Gemma 3 270M词表吃掉六成参数,有人把它冻成了512位二进制码

资讯 腾讯网 作者:科技行者 全文 7818 字 · 约 20 分钟读完 配图 1 张 分类GemmaGoogle手机

你可能没想过这个问题:当你在手机上跑一个几百兆的小语言模型时,这个模型里到底有多少比例是在"真正思考",又有多少只是在"记单词"。答案可能会让你吃惊。拿谷歌的 Gemma 3 270M 来说,这是一个 2.68 亿参数的小模型,专为手机和笔记本设计。但如果你拆开看它的内部构造,会发现一个让人意外的事实:这个模型里真正负

所属频道 大厂动态AI 硬件与终端

你在手机上跑一个几百兆的小语言模型时,有没有想过:它体内究竟有多少比例在"真正思考",又有多少只是在"记单词"。

答案可能超出直觉。谷歌的 Gemma 3 270M 是个 2.68 亿参数的小模型,为手机和笔记本打造。拆开内部构造看,情况有点出人意料:

负责计算、推理的前馈层只占 7100 万参数;那张"词表",也就是把词转成数字向量的嵌入表,却有 1.68 亿参数,比例高达 63%。

模型瘦身,词表却成了甩不掉的赘肉

小模型圈子这几年出了三件大事。头一件,BitNet 证明神经网络可以把权重压缩到只用 -1、0、+1 三个数字表示,质量几乎不掉多少。

**BitNet*:这项技术把神经网络权重压到只剩 -1、0、+1 三种取值,因此也叫三值化(ternary)网络,目的在于大幅削减模型体积与计算量。*

第二件,十亿参数以下的小模型真够用了,谷歌 Gemma、Hugging Face SmolLM、阿里 Qwen 的小尺寸版本,日常任务都能派上用场。第三件,大家开始真把这些模型塞进手机和笔记本里跑,每一兆字节的体积、每一个字节的读取速度,都成了实打实的成本。

可词表这块一直没人真正动刀。几乎所有语言模型都带一张"嵌入表",给每个词分配一条学出来的向量,这张表通常还和模型最后输出的那一层共享参数。放到几百亿参数的大模型上,它是零头;放到几亿参数的小模型上,它几乎就是模型本身。

更麻烦的是,量化技术不但没解决这个问题,反倒让它更扎眼。

**量化*:用更少的比特位来表示模型中的数字(权重),例如由 16 位降到 4 位甚至更低,模型体积随之变小、运算速度也随之加快。*

BitNet 把身体部分压到接近 1 比特,嵌入表却依旧留在 16 位。GPTQ、AWQ 这些主流量化方法也统统绕过嵌入层不动。llama.cpp 这种常用的本地推理引擎,输出层最多压到 6 到 8 比特。于是模型的"身体"瘦下来之后,嵌入表反倒成了文件里占比最大的一块。论文估算,给 Gemma 3 270M 配上三值化的身体、保留 16 位词表,整个文件大约是 20 MB 的身体加 335 MB 的词表,词表成了那个"甩不掉的大头"。

微软自己发布 BitNet b1.58 2B4T 技术报告时,给出的内存占用数字写的就是"0.4 GB(不含嵌入层)",等于直接把这个大头从统计口径里摘了出去。论文作者认为,这种默认接受的态度本身就值得质疑:这张词表到底值不值这个价钱?

一张词表要做两件事,真的需要这么贵吗

要回答这个问题,得先搞清楚词表到底在干什么。

一个词的嵌入向量,实际上扛着两个任务。一是告诉模型"刚才输入的是哪个词";二是在模型吐出一个输出之后,拿它去和词表里所有词打分,看哪个最匹配。

这两件事,真需要给每个词配一条几百维、完全靠训练学出来的浮点向量吗?论文作者此前试过两次,SHADOW-250M 和 SHADOW-50M,两个模型都丢掉可学习词表,改用固定的二进制编码,跑起来确实又小又快。可这两次实验都不是严格对照实验,身体结构、训练数据、训练步数都和常规模型不一样,说不清"省下来的到底是不是词表的功劳"。

这篇论文要做的,就是把这件事彻底讲清楚:模型结构一模一样,训练数据一模一样,步数和随机种子也一模一样,唯一的变量就是词表要不要训练。

把词表冻起来:原理和它带来的代价

论文给出的方案并不复杂。先拿一个已经训练好的嵌入矩阵,这里用的是 Gemma 3 270M 自带的那张,262144 个词、每个词 640 维。对这个矩阵做中心化处理,取它方差最大的 512 个主方向,只保留每个词在这些方向上投影的正负号。

**主成分分析(PCA)*:这是一种数学方法,作用是从高维数据中挑出"信息量最大的几个方向";在本例中,它负责把 640 维的词向量压到 512 个关键方向。*

**二值化*:具体数值大小被舍弃,只留下正负符号(+1 或 -1),于是每个数占 1 个比特即可存储,而原先要用 16 位或 32 位浮点数。*

这么一来,每个词变成一串 512 位的二进制编码,整张词表只要 16.8 MB,训练一开始它就再也不会变,处于完全冻结状态。这张冻结表进模型之前,先过一个很小的线性映射(512 维转 640 维);模型输出之后再过另一个小映射转回 512 维,去和词表打分。两个映射加起来只有 65 万参数,相比原来 1.68 亿参数的可学习词表,几乎可以忽略。

另外还加了个叫"seal"的小设计:把每个词在训练语料里出现的对数词频,当成固定的打分偏置加进去,这部分同样不用训练,只占 1 MB 。

打个比方。可学习词表像让每个新员工从零开始,在公司里慢慢摸索、犯错、积累经验,才学会自己的工作方式,公司投入大量时间成本,但越老练的员工确实越好用。冻结词表更像直接雇一批有多年从业经验的老手,他们带着固定工作方法直接上岗,入职当天就能干活,公司不用再为他们的"在职培训"花一分钱,代价是这些人以后很难再按公司具体业务做深度调整。不冻结的话,模型要花大量步数才能把每个词的向量从随机初始化调教到能用,尤其是训练数据里很少出现的生僻词,这些词的向量很可能一直停留在接近随机的状态,根本没被"调教"过几次。

论文对这次压缩究竟损失了多少信息做了验证。512 个主方向保留下来的方差占原始嵌入表的 92.3%;在 WordSim-353 这个词语相似度测试集上,压缩编码与人类打分的相关性为 0.617,原始浮点嵌入则是 0.614,前者还略高一点。一个词的 10 个最近邻居中,有 67% 在压缩之后依然是邻居。说到底,这轮“瘦身”基本没动到筋骨。

三组对照实验给出的答案,比预想的要复杂。

论文搭了三个版本的模型,骨架完全照搬 Gemma 3 270M 的配置:18 层、宽度 640、2048 维前馈网络,训练数据取自 FineWeb-Edu,共 20.5 亿个 token,从零开始训,三组的数据顺序和随机种子完全一致。

**FineWeb-Edu*:Hugging Face 发布的高质量网页文本数据集,专门筛选教育类内容,小语言模型训练中常用。

**Token**:这是语言模型处理文本时用到的最小单位。一个句子往往会被拆成十几到几十个 token,所谓 token,可以理解成“一个词,或者词的一部分”。

A 组走标准路线,词表和身体都用浮点数训练,可训练参数共 2.681 亿。B 组把词表冻住、身体仍用浮点,可训练参数降到 1.01 亿。C 组更激进,词表照样冻结,身体换成 BitNet 的三值化结构,可训练参数 1.012 亿。

结果并没有一边倒,反而有些出人意料。

**验证损失(loss)*:衡量模型预测下一个词准不准的指标,数值越低,预测越准。*

最基础的验证损失上,A 组确实占优,比 B 组低 0.20 nats,折算成困惑度大约低 23%。可一跑到下游任务,局面就变了。

LAMBADA、HellaSwag、ARC-Easy、PIQA 是四个标准测试集,用来评测语言模型的常识推理和语言理解能力,分别覆盖句子补全、常识推理、科学问答、物理常识等方向。

| 模型 | 可训练参数 | LAMBADA | HellaSwag | ARC-Easy | PIQA | 验证损失 |

|---|---|---|---|---|---|---|

| A 可学习词表 | 2.681亿 | 21.6 | 30.4 | **45.9** | 60.6 | **3.155** |

| B 冻结词表+浮点身体 | 1.010亿 | **23.2** | 30.4 | 42.5 | **61.5** | 3.358 |

| C 冻结词表+三值身体 | 1.012亿 | 22.5 | 29.4 | 41.0 | 59.5 | 3.439 |

LAMBADA 上 B 组反超 A 组 1.6 个百分点,HellaSwag 和 PIQA 两项基本持平,只有 ARC-Easy 落后 3.4 个百分点。

换句话说,拿 1.68 亿参数去训那张词表,真正换回来的收益,大体就是科学常识测试上的一项优势,其余不是打平就是更差。这有点像砸大钱装了一间会客室,客人进门后却大多泡在厨房,那间漂亮屋子实际没派上什么用场。

损失曲线还暴露出一个耐人寻味的细节:训练初期领先的其实是冻结词表的 B 组,因为它的编码一开始就带着 Gemma 原始嵌入的“知识”,不必从零摸索。大约到 600 步,A 组完成反超,此后差距一路扩大,3000 步上下稳定在 0.20 nats。可见可学习词表的长处并非天生,而是靠大量数据一点点学出来的后天本事,喂的数据越多,它越有机会把这份优势兑现。

生僻词这一头,冻结词表反倒更占上风。

论文又按词在训练数据中出现的频率,把验证损失拆开来看,关键差异正是这么拆出来的。

出现超过 100 万次的高频词占全部文本的 52%,两边几乎不分伯仲,A 组只领先 0.035 nats。可到了只出现 10 到 99 次的生僻词上,形势翻转:B 组领先 A 组 2.3 nats,C 组领先 1.7 nats。

这个结果不难理解。Gemma 词表共 26.2 万个词,其中 5.28 万个词在本次 20.5 亿 token 的训练数据里一次都没露面,出现过 10 次以上的只有 14.7 万个。A 组这种从零训练的可学习词表,碰到这些生僻词,向量几乎等于“裸奔”,没见过几回,压根没机会被调教成型。冻结词表则不同,它从一开始就带着 Gemma 原始模型学到的语义信息,哪怕某个词在当前数据里几乎不出现,编码依然是“懂行”的。

打个比方,两个翻译:一个是刚毕业的新手,只翻得动培训教材里反复出现的常用词,遇上生僻专业术语就卡壳;另一个带着多年行业词典的积累入职,某个术语哪怕在这家公司日常文件里一年也用不上几次,他照样知道是什么意思。要是公司业务高度依赖处理各类长尾、冷门的专业词汇,后一位显然更靠得住。

三值化之后:46 MB 的文件,笔记本上跑出每秒 700 多词

论文真正想验证的终极形态,是把冻结词表和三值化身体拼在一起的C组。

这组模型压缩打包后总共46.2 MB,词表拿走16.8 MB,三值身体大约20 MB。对照来看,A组按16位精度存成GGUF格式,文件有543 MB,体积是C组的十多倍。

**GGUF*:llama.cpp推理引擎采用的一种模型文件格式,支持多种精度的权重压缩存储。*

质量层面,C组在LAMBADA和PIQA上与A组持平,HellaSwag差0.9个百分点,ARC-Easy差4.9个百分点。可C组的可训练参数连A组的一半都不到。

速度测试更抓眼球。作者针对三值网络单独写了一套CPU推理代码,在一台普通英特尔笔记本处理器上开8个线程跑。公平比较的对手是A组经8位量化的GGUF文件,这个量化等级基本不掉精度。结果C组每秒能生成615到740个词,A组8位版本只有每秒116个词,前者是后者的5.3到6.4倍;内存占用上,C组62 MB,对方471 MB,只有七分之一。

| 模型 | 文件大小 | 峰值内存 | 每秒生成词数 |

|---|---|---|---|

| A,16位浮点 | 543 MB | 723 MB | 62 |

| A,8位量化 | 292 MB | 471 MB | 116 |

| A,4位量化 | 253 MB | 446 MB | 130 |

| C,三值+冻结词表 | **46 MB** | **62 MB** | **615-740** |

还有个细节:哪怕把A组压到最激进的4位量化,文件也只到253 MB。原因在于llama.cpp这类量化工具都跳过了词表,那25万多个词、640维的嵌入表始终以16位精度存储,在4位量化版本里占了250 MB。论文开头那个判断在这里得到印证——词表就是压不动的那块硬骨头。

新词能不能后加?这才是冻结词表真正的杀手锏

跑得快、体积小之外,冻结词表还有一项可学习词表根本做不到的本事:训练结束后仍能往里加新词。

道理在于,冻结词表里每条编码都由明确的数学规则(主成分投影加符号化)从某个向量算出来。给出一个新词对应的向量,按同样规则就能算出编码。可学习词表就不同了,每一行向量都是训练中一点点调出来的,训练结束后想加新词,这一行只能随机初始化,等于一个完全没上过学的新人。

论文做了个挺实在的测试:从PubMed医学文献里挑出10000个被Gemma分词器拆成两段以上的高频生物医学词汇,各自当作一个新的完整词加进词表,不做任何额外训练。

**PubMed*:一个收录生物医学领域论文摘要的大型数据库,常用于医学自然语言处理研究。*

结果差距悬殊。冻结词表(B组和C组)加入这1万个新词后,困惑度只涨了大约3%;可学习词表(A组)的困惑度直接飙升42.9%,基本等于崩盘。

这组数字背后的道理很朴素。可以想成两种图书馆扩建方式:冻结词表的图书馆有一套固定编目规则,新书一到,管理员按规则编号上架,读者照样很快能找到;可学习词表的图书馆靠管理员记忆力认书,新书堆在角落,没人教过管理员怎么归类,读者想找这本书时,整个检索系统就乱了套。如果经常要往词表里加新领域的专业词汇,比如医学、法律、某种小众方言,可学习词表这条路基本走不通,得重新训练。

论文同样直言,这项本领的关键落在"能不能做到"上,跟"做了以后质量是否更优"关系不大。词表冻住不动,只要往里添新词,困惑度仍会上升3%——代价并非为零。研究者试过多种为新词编码的路子:把词的各碎片向量取平均、只取首个碎片,乃至直接从模型输出反推,都没能把这笔代价压到零。该能力真正有用武之地,是论文作者早前SHADOW-50M那种极端情形:那个模型对8600个英文词片段完全陌生。Gemma的词表覆盖已相当齐全,能留给"新增词"发挥的余地本就有限。

论文自己承认的局限,也值得说一说

这篇论文态度克制,没有把结论吹满,反倒花了不少篇幅讲清楚哪些地方没做到位。

比如每组实验只跑了一次,没换随机种子重复验证。换个种子,0.20 nats的差距可能会有几个百分点的浮动。2.05亿token的训练量对1亿参数级别的模型刚好合适,但对A组那张巨大的词表来说其实训练不充分。如果训练数据拉到20B token,词表的优势大概率比现在更明显,下游测试结果到时可能会改写。

C组和B组之间其实同时变了三个东西:身体结构从浮点换成三值、训练的学习率调度表换成BitNet作者推荐的配方、偏置项是否参与训练也不一样。论文只拆解了"偏置项是否训练"这一个变量,它大概贡献0.003到0.022 nats的差距;学习率调度表这个变量具体贡献多少,论文没有单独测出来。

这套冻结编码并非凭空而来,它提炼自 Gemma 3 270M 原有的嵌入矩阵。说白了,就是借了现成嵌入表的力,因此它天然带着 Gemma 嵌入表里已有的知识和盲区。相关权重的发布还要受谷歌 Gemma 许可条款约束。方法本身也要求先有一张训练好的嵌入表可供提炼;若连这个起点都没有,流程能否跑通,目前仍是开放问题。

写在后面

论文里那些速度和体积的数字固然抢眼,但真正打动我的是它提问的角度。多数模型压缩研究默认要回答“怎么把现有东西压得更小”,这篇论文却反过来问:“这块东西本来就需要这么大吗?”这种追问透着对“默认设定”的警觉。词表用浮点数训练、与输出层共享参数、占去模型大半体积——这些做法在深度学习圈里几乎成了不言自明的惯例。连 BitNet 这种以极致压缩出名的工作,技术报告里的内存数字也悄悄把词表排除在外。作者没接受这个默认,而是去算“这张表到底值多少钱”。这份较真,比具体方案本身更有意思。

按词频拆分损失的那张表也让我印象很深。一个笼统的“平均损失提升多少”,常会盖住方向相反的两种效应:常见词上可学习词表小胜,生僻词上冻结词表大胜,两边一平均,表面看只是小幅落后,实际能力分布可能完全不同。这种细粒度拆解的做法,值得搬到其他场景的评测中。

论文末尾轻描淡写地提了一句:下一步要把冻结编码的思路扩展到文字、图片、音频、视频统一的 512 位编码空间,让一个小模型既能看图、听声音、写句子,还能塞进 CPU 里跑。若真做成,意味着多模态模型首次可能不必为每种模态单独配一套昂贵的可学习嵌入系统。成败如何,恐怕要等下一篇论文。

Q&A

Q1:冻结词表与可学习词表,效果孰优?

A:不存在绝对赢家。可学习词表在验证损失上更低,整体困惑度更小,但在 LAMBADA、HellaSwag、PIQA 等下游测试中打平或略胜,仅在 ARC-Easy 上明显领先。冻结词表则在生僻词预测上赢了 1.7 到 2.3 nats,训练后还能免费添加新词;可学习词表添加新词则会让困惑度暴涨 43%。

Q2:三值化模型在笔记本上到底跑多快?

A:论文中的 C 组模型(冻结词表加三值身体)压缩后仅 46.2 MB。在英特尔笔记本 CPU 上用 8 线程测试,生成速度达每秒 615 到 740 个词,是同等质量 8 位量化浮点模型(每秒 116 个词)的 5.3 到 6.4 倍;内存占用只有 62 MB,约为对方 471 MB 的七分之一。

Q3:如今的语言模型词表为何都不压缩,偏要留在高精度?

A:主流量化工具如 GPTQ、AWQ、llama.cpp 都默认跳过嵌入层和输出层不压缩,BitNet 也把嵌入表和输出头留在 16 位精度。结果模型身体被压得很小之后,词表反倒成了文件里占比最大的部分。论文认为,这是一个被长期忽视的“默认惯例”。

本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 谷歌工程师让打印机跑2.7亿参数模型:每词元约60秒

    IT之家 11 月 20 日消息,谷歌 DeepMind 技术团队成员奥马尔 · 圣塞维耶罗(Omar Sanseviero)于 11 月 17 日在 X 平台发布推文,在只占用 14.1MB 内存的情况下,成功让办公激光打印机运行 2.7 亿参数的 Gemma 3 270M 模型,每输出一个词元(Token)消耗约

    来源 腾讯网
  2. GrapheneOS:谷歌被指施压摩托罗拉,阻挠第三方系统合作

    IT之家 11 月 21 日消息,GrapheneOS 官方账号在 Mastodon 平台发文,公开指责谷歌试图阻止 OEM 手机厂商与其合作,甚至施压手机制造商不要支持解锁 Bootloader(引导加载程序)。GrapheneOS 称谷歌曾多次主动联系 Android 设备制造商,询问对方是否正在与 Graphen

    来源 腾讯网
  3. 谷歌签下蓝色起源:2029年用New Glenn发射AI卫星

    2026年11月19日,谷歌宣布与蓝色起源签约,将于2029年第一季度用New Glenn重型火箭执行Project Suncatcher首次专用重型发射,把搭载TPU的AI卫星送入太阳同步轨道。在此之前,谷歌已于10月完成史上首次轨道数据中心级AI推理测试——机载Gemma 4模型生成的俳句在挪威斯瓦尔巴群

    来源 AI 科技快讯
  4. Gemini 4 翻身背后:SemiAnalysis 填表道歉,Hassabis 接梗回应

    Google DeepMind通过组织调整、算力重新分配和训练体系升级,在短短七周内连续推出四款Gemini 4模型。依托大规模预训练、多线并行研发和真实工程场景的强化学习训练,Gemini在编程和Agent能力上实现突破,重返行业第一梯队,此前唱衰Google的SemiAnalysis也公开致歉。

    来源 华尔街见闻
  5. 华为星芒OSTA O1 Pro:5499元起,16G版全平台售罄

    IT之家 11 月 21 日消息,首款为 AI 而生的鸿蒙手机 —— 华为星芒 OSTA O1 Pro 已于昨日下午正式发布,首发价 5499 元起、叠加国补后 4999 元起。▲ IT之家开箱:华为全新子品牌星芒 OSTA O1 Pro 手机实拍IT之家注意到,华为星芒品牌总经理刘赫已开通微博,并在 00:10 发文

    来源 腾讯网
  6. AI时代,华为要再造一个“荣耀”!首款鸿蒙AI手机来了

    智东西(公众号:zhidxcom)作者 | 云鹏编辑 | 李水青智东西11月20日报道,刚刚,华为正式发布了全新的子品牌OSTA星芒,以及星芒首款新机OSTA O1 Pro,一款阔直板手机,也是华为首款“鸿蒙AI手机”,硬件方面其搭载了韬定律芯片麒麟9030S。2020年11月,华为官宣卖掉了子品牌荣耀,6年后,华为新

    来源 腾讯网
  7. Gemini 4 翻身记:SemiAnalysis 补交道歉表,Hassabis 接梗

    曾断言 Gemini 掉队的研究机构 SemiAnalysis,在 Gemini 4 系列密集发布后向 Google 公开致歉。文章梳理 DeepMind 的组织调整、算力分配与长期研发积累,解析真实工程任务驱动的后训练如何提升编程和智能体能力。

    来源 爱范儿
  8. 鸿蒙智行:主动安全避撞超542万次,新增130+项标准

    IT之家 11 月 20 日现场消息,在今日举行的鸿蒙智行享界 V8 及星芒品牌发布会直播上,华为常务董事、产品投资评审委员会主任、终端 BG 董事长余承东表示,截止 2026 年 11 月 19 日,鸿蒙智行主动安全累计避免可能的碰撞超过 542 万次。IT之家在现场获悉,针对合作车型,鸿蒙智行累计新增 130+ 项

    来源 腾讯网
  9. 只改一处代码,谷歌 AI 智能体优化 Harness 后任务成功率提升 8 倍

    IT之家 11 月 20 日消息,谷歌研究人员当地时间 11 月 17 日最新发表的研究论文《Harnesses That Improve Themselves》(《能够自我改进的 Harness》)显示,通过让 AI 智能体逐步修改自身运行框架,并对每次修改进行验证,可以显著提高软件工程任务的完成率。 在一项 SWE

    来源 AI 行业观察
  10. DeepMind谈AGI之后:通往ASI的四条路线与千倍成本落差

    最近,Google DeepMind Institude 发布了最新博客文章《AGI 之后是什么?》,探讨了人工通用智能(AGI)之后的技术演进方向,以及人类可能通过哪些路径迈向人工超级智能(ASI)。 文章链接:https://institute.deepmind.com/essays/what-comes-afte

    来源 AI 行业观察
  11. 华为OSTA星芒手机:鸿蒙AI重构交互,16:9满屏直达

    撰文:懂懂 来源:懂懂笔记 手机产业正处于一个下行周期,用户没有换机的动力。参数年年涨,形态翻来覆去,却鲜有让人非换不可的创新。 行业需要一个新故事,AI手机被推到了台....

    来源 腾讯网
  12. 折叠屏手机耐折的秘密:柔性盖板膜如何做到柔而不垮、刚而不脆

    设置星标★关注,从此你的世界多点科学~你有没有想过,为什么过去的直板手机摔在地上是“啪”的一声,而现在的折叠屏手机合上时是“咔嗒”一下?为什么普通的屏幕玻璃一折就碎,而折叠屏却能经受住数十万次的开合?答案就藏在折叠屏手机最外层的“保护层”里。柔性盖板膜是什么要理解柔性盖板膜的作用,可以先看看它在折叠...

    来源 腾讯网
  13. 谷歌SIM机制曝光:Gemini可继承Claude经验,新模型不再从零开始

    谷歌内部,或许真正实现了RSI! 从此,Gemini已能「继承经验」持续自我进化,Gemini新模型不再从零开始! 或许也正是这个原因,谷歌最近跟疯了似的不停发模型。 Gemini 4 Hydrogen才发布不到一周,更强的Gemini 4 Neon就来了。 答案,或许藏在谷歌与宾夕法尼亚州立大学深夜联合发布的一篇最新

    来源 AI 行业观察
  14. 手机厂商跟进阔直板,华为星芒O1 Pro售5499元起

    “IT早报”时间,大家好,现在是 2026 年 11 月 22 日星期日,今天的重要科技资讯有:1. 不只是华为,消息称其他厂商也考虑为旗舰产品线引入阔直板形态博主 @数码闲聊站 21 日下午爆料称,当下手机市场“阔形态”升级势不可挡:除了华为,其他家也考虑在正代旗舰线加入阔形态,与常规直板机双线并行。2. “几乎所有

    来源 腾讯网
  15. Signal默认屏蔽截图:iOS与安卓防AI读取消息

    IT之家 11 月 22 日消息,开源端到端加密聊天应用 Signal 近日推出 iOS / Android 版更新,默认关闭应用程序内截图功能,以阻止 Siri AI 和 Gemini 等 AI 智能体读取用户私人消息。 Signal 总裁 Meredith Whittaker 表示,系统级 AI 智能体的影响力正不

    来源 AI 行业观察
向下滚动自动加载更多