/tag/3k

岗位： AI全栈开发工程师 工作地点：合肥 合肥 经验： 6 年以上（含大模型应用经验） 薪资： 13k-18k/月 岗位职责： AI应用架构与开发 ：负责基于 LangGraph 及智能体平台开发企业级 AI 应用场景，包括智能客服、供应链辅助决策助手、内部知识库（RAG）、自动化办公 Agent 等。 业务场景落地与项目负责人 ：独立承担项目规划、架构设计、技术落地及交付全过程，推动业务场景从原型到生产环境落地。 核心模块攻坚 ：负责 Prompt 工程优化、LangChain / LlamaIndex 应用框架搭建、向量数据库维护及模型微调（Fine-tuning）等核心技术环节。 全栈工程化落地 ：设计与实现高可用、高并发的后端服务架构；负责前端与服务端协同开发、API 接口设计与性能优化，保证项目从开发到部署全流程质量。 技术团队协作与指导 ：可带领小团队完成项目开发，制定技术规范，保证代码质量与系统稳定性。 任职要求： 精通 Java 和 Python ，熟练掌握常用框架（Spring Boot、FastAPI、Flask、Django）；具备扎实的算法、数据结构和系统设计能力。 6 年以上后端开发经验，能够独立完成完整项目并担任项目负责人。 熟悉 LangGraph、LangChain、AutoGPT 等大模型应用框架；熟悉主流向量数据库（Milvus、Weaviate、FAISS 等）的使用与调优。 深入理解 OpenAI、DeepSeek、Qwen 等主流大模型 API 特性及 Prompt Engineering；有大规模 AI 系统落地经验者优先。 熟悉 Docker 容器化部署、微服务架构及高并发系统设计，具备良好的工程化能力。 有在线客服/saas企业级项目/ AI 项目经验者优先。 简历投递：[email protected] 1 个帖子 - 1 位参与者 阅读完整话题

首先是小米mimo standard月度套餐专属api（6月11日过期）（2亿token）： -tp-ctqf9dawluj1hfhc04xv3snnq04eu088f0o3koxmt8folbt1 open ai 协议： https://token-plan-cn.xiaomimimo.com/v1 Anthropic 协议： https://token-plan-cn.xiaomimimo.com/anthropic 还有试用赠送的token：小米mimo（6月20日过期）：sk-c0hptfhdt3nzgi062mwmyv5m6ta7sfd2tz6wubswguywhcxv 接口文档： Xiaomi MiMo API Open Platform 4 个帖子 - 3 位参与者 阅读完整话题

6月底到期 API key:tp-czhbkxr4drtm35ejt6e2kzhntg3khx4t4p5onbzwflnpwmky 专属 Base URL 兼容 OpenAI 接口协议： https://token-plan-cn.xiaomimimo.com/v1 兼容 Anthropic 接口协议： https://token-plan-cn.xiaomimimo.com/anthropic 模型 mimo-v2.5-pro、mimo-v2.5、mimo-v2.5-asr、mimo-v2.5-tts-voiceclone、mimo-v2.5-tts-voicedesign、mimo-v2.5-tts、mimo-v2-pro、mimo-v2-omni、mimo-v2-tts 额度 11,000,000,000 Credits 1 个帖子 - 1 位参与者 阅读完整话题

当年高考完，买了人生第一台手机和电脑。 1.小米mix2s，3k+，当时应该挺贵的吧？好像也是小米有意识冲高的开始，可玩性挺高也是第一次接触刷机，那时候小绿书刷机氛围还是很浓的。什么面具、twrp、橙狐、各种类原生，氢os、flyme，当时在手机放了一堆卡刷包在外面有事没事就刷机…后面甚至还能卖win！不过后面用了不久挂二手只值1k多，安卓是真的不保值，后面就开始用三星基本告别小米了。 2.surface pro 3，拍拍二手3k+，i5-4300U，8g，基本告别游戏，大学四年没咋玩过游戏，无聊的话只能玩玩求生之路、泰拉瑞亚这些小游戏休闲。买了个官方的立式扩展坞长期挂着充电看YouTube，天天在宿舍听着舍友打lok自己只能拿小煮锅狂炫看视频… 6 个帖子 - 6 位参与者 阅读完整话题

求推荐2k-3k价位手机，给家里刚高考结束的妹妹用～ 女生可能想要拍照好看的，求佬友推荐～ 红米k90？荣耀？ 23 个帖子 - 19 位参与者 阅读完整话题

弟弟刚高考完要买手机了，大概2-3k的预算，佬们有什么推荐的手机吗 6 个帖子 - 6 位参与者 阅读完整话题

tp-e9og8e3kpjl3hvl5c4d5t7tsl0vxpjze7s15nm5gj3d2o9ua 今天刚进，一个mimo lite订阅的key，免费送出，佬们别嫌弃俺送的少，手边基本没有合适的key可以送了 7月2日到期 2 个帖子 - 2 位参与者 阅读完整话题

为了esim，想让朋友整一个小日子的2手手机，iphone, 三星 、谷歌，预算3k左右。 佬友们，有啥注意的？ 1 个帖子 - 1 位参与者 阅读完整话题

tp-clbxj37fm4pd3k794u2s4m37wvnyjte64zkrqw0jlnvajxdm 1 个帖子 - 1 位参与者 阅读完整话题

![image|516x500](upload://eYV3KOz9X7jJ4VNjrEyOEg9RXaj.jp 这个有佬知道怎么弄么 10 个帖子 - 9 位参与者 阅读完整话题

1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。

1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。

1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。

1. 背景 各位老师好，我们在做一个视频周期动作计数问题。具体场景是：根据游泳视频，统计每个泳者在每一段里的划水次数。 我们有大量“手部出水”检测框、身体框、泳者方向、泳道、泳者身份等原始数据，并且有次数、每次划手开始结束时间的 Ground Truth ，我们的目标是： 从大量有噪声的检测框里，筛出真正对应划水动作的证据，并稳定得到正确的划水次数。 2. 挑战目标和奖金 我们提供原始数据。如果您能提供可复现的方法，在 leave-one-video-out 评估中达到明显提升，我们愿意提供奖金。 当前最好的 offline Baseline 大约是： MAE：3.31 误差不超过 ±1 次的比例：37.6% 误差不超过 ±2 次的比例：58.4% 最大单行误差：15 目标 A：奖金 1500 元 MAE < 1.5 希望误差不超过 ±1 次的比例超过 60% 最大误差小于 5 （非必须） 目标 B：奖金 3000 元 MAE < 1.0 误差不超过 ±1 次的比例超过 80% 最大误差小于 3 （非必须） 3. 数据说明 原始数据： 每个手部检测框的时间戳 手部框位置和大小 身体框位置和大小 手框与身体框的重叠比例 手部中心点是否在身体框内 手部相对身体前后方向的位置 泳者方向 泳道、split/趟、泳者身份 当前系统的 L1 / L2 证据 Ground Truth： 人工标注的每一次真实划水开始和结束时间 每趟每人的划水总数 目前数据集中有 5 个视频、15 次运行、101 行有效评估数据。原始手部检测框约 13.8 万条，其中约 5.8 万条落在真实划水时间窗口里，约 8.0 万条在窗口外。数据、测试代码和说明文件： https://github.com/cbccbcc/external_clean_challenge_20260605 4. 我们目前的算法尝试：L1 / L2 L1 可以理解为对检测框的初步判断： 找到手部出水检测框； 判断手框是否和该泳者身体框有关； 过滤明显像脚或小腿的误检； L2 可以理解为在 L1 基础上，引入了序列维度，作为划手的依据： L1 （经过验证的手在水上）可以看作 1 ，没有则为 0 ，那么一次划手应该是若干 0+若干 1+若干 0 的组合 L2 相较于 L1 数量会更少一些，但是准确率更高一些 我们并不需要局限于这种思路，可以直接从 L1/L2 甚至原始检测框中恢复/预测划手次数。 5. 我们所做的尝试 纯 L1/L2 的估计误差大约在 6-7 ，远无法达到要求。L1 的时间证据比较干净：correctness 约 84.1%，但 true-stroke coverage 只有约 62.3%。核心问题是干净证据召回不够，高召回证据又太脏。 我们尝试了多种方法的节奏恢复算法/差值算法，包括 RANSAC/PROSAC/HMM 等等，并且根据不同特征进行插值，但是结果不尽如人意。 我们尝试了根据现有 L1/L2 的时间差，选取作为节奏的时间差，发现如果能够选取对的时间差，基于 oracle 可以达到 0.8 左右的 MAE ，但是问题在于我们无法从众多时间差中选择这个最佳时间差。 6. 评估规则 使用 leave-one-video-out： 每次用四个视频开发或训练； 剩下一个视频作为测试； 五个视频轮流作为测试集； 汇总五折结果。 要求同一套算法和参数选择流程必须能泛化到所有视频，不能针对单个视频人工调参。 7. 禁止使用的信息 人工标注可以用于训练、分析和调试，但最终算法不能把以下信息作为输入： 当前行真实划水次数； 当前行每一次真实划水的开始/结束时间； 针对某个视频手工指定的规则； 任何生产环境中不会提前知道的信息。 换句话说，temporal ground truth 可以帮助你设计方法，但不能直接喂给最终预测算法。 8. 关于时间对齐 我们发现算法证据整体加上一个小时间偏移后（+0.15s ），会和人工标注窗口更对齐。这个发现说明时间校准可能很重要。 但是最终奖励指标仍然以划水次数为主。我们不会单独因为时间对齐好就认定成功，但我们强烈建议关注时间对齐，因为稳定的时间证据通常更容易得到稳定的计数。 9. 关于交付 您只需要提供算法，初步远程确认没问题后可以咸鱼下单，支付后将算法细节发给我们进行验证，验证达到要求后确认收货。

来源: 3K Star 被质疑刷星，然后我收到了这辈子最好的一个PR 搞七捻三 [screencapture-file-Users-haleclipse-Downloads-p-1-html-2026-06-04-112630] 发图是因为AI润色啊喂喵 当然要遵守规则啦啦啦 如何: 改你的开发/执行/git相关skill或是在agents.md中要求 函数名举例: 发送邮件通知 → whisperToSubscribers() 校验数据 → sniffForTrouble() Commit举例: 优化数据库查询索引 → help the database find its glasses before searching the room 添加查询结果缓存 → remember hard work so we don’t compute the same thing twice 1 个帖子 - 1 位参与者 阅读完整话题

19 个帖子 - 19 位参与者 阅读完整话题

一个pro号一周大概3k刀左右 现在大部分的中转都是1:1充值 0.2-0.36倍率左右 还要面临破限 r18 反代的风险 纯pro号池真的能回本吗 还是不是正价开的？ 6 个帖子 - 6 位参与者 阅读完整话题

25年初自己装的机箱，全是京狗买的，花了13k，其实自己不是很懂装机，拿来跑了一阵comfyui，后面一直闲置，想换Mac mini,佬们帮忙看看，海鲜市场挂什么价比较合适，配置如下: CPU：i5-14600KF 主板：微星PRO Z790-A MAX WIFI DDR5 散热：钛钽SJ-A090 360水冷 内存：金百达白刃RGB DDR5 6400 64G（32G×2） 固态：宏碁掠夺者GM7000 2TB 显卡：七彩虹RTX4070Ti SUPER Ultra W OC 16G 电源：海韵GX850W V4 金牌全模组ATX3.1 机箱：骨伽乘风MX600 全塔侧透 风扇：骨伽灵镜V2 PRO 12cm ARGB×6把 7 个帖子 - 5 位参与者 阅读完整话题

IT之家 6 月 1 日消息，华硕今天在台北电脑展 2026 期间推出全新 ProArt P16（H7607）/P14（H7407）笔记本电脑，新品搭载英伟达 RTX Spark 芯片，号称将在个人 AI 智能体时代“重新定义 Windows PC”。 IT之家在此援引官方新闻稿，这两款笔记本是全球首批专为个人 AI 智能体打造的 Windows PC，可提供 1 PFLOPS（千万亿次浮点运算）的 AI 性能，可让创作者渲染超 90GB 的大型 3D 场景； 并运行 1200 亿参数 、 100 万 Token 上下文的大语言模型 。 规格方面，这两款笔记本内置 Blackwell 架构 RTX GPU， 拥有 6144 个 CUDA 核心及第五代 Tensor Core（支持 FP4 精度） ，并通过 NVLink-C2C 技术与 20 核 Grace CPU 相连接。 最高提供 128GB 统一内存 ，满足 AI 智能体计算需求。 同时，这款笔记本还针对 Adobe Creative Cloud、Goodnotes 等主流软件进行优化，采用 CNC 精密加工工艺。配备 Lumina Pro OLED 屏幕，ΔE＜1。 其中 P16 支持 4K 分辨率 、 120Hz 高刷 、VRR 可变刷新率及 G-Sync 技术，P14 则是 3K 分辨率，最高亮度可达 1600nits。 此外， 该系列笔记本最大可选配 99.9Wh 大电池 ，拥有触觉反馈触控板，可选纳米黑、新月白两种配色，应用超薄散热模组，预计将在今年秋季上市。

IT之家 6 月 1 日消息，小米米家洗衣机 Pro 至尊 版 超 电解智 投 洗 烘 13kg 现已在小米有品（ 点此购买 ）开售，新品首发价 3499 元，国补到手价 2974.2 元。 IT之家从商品页面获悉，这款洗衣机容量 13kg（洗 13kg、烘 9kg），采用超电解技术，官方宣称祛渍净白防串色，自然除菌无残留；洗净比可达 1.3，支持智能双路投放、智能低温柔烘等功能。 这款洗衣机拥有 31 种洗护程序，支持 24 小时预约、中途添衣；支持小米澎湃智联，可通过米家 App 与小米音箱进行智能化控制，远程掌握洗衣进度。