对于CNET记者来说,CES总是一年中最忙碌的一周。我需要在不同展台间穿梭,经常在一小时内与多家公司交谈,就各种产品进行深入而激烈的讨论。
有时这些对话在我还没来得及从包里拿出录音设备时就已经开始,更别说打开录音了。我经常需要在记事本上匆忙记下额外的细节或引语,这对我的记忆力和眼力都是挑战,特别是当我需要坐下来写稿并试图辨认自己的笔迹时。
但今年不同了。在CES 2026上,AI记录公司Plaud推出了全新的NotePin S,这是一款可穿戴AI设备,可以夹在领子上、戴在手腕上、挂在脖子上或用磁铁贴在衣服上,在你日常活动时记录对话。
Plaud在CES前就向我寄来了这款NotePin的升级版,这样我就能在展会现场测试它。就像之前版本的设备和公司在8月发布的Plaud Note Pro一样,NotePin S通过蓝牙连接手机,对话的转录文本会显示在Plaud应用中。
我已经预期这款比USB闪存盘还小的流线型胶囊状设备NotePin S将成为我在CES展厅漫步时的游戏规则改变者。在展会前的简报中,Plaud表示该设备已在今年早些时候的Dreamforce会议上成功测试,所以我知道这个覆盖范围约3米的双麦克风系统能够在嘈杂的会展中心良好工作。
要激活录音,我只需长按设备正面即可。但我最期待测试的功能是设备上的按压高亮按钮,它能让我标记对话中的关键时刻,这样稍后查看转录内容时就能轻松找到重点。
我也很高兴NotePin S配备了多种可穿戴配件,可以搭配各种不同的服装。在如此繁忙的环境中,我可能倾向于使用挂绳将其戴在脖子上,但在穿夹克的日子里,翻领夹可能更合适。对于坐式采访,我倾向于切换到腕带,这样可以以最少的干扰按压高亮功能。
当我回到家中,在舒适的办公室进行采访时,Plaud还为我准备了另一个新工具。在CES上,该公司还宣布了Plaud Desktop,这是一款AI记录工具,旨在通过原生捕获对话来连接线上和线下会议。
这意味着不会有侵入性的会议机器人加入你的通话。相反,它会坐在你的电脑上,检测何时进行会议,谨慎地录制会议,然后在你的Plaud账户中提供丰富的上下文摘要。
对我来说最吸引人的部分是,我所有的笔记、会议和对话,无论是由可穿戴设备还是电脑捕获的,都将在一个地方可访问和整理。
NotePin S和Plaud Desktop将立即上市,定价细节稍后公布。
Q&A
Q1:NotePin S是什么样的设备?有哪些佩戴方式?
A:NotePin S是Plaud公司推出的可穿戴AI记录设备,外形是比USB闪存盘还小的流线型胶囊状设计。它可以夹在领子上、戴在手腕上、挂在脖子上或用磁铁贴在衣服上,配备多种可穿戴配件适应不同服装需求。
Q2:NotePin S如何工作?录音范围有多大?
A:NotePin S通过蓝牙连接手机,配备双麦克风系统,录音覆盖范围约3米。用户只需长按设备正面即可激活录音,对话的转录文本会显示在Plaud应用中。设备还有按压高亮功能,可以标记对话中的关键时刻。
Q3:Plaud Desktop有什么特殊功能?
A:Plaud Desktop是一款AI记录工具,设计用于连接线上和线下会议。它坐在电脑上,能够检测何时进行会议并谨慎录制,不需要侵入性的会议机器人加入通话。所有录制内容会与可穿戴设备的记录一起整理在Plaud账户中。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。