罗永浩承认鸟巢发布会不成功,还说苹果把大家都带歪了,你怎么看?

锤子科技面临TNT工作站预定不足与R1手机质量问题,官方辟谣TNT停产传闻,罗永浩在公开场合回应争议,强调产品仍在研发中。尽管销量不及预期,锤子科技采取降价措施以期提升R1销量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

因为微博上的一点小风波,锤子科技第8102次传出“要黄了”的传闻。

之前科技君接到爆料,锤子官网上对TNT“全款预售”的页面已经变成了“到货通知”,并且老罗等一众锤科高层在个人微博中都无法搜索TNT的相关信息,科技君登录微博,发现果然如此。

老罗承认鸟巢发布会不成功,还说苹果把大家都带歪了

 

但很快有网友辟谣称,老罗他们只是“屏蔽”了TNT这个关键词的搜索信息,其实相关微博仍在。网上有爆料称,锤子之所以目前“雪藏”了TNT,是因为目前预定的人太少了,TNT工作站的代工厂甚至不愿意接单,更有毒舌网友调侃锤子客服已经开始联系那不到一百个预定客户商量退款事宜,因为TNT要停产了……

不过科技君联系锤子客户后确认,根本没这回事,并且锤科内部员工也辟谣了关于TNT停产的谣言,TNT项目目前仍在进行中。

R1跟着“闹心”

一个TNT闹点风浪也就算了,毕竟它自一推出就变成了锤黑们取乐的对象,但最新发布的旗舰机R1也没让锤科省多少心,首先是被爆出摄像头出现大面积刮花,网友纷纷在网上晒出了自己伤痕累累的R1摄像机镜头,然后再到本月又爆出手机出现屏幕脱胶的问题,屏幕中间鼓起,甚至已经直接分成两半。

老罗承认鸟巢发布会不成功,还说苹果把大家都带歪了

 

以上问题导致了R1风评再度降低,究竟会不会影响最终销量,科技君还不得而知,不过科技君上网查看了有关R1的销量页面,除了锤子官网自身没有公布相关数字之外,京东商城有关R1的评论数目前有2.1万多条,对比同一时期上市的一加6评论数26万,小米8 23万,R1作为旗舰机的销量可谓是不尽如人意。

不过根据官网上的消息,锤科最近貌似对手机有一波降价的动作,这样一看R1销量日后仍有进一步发力的空间。

老罗亮相,依旧狂

7月22日,罗永浩做客极客公园主持的商业峰会,这也是在TNT停产风波后,老罗第一次在公开场合亮相。

老罗承认鸟巢发布会不成功,还说苹果把大家都带歪了

 

活动中,老罗整体状态还比较轻松,除了一“客气”地点评了友商们新产品外,还犀利地指出苹果“人脸解锁(Face ID)”科技误导了大家走上了弯路,更重要的是,他谈起了五月那场在鸟巢举办的迎来众多非议的发布会。

根据老罗自己的评价,那不是一场糟糕的发布会,但也大方表示“整体不是很理想”,老罗称,由于鸟巢有着严格的现场管理制度,过了规定时间直接拉闸,加上当天迎来暴雨天气,准备的风扇也不敢启用,自己在种种压力下暴汗如瀑,紧张异常,在时间限制下删掉了40多页PPT,很多东西没来得及展示,的确留下了非常多的遗憾。

针对现场演示时爆出的金句“理解万岁”,老罗表示,当时现场声音嘈杂,一定程度上影响了收音效果,但以后依然会坚持现场演示的方法,而不是播放视频:“世界级的科技巨头都是做现场演示,也难免出错,但这是一个态度,以后我们就算再出丑也还会现场演示。”

苹果带领大家走弯路

除此之外,面对今年OPPO与vivo所推出的最新全面屏手机Find X与NEX他也表示对两个品牌都“非常敬佩”,但认为“这两家企业过去在商业上虽然成功,但却特别不要脸地抄苹果。”

说到苹果,罗永浩还表示,苹果去年9月推出的Face ID技术是一个倒退,它不应该用于解锁,因为Face ID用于手机解锁,不如指纹解锁显而易见。

他表示:“由于苹果领了这个潮流(指Face ID技术),大家都跟了,因为行业巨头要走弯路,大家都得跟着走弯路,导致了今年这个局面,是非常令人遗憾的。”

关于自家“痛点”产品TNT,老罗终于有了点松口的迹象。他首先证实了TNT确实“没有凉”,

但也说到“就算失败,也在我们能够承受的范围之内。”

老罗承认鸟巢发布会不成功,还说苹果把大家都带歪了

 

遥想TNT刚推出时,根据网上自称是锤科内部员工的爆料,老罗曾向一众员工展示过TNT,但很快遭到了大员工的质疑。在当时,老罗对此表示,一个革命性的产品将引领办公室场景跟着走向剧变。

对比如今的说法,看来老罗真的已经开启了“觉悟”。

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响大;使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限高,仅针对一个分类任务部署大模型划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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