅拉今年業(yè)務重點正是為中國市場推出定制化的寬帶終端產(chǎn)品,在窄帶與寬帶的協(xié)作和整合上,實現(xiàn)‘對講機+’的企業(yè)戰(zhàn)略。“LEX C10任務關(guān)鍵型手持寬帶終端正是為了滿足用戶對于寬窄帶不同設(shè)備的需求,對關(guān)鍵任務通信中的窄帶設(shè)備進行補充,并與之協(xié)作,提供高質(zhì)量的視頻、數(shù)據(jù)和圖像的傳輸,幫助用戶高效進行通信和響應。”
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。