至顶网软件频道消息: 你今天是不是穿着牛仔裤?你的衣柜里是不是挂着碎花领带或小黑裙?你还记得 90 年代的厚底高跟鞋吗?这些不同风格的服饰有着一个共同点:它们背后都有着自己的故事,有的甚至跨越数百年的历史。
正如有着传奇色彩的 Vogue 主编 Diana Vreeland 所言:“你甚至可以切身感觉到服饰变革的临近。通过服装,你可以看到并感受一切。” 而这正是 Google 艺术与文化项目全新推出的 “We wear culture” 让人感到无比兴奋的原因之一 —— 去揭示那些人们所穿着的服装背后的故事。
来自纽约、伦敦、巴黎、东京、圣保罗等时尚中心超过 180 家的博物馆、时尚机构、学校、档案馆和其他组织齐聚一堂,将跨越 3000 年历史的服饰风尚带到你的指尖。人们可以鉴赏 30000 余件时尚作品:你可以尝试分类欣赏不同颜色的帽子,或者不同时期的鞋。在超过 450 个展览中,不仅囊括了从古老的丝绸之路到狞厉的英国朋克的故事,还可以在这里邂逅 Coco Chanel, Cristóbal Balenciaga, Yves Saint Laurent 和 Vivienne Westwood 等传奇潮流引导者。
Google 还创作了 VR 影像来为这些传奇性作品赋予全新的生命力,现在就让我们一起来看看这些作品吧。
● Chanel 的黑色礼服让女性在任何场合都能够穿着黑色 (Musée des Arts Décoratifs, 法国,巴黎 - 1925)
● Marilyn Monroe 闪闪发光的红色高跟鞋成为赋予女性权力、成功和性感的表现 (Museo Salvatore Ferragamo,意大利,佛罗伦萨 - 1959)
● 设计师 Vivienne Westwood 独一无二的紧身衣 —— 历史上最有争议的服装之一 (Victoria and Albert Museum, 英国,伦敦 - 1990)
● 川久保玲通过 Comme des Garçons 的毛衣和裙子将日本设计的美学和工艺带入全球时尚舞台 (Kyoto Costume Institute, 日本,京都 - 1983)
比起单纯地满足视觉审美,服饰还有其他更为重要的意义。鞋匠、珠宝商、领带加工厂和制袋商通过几代人传承,掌握相关工艺,并巧妙地依照设计图纸、裁剪草图制作成品。通过 Google Art Camera 制作的超高分辨率图像,在放大后用其前所未有的细节展示了精湛的工艺,就像著名的 Schiaparelli 晚礼服 —— 将超现实主义的绘画变成了大胆、前卫的时尚声明。
走进世界上最大的服饰藏馆 —— 大都会艺术博物馆服饰学院的保藏实验室,以360度视角去了解他们是如何为未来传承这些藏品;观看有关纺织机械的影像,它们承载了这个世界上最大的产业之一;并与纺织业的社区亲密接触,比如印度的 Avani Society。
同时,Google 还携手 YouTube 明星 Nilsen,与她一同探索衣橱,并揭秘今天穿着在你身上的那些服饰背后的更多故事。在你穿上你心爱的帽衫或破洞牛仔裤之前,不妨先来 YouTube 频道做做客,近距离了解当今时尚世界的发展历程。
现在大家可以通过 Google 艺术与文化项目的网站以及 iOS 和 Android 手机 App 访问 “We wear culture” 。通过这个项目,上千家艺术及历史机构与时尚世界相汇合,在 Google 艺术与文化项目上分享他们的藏品,让你可以在这里探索到更多的文化宝藏。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。