俄罗斯正在测试鸿蒙系统! BQ手机厂商将放弃安卓?华为回应...

Halcon实战:基于图像清晰度自动筛选最佳对焦图片 本文详细介绍了如何使用Halcon实现基于图像清晰度的自动筛选最佳对焦图片技术。通过分析灰度值统计和标准差等核心指标,结合实战代码示例,帮助开发者高效处理工业检测中的对焦问题,提升自动化检测的准确性和效率。 阅读详情

点击“开发者技术前线”,选择“星标”

让一部分开发者看到未来

514bd66dcf2ea4f0198195d4bf44106a.png

 来自:AI前线

受美制裁,俄罗斯 BQ 智能手机将无法运行 Android 系统,有消息称 BQ 手机将转用华为鸿蒙系统。

华为回应俄罗斯 BQ 手机

在测试鸿蒙系统

3 月 27 日,俄罗斯卫星通讯社报道,由于受到美国制裁,谷歌已经停止认证运行 Android 系统的俄罗斯 BQ 智能手机。俄罗斯 BQ 公司已经在测试中国华为的鸿蒙操作系统,搭载鸿蒙操作系统的新智能手机可能会在 2022 年下半年发布。

对此,华为向证券时报·e 公司记者回应称:“截至 2021 年底,已有 2.2 亿台华为设备搭载 HarmonyOS。我们非常感谢大家对 HarmonyOS 一直以来的关注与期待,但目前暂无计划在海外推出搭载 HarmonyOS 的手机。”

据悉,俄罗斯 BQ 公司成立于 2003 年,主要生产智能手机以及小家电。根据 Counter Point Analytics 评级,2017 年,BQ 在俄罗斯成为销量排名前五的最受欢迎的智能手机制造商之一。2018 年,BQ 公司占据俄罗斯智能手机市场份额的 7%。

此前俄罗斯卫星通讯社援引 BQ 公司总经理弗拉基米尔·布扎诺夫(Vladimir Puzanov)的话说,BQ 公司收到了谷歌的通知,称美国法律禁止向俄罗斯提供服务,包括出口、转口,以及向俄罗斯提供美国原产的软件和技术。

虽然 Android 是一个开源和免费的操作系统,但为了使用 Google 服务 (GMS),制造商必须获得 Google 的认证。

“所有已经认证的设备将继续运行,新设备的安卓系统可能会出现问题。”弗拉基米尔·布扎诺夫表示。

早些时候,Mobile Research Group 首席分析师 Eldar Murtazin 在 Telegram 频道上表示,谷歌已停止授权俄罗斯 Android 智能手机。因此,有外媒表示,谷歌或将禁止在俄罗斯销售所有品牌的 Android 智能手机。

值得一提的是,虽然华为方面已明确表示目前暂无计划在海外推出搭载 HarmonyOS 的手机,但有媒体认为,这则回应并不意味着外国品牌不能在中国以外的地方使用 HarmonyOS。

HarmonyOS 生态已初具规模

2019 年 8 月,华为在开发者大会上正式发布鸿蒙系统 HarmonyOS。

这是一款面向未来、面向全场景(移动办公、运动健康、社交通信、媒体娱乐等)的分布式操作系统。在传统的单设备系统能力的基础上,HarmonyOS 提出了基于同一套系统能力、适配多种终端形态的分布式理念,能够支持多种终端设备。

2019 年 10 月,HarmonyOS 正式发布 1.0 版本,提出了分布式技术并验证了可行性;2020 年 9 月,HarmonyOS 2.0 版本发布,该系统适用于部分手机、车机、智能电视等设备,能够实现一次开发,多端部署以及统一 OS,弹性部署,并且在安全和隐私方面也有较大的提升。2021 年 10 月,HarmonyOS 3.0 开发者预览版正式发布,围绕弹性部署、超级终端、一次开发多端部署三个核心价值持续创新,带来系统性能和开发工具的全面升级。

HarmonyOS 手机方面,2020 年 12 月,华为发布 HarmonyOS 2.0 手机开发者 Beta 版本,接着在半年后的 2021 年 6 月,随着 HarmonyOS 2.0 的顺利发布,到 12 月份,所有规划中机型的鸿蒙正式版的适配推送已基本完成,其中包括不少华为、荣耀的旧款手机和平板产品。

官方公布的最新数据显示,华为已经有 2.2 亿 + 设备搭载 HarmonyOS,来自生态合作伙伴的设备有 1 亿 + 搭载 HarmonyOS。

虽然 HarmonyOS 生态已初具规模,但不可否认的是,作为操作系统界的后来者,发展初期 HarmonyOS 的开发体验还不够完善,比如存在由于开发环境迭代较快导致出现 bug 的问题,其他问题还有 IDE 体验不够好、部分文档写得不够详细、所提供的 demo 还不够完善等等。

长路漫漫,HarmonyOS 还需迎接挑战,在技术上实现更多突破,进一步完善和丰富生态。

参考链接:

https://m.thepaper.cn/baijiahao_17329848

https://www.infoq.cn/article/sLrBmT3XDGR1cCC7wHAS

— 完 —
点这里👇关注我,记得标星呀~

前线推出学习交流一定要备注:研究/工作方向+地点+学校/公司+昵称(如JAVA+上海+小白)
扫码加小编微信,进群和大佬们零距离

END

后台回复“电子书” “资料” 领取一份干货,数百面试手册等

历史推荐

为什么俄罗斯不怕芯片卡脖子?

有赞裁员:工牌堆满了一整大箱,半天时间一层楼人都空了!

鸿蒙 HarmonyOS 3.0,终于来了!

好文点个在看吧!

阿里云大模型 ACP 认证教材内容突变?这些改动藏着通关密码,不看亏大! 【摘要】核心章节大换血,安全合规融入实战场景,大模型微调用数学深度解析,部署章节带来阿里云产品对比实战攻略,甚至整章内容被替换成藏满学习彩蛋的行业趋势指南。这些改动不仅重塑考试重点,更暗藏官方命题风向——安全合规考场景方案,微调原理考几何解析,部署设计考分析框架。无论你是数学小白还是部署新手,这篇攻略都将带你吃透变动逻辑,附赠急救包和考点清单,帮你抓住这些“隐形加分项”,速来解锁通关秘籍! 阅读详情

相关推荐

Python+Flask+Echarts打造全国气象数据可视化分析大屏

本文详细介绍了如何使用Python+Flask+Echarts构建全国气象数据可视化分析大屏,实现实时监控、趋势分析和快速决策。通过Python强大的数据处理能力、Flask的轻量级优势和Echarts的交互体验,打造高效的气象数据可视化系统,提升农业、物流等行业的决策效率。

weixin_29061531的博客 1063

在 Linux 上将 BQ Aquaris Ubuntu 手机刷成 Android 系统

在 Linux 上将 BQ Aquaris Ubuntu 手机刷成 Android 系统 如果你正好拥有全球第一支运行 Ubuntu 的手机并且希望将BQ Aquaris E4.5 自带的 Ubuntu 系统换成 Android,那这篇文章能帮你点小忙。 有一万种理由来解释为什么要将 Ubuntu 换成主流 Android OS。其中最主要的一个,...

weixin_34151004的博客 287

RoboMaster机甲大师赛备赛:如何用STM32+CAN总线精准控制四个大疆3508电机?

本文详细介绍了在RoboMaster机甲大师赛中,如何利用STM32和CAN总线技术精准控制四台大疆3508电机。从硬件架构设计、多电机ID分配、数据解析到同步控制算法,全面解析了构建高响应、低延迟底盘驱动系统的关键技术,助力参赛队伍提升机器人运动性能。

weixin_28684825的博客 135

如何才能让手机厂商主动拥抱华为,接入鸿蒙系统?

一直以来操作系统都被国外企业所垄断,很多国家都没有属于自己的操作系统,比如俄罗斯就是这样:谷歌制裁俄罗斯,俄罗斯的手机都变成了砖头,还有什么比这更可怕的事情吗? 以前我们一直在担心这种事情现在终于发生了,没想到如今却发生在俄罗斯的身上。 这件事也给全世界敲响了警钟,那就是必须要拥有属于自己的操作系统,否则就会被国外技术垄断所打败,然后随时都有可能产生严重的后果,我们也是在很早就意识到这一点,所以华为早就开始了鸿蒙系统的研发。 如今鸿蒙系统不仅接入了几亿用户,更是公开开源欢迎大家的加入,除了去年

Harmony_wang的博客 4099

Linux:安装Debian最新10.x操作系统(超详细)

安装Debian最新10.x操作系统安装Debian最新10.x操作系统1.下载Debian镜像2. 镜像安装引导启动页面,选择图形化安装:选择语言、时区,选中后点击continue:选择键盘模式:配置Hostname主机名,设置Root密码创建普通用户名和密码,进入磁盘分区步骤,选择“所有文件放在同一个分区”确认分区信息磁盘配置完,进入软件安装模块:选择源:进入软件包配置,等待配置结束根据需要选择软件包安装3. 安装完成重启后登录使用 安装Debian最新10.x操作系统 1.下载Debian镜像 下载D

HowieXue 薛永浩的博客 3万+

CVPR 2023 中的半监督学习: FixMatch 的升级版 UniMatch

我们首先回顾下发表在 NeurIPS 2020 上的 FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence,FixMatch 是一种更轻量的半监督分类方法。如下图所示,FixMatch 首先使用模型(带标签数据训练后的)对弱增强的未标记图像进行预测,生成伪标签。对于给定的图像,只有在模型产生高置信度的预测时,伪标签才会被保留。然后,在输入同一图像的强增强版本时,训练模型预测伪标签。

NJU phd 在读。 2644

俄罗斯 Android 系统受限,或将转用 HarmonyOS?

中国品牌手机在俄罗斯的销量也大幅增长。

优快云资讯 8421

Dify框架面试内容整理-如何进行Dify的二次开发?

无论是轻量修改界面,还是深度集成自定义模型、Agent、知识库,你都可以很方便地进行二次开发。,你可以基于它的开源架构对功能进行扩展、集成第三方服务、修改界面风格,甚至定制新的AI工作流程。前端:Node.js >= 16,React + TypeScript + Tailwind。接入自己的模型API(如:调用LLaMA、Baichuan、ChatGLM)。修改路径:/api/app/services/providers/可接入你自己的向量数据库(Qdrant、Milvus、FAISS)

不务正业的猿 2012

俄罗斯手机厂商,转向鸿蒙系统?华为:我暂时不向海外推鸿蒙手机

昨天,环球网一篇关于俄公司开始测试鸿蒙系统的报道,引起了老王的关注,网友们的评论纷纷表示华为的操作系统布局见效了? ​所以,俄公司这一次测试鸿蒙系统,是因为巧合,还是华为有先见之明? 在大家还搞清楚怎么回事的情况下,华为的回应也是让人很出乎意料,华为回应表示,暂时没有在海外市场推出鸿蒙手机的计划! 难道是俄罗斯一厢情愿,想使用华为的鸿蒙系统,华为对此又是什么态度? 老王之前写过的文章里有无数次提到鸿蒙现在的用户量设备量,鸿蒙已经有2.2亿台设备搭载了鸿蒙系统。 但是,对于鸿蒙系统来说,这点

Harmony_wang的博客 6111

第10篇:Agent + 爬虫 = 全自动数据采集专家

在企业级数据采集场景中,传统爬虫的痛点已经到了无法忽视的地步:而Agent + 爬虫的组合,就是这些痛点的终极解决方案。它的核心逻辑是:把爬虫从「人工写死的固定执行脚本」,升级为「能自主分析、自主决策、自主适配、自主修复的智能采集机器人」。我们在生产环境中做过对比测试:传统爬虫开发10个网站的采集脚本需要3人天,而Agent采集机器人只需要3分钟,页面改版后的修复成本从1人天降到了0,采集任务的成功率从62%提升到了95%以上。终端执行以下命令,安装基础依赖,与前9篇环境完全兼容: 二、核心能力拆解:Age

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1578

【Segment Anything Model】十(1):利用SAM做分类任务,方法二,不放过SAM强大特征提取能力,将SAM提取到的ImageEmbedding插入到其他cnn网络中

直接黏贴复制就好'''该类定义了VGG-16的基本结构。features: 代表VGG网络的主体部分,即所有的卷积层和池化层。avgpool: 是自适应平均池化层,将特征图大小调整为7x7。classifier: 是VGG网络的分类部分,由全连接层组成。_initialize_weights(): 初始化权重的方法。

cvxiayixiao的博客 3564

俄罗斯 Android 系统受限,或将转用 HarmonyOS!

整理 | 郑丽媛出品 | 优快云近一个月来,受当前局势影响,部分底层工具、基础软件、开源项目已相继宣布在俄罗斯停服,期间不少人因此担忧:同出自美国且占据极大智能手机市场的 Android 和 iOS 是否会趁机“作乱”?结果,真如墨菲定律的“怕什么来什么”,3 月 24 日 Mobile Research Group 首席分析师 Eldar Murtazin 在 Tel...

AI科技大本营 1349

手把手教你学simulink(95.1)--PID控制实例:基于Simulink的PID控制温度控制系统建模与仿真

温度控制是工业自动化、家用电器、医疗设备以及航空航天等领域中常见的控制问题。通过精确的温度控制,可以提高生产效率、降低能耗并确保产品质量。PID(比例-积分-微分)控制器因其结构简单、性能稳定且易于实现而被广泛应用于各种温度控制系统。本项目旨在通过MATLAB/Simulink平台设计和验证一个基于PID控制的温度控制系统,重点研究PID参数调优方法、系统动态响应特性以及稳态误差消除能力。

MHD0815的博客 794

把 agent 留在桌面,把人放出去——手机遥控 AI 编程实战

如果你的 agent 是跑在远程 DevAgent Server 上的(关掉笔记本也不断线的那套),手机能同时列出你连着的。于是你没法真的走开:去倒杯水都要算着时间,开会时手机隔两分钟刷一次,晚上躺下了还在想「它是不是卡在那儿等我」。你回来一看,那个问题已经挂了四十分钟,agent 一动不动,像在等你开会回来签字。那个「挂在那儿四十分钟」的问题,现在变成:你在电梯里掏出手机看一眼,打两个字,收起手机。也就是说,你在手机上正跟某个 agent 聊着,桌面不会因为「它看起来闲着」把你的会话掐掉。

m0_73736695的博客 383

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AutoGLM 两年演进深度解读:一篇讲透智谱的手机 Agent 路线

智谱 AutoGLM 两年全程:六篇一手文章递进链——技术报告立方法论(中间接口分离规划/定位、WebRL 自进化课程强化学习)、AndroidLab 打可复现地基、百万内测提速、沉思加脑、2.0 云手机换身、2025-12 开源 AutoGLM-Phone-9B 交钥匙;并与开源端侧 Mika 六维对照。

AI_Gump的博客 322

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

手机与笔记本电脑指令集区别:从 ARM 与 x86 看移动端与桌面端的架构分野

ISA 不同:手机以 ARM(AArch64)为主,笔记本以 x86-64 为主。设计哲学不同:ARM 走 RISC 精简路线,x86 走 CISC 复杂路线(内部微操作化)。编码与寄存器模型不同:ARM64 定长指令、31 个通用寄存器、Load-Store 架构;x86-64 变长指令、16 个通用寄存器、运算可直接访存。功耗与生态取舍不同:ARM 面向低功耗移动场景,x86 面向高性能桌面生态。融合趋势明显:ARM 进入 PC、x86 也在优化能效,但二进制兼容与生态仍是关键壁垒。

AshleyCreek的博客 413

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

兰亭妙微ui设计公司分享移动端UI设计:手机UI动效怎样从漂亮展示走向可讨论的原型

移动端UI动效设计需超越“视觉好看”,聚焦用户理解与交互逻辑。通过卡片展开、手势响应等动效,强化页面间内容连续性,保留关键视觉线索。设计应明确动效触发条件、结束状态及中途打断处理,结合静态图层与动态原型并行展示,提升评审效率。强调组件一致性、真实内容测试与清晰任务引导,让动效成为可推敲的协作工具,而非仅作演示素材。

lanlanwork12的博客 212

产品篇|Mika 全景与总体架构:一部手机上的 Agent 是怎么搭起来的

开源手机 Agent Mika(wangzan101/Mika,2026-10-29 首发两周 729 提交)设计全景:core/app 两模块切分与依赖测试、AgentLoop 只调度、工具唯一执行入口与用到才展开、四种模型协议三种用途、上下文缓存四分区与前缀字节级测试、没有『完成』工具的结局判定四步时间线。Mika 系列第 1 讲(共 8 讲)。

AI_Gump的博客 357

手机在网状态API怎么接:空号检测实时版与非实时版的鉴权与返回结构对照

企讯通空号检测分为实时版(单条查询,返回中文状态)与非实时版(批量查询,返回数字码),接口请求方式、鉴权、返回结构均不同。实时版用于即时触达判断,非实时版用于存量名单清洗。解析时需区分两套逻辑:实时版返回单对象,非实时版按提交顺序返回数组。状态码含义不同,不可合并统计。错误码分属两类,批量失败应先排查配置问题。建议接入前确认余额与接口边界,避免误判。

terry600的博客 310

Docker+Redroid实现云手机私有化部署,内网部署踩坑记录与优化

Redroid 原生镜像干净,但是企业场景往往需要预装内部证书、内网代理、测试框架、预置配置。纯手工每个容器安装重复工作量巨大,更新版本、批量升级时很痛苦。✅ 镜像流水线优化基于官方 redroid 镜像构建企业内部私有镜像,打包好内网根证书、环境脚本使用 volume 持久化/data,区分系统镜像和用户数据;升级容器时保留业务数据如果规模持续扩大,需要自研编排脚本或者接入 K8s,实现批量创建、销毁、扩缩容,自研编排的开发和运维成本会持续上升。

a598652的博客 350

微信小程序:手机状态

看了就会

WYBY12的博客 130

远程办公键盘来了:ToDesk 5300更新五套布局,手机平板远程操作大升级

临时要改一份电脑里的文档,手机连上去只是开头。浏览器里有参考资料,Word 里开着正文,文件夹里还放着要插入的图片。小屏幕上找窗口、选中文字、调出键盘,几个动作来回切换,才是这类远程办公最容易费劲的地方。,围绕的正是连接之后的操作:新增办公键盘,整理远控工具栏,优化提示,左侧快捷栏和应用切换,让手机、平板上的窗口选择、鼠标操作和键盘输入更容易衔接。

2402_89003542的博客 330

零信任架构实战:基于海宇人脸身份证比对A构建手机银行大额转账人证强一致性校验网关

破解手机银行大额转账与高危交易核验痛点:从传统短信静态验证到人脸身份证比对A数据穿透直连 在移动互联网金融纵深演进与全渠道无感支付普及的时代浪潮下,商业银行手机银行 App 与开放银行网关已成为个人及个体工商户资金流转、财富管理及移动支付的最核心基础设施。依据中国人民银行关于金融移动支付客户端合规管理、加强支付结算管理防范电信网络新型违法犯罪以及反洗钱客户身

haiyufuwu的博客 114

旧手机家庭监控教程:运动检测、NAS录像与远程实时查看

前几天下班回家,我发现钥匙怎么也插不进门锁。凑近才看到锁眼被塞了东西,还灌了胶水。报警以后最尴尬的一点是:周围没有监控,谁来过、什么时候来的,完全没有线索。最后锁换了,但这件事一直让我觉得家门口缺一个能留下记录的东西。我当时没有马上去买摄像头,因为抽屉里正好躺着一部还能正常拍照、联网的旧安卓手机。对家门口这种大部分时间画面都不变化的场景,我真正需要的也不是全天录制,而是有人经过时能自动留下录像,后面需要时能查得到。所以这套方案里,旧手机负责运动检测和拍摄,飞牛 NAS 只接收产生的事件录像。

可涵的博客 3291

Harness篇|DeepSeek Harness 上手机:五条安卓移植路线与 App 内 Linux 拆解

DSH 官方没出安卓版,火的全是社区第三方移植。本文拆解真实卡点(glibc vs Bionic)、两种「App 内 Linux」的实现(PRoot 与 seccomp 容器),以及「真沙箱」的三层边界与衡量标准。

AI_Gump的博客 407

手机边角跌落如何测瞬时形变?双高速相机与三维 DIC 的选型

手机边角跌落的画面要用于形变分析,不能只要求“拍清着地瞬间”。两台高速相机需要在同一时间观察到可追踪的表面纹理,再经过立体标定和数字图像相关法(DIC)计算,才能把图像序列转成三维位移与表面应变。镜头视野、同步、散斑和照明,往往比单一帧率数字更早决定结果是否可用。

专注工业传感器与科研成像设备十余年 223
上一篇: 对 Elasticsearch 写入一顿骚操作,从3000/s 干到8000/s
下一篇: GIF发明人因新冠去世,没有他就没有表情包
DevolperFront
博客等级 码龄8年 465粉丝 81原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值