哎，因个人失误，忘记与42佬达成赞助服务器续费事宜，造成hub站所属服务器因到期被关闭，暂时联系不上42佬，所以，今天晚上大家都先洗洗睡吧，看明天42佬啥时候回复 3 个帖子 - 3 位参与者 阅读完整话题
IT之家 6 月 9 日消息，在今天的 WWDC26 上，苹果正式宣布 Apple Intelligence 与谷歌达成合作， 引入 Gemini 大模型 ，并且还带来全新的 AI 架构。 据介绍，新版苹果 AI 将由 Gemini 提供技术， 能在设备端运行，也可以在云端服务器运行 。 IT之家注意到， 新 Apple Intelligence 第二代设备端模型支持听写、自然语言理解、更生动的语音表达、屏幕感知功能等 。隐私保护的默认设置不妥协，采用端云结合，任何人无法访问你的数据。
IT之家 6 月 8 日消息，当地时间 6 月 8 日，亚马逊宣布与玻璃和光纤技术制造商康宁公司（Corning Incorporated）达成了一项数十亿美元的协议，旨在供应光纤、光缆和连接解决方案， 用以支持亚马逊在全美各地不断扩展的数据中心基础设施 。 这项投资将在康宁位于北卡罗来纳州各地的制造工厂创造 1000 个新的高技能工作岗位，同时带来数百个建筑业岗位。 据悉，这项与康宁达成的协议，是对亚马逊去年宣布 在北卡罗来纳州投资 100 亿美元 （IT之家注：现汇率约合 679.34 亿元人民币）以扩大云计算基础设施计划的补充。 亚马逊表示，自 2010 年以来，亚马逊在北卡罗来纳州已投资超过 200 亿美元，创造了超过 26,000 个工作岗位，涵盖物流、云基础设施和可再生能源。
今日沐白公益站消耗token 达到了20亿, 比预计高了一倍再此庆祝一下 【沐白公益站】复活版 - 搞七捻三 / 搞七捻三, Lv2 - LINUX DO 4 个帖子 - 4 位参与者 阅读完整话题
IT之家 6 月 8 日消息，今日，别克昂科威家族迎来重要里程碑，第 200 万台整车昂科威于上汽通用汽车东岳“白金工厂”正式下线。 与此同时，昂科威 Plus 全新车色「远山黛」正式登场，采用清漆层温变颜料、纳米闪片及超闪红蓝珠光等多重材质配方 8 层涂装工艺。此外，限时购买昂科威家族车型 可享 1000 元抵 7000 元定金膨胀 、日供低至 1.4 元的“1 元贷”购车方案、至高 10000 元置换补贴等多重购车福利。 IT之家注意到，2026 款别克昂科威 Plus 于 2025 年 9 月上市，全系指导价为 22.99 万元起，一口价为 16.99 万元起。该车座舱方面配备 30 英寸一体弧面 6K 屏，搭载高通骁龙 8155 芯片。新增“寰宇紫”内饰配色，同时标配前排吸风式座椅通风、行车记录功能、前 / 后排车窗一键升降。 规格方面，IT之家获悉该车尺寸为 4822×1883×1705mm，轴距 2833mm，继续搭载 2.0T 发动机，最大功率 174 千瓦，峰值扭矩 350 牛・米，传动系统匹配 9 速自动变速箱。官方 0-100 公里 / 小时加速时间为 8 秒（两驱）和 8.1 秒（四驱），最高车速均为 210 公里 / 小时。
英伟达公司与SK海力士达成合作，共同研发面向人工智能的新一代存储芯片，这对于这家韩国高端半导体龙头企业而言是一大利好。两家企业在声明中表示，已签订多年协议，携手推进芯片设计与制造业务。英伟达将助力合作方拓展新业务领域，覆盖基础设施、实体人工智能，以及为英伟达旗舰加速芯片Vera Rubin配套的存储产品。 英伟达首席执行官黄仁勋上周首次证实，公司已批准三星电子、SK海力士和美光科技供应HBM4内存。该产品是维拉・鲁宾芯片不可或缺的核心组件。这三家企业主导全球存储市场，正激烈角逐这块高利润业务。 黄仁勋在台北电脑展上透露，Vera Rubin芯片目前已进入全面量产阶段，预计今年第三季度正式交付。全新算力系统以英伟达维拉系列中央处理器与鲁宾图形核心集群为核心，每台服务器均搭载数太字节容量的HBM4内存。 查看评论
想要达成的效果： 在某个节点中，codex 弹出选项卡，让我选择，再根据选择后接着执行。 codex 回答不行： Codex App 在“我准备执行需要你授权的真实操作”时由系统层自动生成的权限审批 UI 。它不能被我当作自定义选项框随便调用；你截图里 Claude 那个是它的聊天 UI 提供的“选择输入卡片”。在我这边的 Codex 当前模式里，这种任意用途的对话内选择卡片没有开放给我调用。刚才你看到的审批卡片，是系统在我请求执行需要授权的真实操作时自动弹出的权限 UI 。 有没有办法达成这种效果？
马斯克竟然有这么多算力资源，每个月9.2亿美元，这简直是印钞机 13 个帖子 - 9 位参与者 阅读完整话题
IT之家 6 月 6 日消息，6 月 5 日，随着 垣信卫星使用 长征八号运载火箭 ，成功将 18 颗千帆卫星送入预定轨道。至此， 卫星数量增至 200 颗 、AIS 卫星系统完成组网， 千帆星座 达成重要里程碑。 据悉，此次 发射任务取得圆满成功。垣信卫星自主建设管理的 卫星测运控系统 ，可靠保障并验证了“24 小时两次发射”的高频次任务能力。 IT之家注意到，千帆星座已连续两日成功发射组网卫星： 2026 年 6 月 4 日 19 时 39 分，垣信卫星在太原卫星发射中心使用 长征六号甲运载火箭 ，将 18 颗千帆组网卫星送入预定轨道，所有卫星状态正常，发射任务取得圆满成功。 2026 年 6 月 5 日 14 时 34 分，垣信卫星在海南国际商业航天发射场，使用 长征八号运载火箭 ，成功将 18 颗千帆卫星送入预定轨道，所有卫星状态正常，发射任务取得圆满成功。 据此前官方介绍，作为千帆星座的建设和运营主体，垣信卫星未来将为全球用户提供低延时、高速率及高可靠性的 卫星（宽带）互联网服务 。该服务具有良好的通信体制兼容性，可平滑演进支持 6G 标准，最终实现地面、卫星、机载网络和海洋通信网络的无缝覆盖。 根据规划， “千帆星座”一期将发射 648 颗卫星 ，提供区域网络覆盖；二期再发射 648 颗卫星，整体规模达到 1296 颗，提供全球网络覆盖；三期由超过 1.5 万颗卫星提供多元业务融合服务。
IT之家 6 月 5 日消息，半导体器件供应商兆易创新（GigaDevice）今日与蔚来正式签署战略合作协议，双方将建立长期深度合作伙伴关系。 IT之家获悉，根据合作协议，双方将充分发挥各自在芯片设计与整车制造领域的专长， 共同推进车规级芯片及下一代电子电气架构的协同研发 ： 兆易创新将为蔚来提供高性能、高可靠性的车规级芯片产品与系统方案； 蔚来为芯片的前期架构设计、精准需求定义及性能优化提供关键指导，并协同整车级别的验证工作。 官方表示，双方合作将围绕智能座舱、智能驾驶等核心应用场景展开，旨在打通从芯片规格定义、联合研发、到规模化量产落地的完整链条，加快创新技术向实际应用的转化进程，携手打造具有行业标杆水准的解决方案与产品。
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。
据《The Information》报道，苹果公司正与Google和英伟达达成合作，共同为下一代深度集成人工智能能力的 Siri 提供算力与模型支持。 与以往强调自研或多元化供应链的惯常策略不同，苹果将在新一代 Siri 上更大程度依赖英伟达的 Blackwell 系列芯片以及Google的 Gemini 大模型。 报道指出，部分 Siri 查询将直接在Google云上运行，具体来说，是基于获得授权的 Gemini 模型版本来处理相关请求。 这意味着，在某些复杂语义理解或大规模推理场景中，Siri 的响应将由第三方云端算力完成，而非完全依赖苹果自有的数据中心和终端设备。 在硬件层面，Google的数据中心将使用英伟达最新一代 Blackwell B200 芯片，这一平台集成了机密计算（confidential compute）功能，可在芯片执行过程中对数据进行加密处理。 换言之，即便用户数据在处理阶段需要离开苹果生态，仍可通过端到端的加密与可信执行环境，将隐私泄露风险降到更低。 苹果一向将隐私与安全视为品牌关键卖点，此次合作也延续了这一路线。 尽管部分请求将通过第三方云服务完成，苹果依然通过加密技术和架构设计，尽可能确保用户数据不会在传输和处理过程中裸露给合作伙伴或其他第三方系统。 根据现有信息，搭载更高智能水平的新一代 Siri 预计将在今年九月首次亮相，苹果用户有望在秋季更新中体验到这项重大升级。 外界普遍关注，这次与Google和英伟达的合作能否帮助 Siri 缩小甚至抹平与竞争对手在大模型时代的差距。 查看评论
IT之家 6 月 3 日消息，在今天的 AI 云电脑体验日活动中，中兴通讯透露，公司已与腾讯达成深度战略合作，将推出 搭载腾讯原生 WorkBuddy 的 AI 云电脑 。该产品将融合腾讯云的算力和混元大模型的能力，定位为 面向学生、职场人士、小微团队的新一代生产力工具 。 该活动中，中兴通讯副总裁华新海表示， 当前我国家庭电脑拥有率为 67.5%，但 20% 设备长期闲置 。云电脑作为共享经济在算力领域的应用，实现了从“拥有设备”到“享受服务”的转变。 据IT之家了解，2025 年，中兴云电脑终端销量突破 200 万台，连续两年蝉联中国云终端市场冠军。
IT之家 6 月 3 日消息，微软今天在 Build 2026 大会宣布与梅奥诊所达成战略合作，共同开发部署医疗保健领域的前沿 AI 模型，让更多人在需要时获得梅奥诊所的医疗知识、服务模式。 IT之家在此援引官方新闻稿，本次合作将整合梅奥诊所的全球医疗专业能力、去标识化临床健康数据，以及微软的先进 AI、云计算及超级智能能力，为临床推理、医疗应用场景打造前沿 AI 模型。 同时，该模型将由梅奥诊所持有，以延续其长期以来的患者信任、临床严谨性、安全性口碑。 微软计划通过 Azure Foundry API 提供该模型 ， 使全球各地的机构都能够获得先进的医疗 AI 能力 ，更好地服务患者、临床医生以及普通消费者。 IT之家注：梅奥诊所是一家成立于 1864 年的医疗机构，在美国佛罗里达州的杰克逊维尔及亚利桑那州的斯科茨代尔设有分院，常年在各大权威报道中位列世界排名第一的最佳医院。
IT之家 6 月 2 日消息，高德今天宣布与新加坡旅游局签署战略合作协议，将推出首个与海外国家旅游局共建的榜单 —— 新加坡扫街榜。 IT之家从高德地图公众号了解到， 本次合作的新加坡扫街榜主打真实 、 本地化 ，能够按照不同出游偏好，把新加坡各个地方细分成出片圣地、户外疗愈、本地烟火等。并在现有榜单基础上，增加地方好味、极致甄选、休闲娱乐、热门好去处等不同维度，帮助游客更快找到适合自己的新加坡玩法。 作为参考，“高德扫街榜”发布于去年 9 月。官方宣称以科学算法解码 10 亿用户真实出行行为，凭真实导航、搜索、到达等多维数据构建榜单。引入芝麻信用体系，让评价体系能够结合用户信用等级，进一步提升评价可信度。
终于达成了百尺竿头的成就，下一个目标是全年不落！ 1 个帖子 - 1 位参与者 阅读完整话题
IT之家 5 月 30 日消息，日本云服务提供商 Data Section 昨天宣布与美国 AI 初创公司 OpenAI 达成战略合作，抢攻企业级 AI 市场。 据悉，Data Section 已在日本、泰国、马来西亚、澳大利亚和美国部署英伟达 GPU 集群数据中心，并将通过其企业级 AI 工作流平台 TAIZA，在符合监管要求和企业治理的框架下， 为亚太地区客户提供 OpenAI 模型 。 本次合作被外界视为 OpenAI 调整其基础设施战略的重要举措。此前该公司主要依赖微软 Azure 云设施，但此次签署协议表明，OpenAI 将由单平台策略转向多区域、分布式算力部署模式。同时 OpenAI 还能够借助 Data Section 的上市公司身份，更好应对数据主权、监管合规挑战。 IT之家注：Data Section 是一家在东京证券交易所上市云服务公司，该公司较早开始布局 GPU 数据中心市场，重点服务 AI 推理、高性能计算需求。