名下多出15台车

10家券商中期分红近170亿，头部券商股东回报力度加码|券商行业每日盘点（8月25日）_我的网站

A |     8月25日，券商行业分红与监管两端齐发信号——10家上市券商中期分红预案合计近170亿元，头部红利底气尽显；同日一日之内7张研报罚单落地，研究业务「双随机」严监管持续升温。

B | 业绩端，招商证券中报净利翻倍创同期新高、长江证券高增逾八成；招商证券同步完成董秘平稳交接，中国银河召开临时股东会优化治理；政策面，交易所就IPO申报...。    「我成功在国行iPhone上跑通了AI模型！」                    「然后呢？」                    「然后就没怎么用过了。

C | 」                    iPhone 17 Pro Max发布都一个月了，苹果国行Apple Intelligence还是遥遥无期。等不及的网友们，决定自己动手，丰衣足食。                             于是，在iPhone上部署端侧AI模型，成了互联网的新显学。从保姆级教程到实操演示，各种野生秘籍在社交媒体上遍地开花。                   我们也折腾了一番——下载模型、跑分测试、实际体验……整个过程确实有趣，甚至有点上头。但当兴奋劲过去，一个扎心的事实浮现出来：这玩意儿好玩、有趣，但不实用。

D |                    能用和好用，是两回事                    在iPhone上体验端侧模型，门槛其实不算高。                   打开App Store，搜索PocketPal AI，下载安装。

E | 如果不习惯英文界面，可以在设置(Setting)里找到语言(Language)选项，切换成中文。                   接着便是下载模型了。                   点击左上角图标进入模型库，由于Qwen系列模型在开源社区一直都是有口皆碑，所以我们选择从Hugging Face分别下载了0.6B、1.7B、8B、14B和30B的版本。                   当然，你也可以自己本地下载模型，再导进去，这倒是问题不大。                   但能下载，不代表能运行。                   当你看到「内存警告」的字样的时候，就知道这大概率是行不通了，这里需要解释一下，模型名称后的数字(如0.6B)指的是参数量，B代表「十亿」(Billion)。                   参数可以理解为模型「神经元」的数量，参数越多，理论上模型的理解能力和生成质量越强，但对硬件的算力和运存需求也急剧攀升。                   你也可以在基准测试栏里，查看手机的设备信息。拿我手上这台iPhone 17 Pro Max来说，8GB内存勉强能跑，14B模型、30B及更大参数的版本，基本上就没法运行了。                   在实际体验之前，我们也先用这几款模型跑个分，下面这几张图片，分别对应着不同参数模型的评测结果。                   那么在iPhone上用第三方APP跑端侧模型，到底有没有实际意义？这些模型能否真正支撑日常任务或简单推理？                    我的评价是：能用，但更多是玩具性质，可以尝鲜，但不太建议长期使用。

F |                    众所周知，OpenAI此前曾出炉了一份关于ChatGPT的使用报告，主要揭秘大家伙都在用ChatGPT干什么，其中主要包含实用指导、信息搜索和写作等事项。                   我们也参考这些实际用途，分别对0.6B、1.4B、8B等模型问了几个问题。

G |                    测试一：制定健身计划                    帮我制定一个适合久坐上班族的7天核心锻炼计划                    和跑分结果一致，模型参数越大，生成的速度越慢。但反之，回答的质量和内容详实程度确实也随参数提升而提升。                   0.6B模型给出的计划放之四海而皆准，有一定的细节，实操价值却不高。                   1.7B稍好，细节更丰富，能够对久坐带来的腰背酸痛提出针对性的训练计划。                   8B则再上一个档次，开始针对不同肌群给出系统性的建议，且动作更细分，甚至还有暖心小贴士，不过虽说基本维持在5 token/s的速度，但体感跟网页版ChatGPT的响应速度并无明显差别。

H |                    至于发热情况，我是在比较凉爽的室内测试的，在询问8B模型几个问题后，也可以明显感觉到手机背部发热明显。

I |                    测试二：历史知识问答                    宋代的聘猫礼是什么？                    这是一个相对冷门但有据可查的历史知识点，指的是宋代民间迎娶猫咪入宅时的礼仪习俗，主要是为了体现古人对猫主子的尊重程度。

J |                    遗憾的是，小参数模型的知识储备严重不足，从0.6B到8B的模型，都不知道聘猫礼是啥，而且还特别擅长一本正经地胡说八道。其中8B模型更全是车轱辘话。                   测试三：时效性信息                    iPhone Air什么时候发布？                    这是一个考验模型时效性的问题。                   毫无意外，所有端侧模型都答不上来，毕竟它们的知识截止日期停留在训练时，无法获取最新信息。                   这一点，恰恰是云端模型的核心优势之一。云端模型可以通过联网检索、实时更新知识库，而端侧模型只能依靠「出厂」时打包进去的那些参数。

K |                    测试四：写作能力                    我们选择了今年上海卷的高考作文题：                    有学者用「专」「转」「传」概括当下三类文章：「专」指专业文章；「转」指被转发的通俗文章；「传」指获得广泛传播的佳作，甚至是传世文章。他提出，专业文章可以变成被转发的通俗文章，而面对大量「转」文，读者又不免期待可传世的文章。                   由「专」到「传」，必定要经过「转」吗？请联系社会生活，写一篇文章，谈谈你的认识与思考。

L |                    要求：（1）自拟题目；（2）不少于800字。                   0.6B模型大概就是传说中凑字数的选手，回答更像是将题目的表面意思复述了一遍，生成的内容缺乏思辨深度，需要大量人工修改才能达到「及格线」。                   1.7B起码还引用了鲁迅作品这类文学素材，看起来有模有样。而8B则表现不错，但与云端模型如ChatGPT相比，依旧差距甚远，难以称得上生产力工具。                   另外，虽然那模型在训练阶段就已经被「调教」过了，这使得它在输出时，会自然而然地按照某种风格、语气和逻辑来回答，但我们也可以给模型植入系统提示词，并让它生成回答。                   比如我就给1.7B的模型安排了个「古风小生」的人设。                   你别说，这模型还真挺「入戏」的，表达的语感、节奏和人格气质，变得更贴近我的预期。                   附上提示词：                    上下滑动查看更多内容                    但说实话，对绝大多数用户来说，这更像是个好玩的彩蛋，而不是刚需功能。

M | 一言以蔽之，我并不太建议你去折腾这种部署端侧模型的方法。                   回想2008到2012年，那是iPhone用户「越狱」的狂欢时代。

N | 无数人顶着把手机刷成砖的风险，就为了装上几个苹果不许安装的插件，或者把系统界面改得更个性一点。                   可当App Store的生态已经足够丰富，越狱风险却越来越高，带来的边际收益也越来越小时，如今还有多少人在越狱？                    答案不言而喻。

o |                    这种所谓第三方端侧模型的折腾方法，即便有隐私方面的加成，但本质上仍是一个独立的应用，堪比阉割版ChatGPT，它无法与系统深度整合，也无法调用其他应用的数据，形如鸡肋。                   正因如此，就像当年的越狱一样，这种在第三方应用折腾端侧AI，或许只会成为一段有趣但短暂的插曲，而真正的未来，依旧属于那些把复杂留给厂商、把简单留给用户的系统级解决方案。                   *封面来自：ZDNET                    欢迎加入APPSO AI社群，一起畅聊AI产品，获取#AI有用功，解锁更多AI新知                    我们正在招募伙伴                    简历投递邮箱[email protected]                    ✉️邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）。

p |

Current article:http://tuzq3a.taokenlaichunlei.bond/cdsie/20260826/701112.html

Published on:00:00:00