在使用iPhone相机拍摄时,我们时常会遇到一些令人好奇的事物——可能是一只动物、一株植物、一处地标或一幅画作。每当这时,我都希望能有一种快速获取相关信息的方式。现在,iOS 27相机应用中全新的Siri模式让这一切变得轻而易举。
目前,Siri模式已在iOS 27开发者测试版中上线,它作为一种全新的相机模式,与照片、视频、人像和全景模式并列呈现。当你通过相机看到感兴趣的事物时,只需点击Siri模式图标,即可通过语音向Siri提问、对其进行Google搜索,或直接将目标对象的图像发送给Siri进行分析。
这听起来与iOS 18.2推出的"视觉智能"功能十分相似,事实上确实如此。但两者之间存在一个关键区别:在当前版本的iOS中,要使用视觉智能功能,用户必须先退出相机应用,再单独启动该功能,操作流程较为繁琐。而在iOS 27中,用户无需离开相机应用,便能直接唤起Siri,全程保持对目标对象的视角。这是一项非常实用的改进。
与普通拍照模式一样,在Siri模式下你同样可以自由缩放,以调整取景范围。Siri可能会直接显示识别出的对象名称。点击快门按钮后,图像将被捕获并发送给Siri进行深入分析;点击右侧的图片图标,则会触发Google图片搜索,展示相似图像;点击左侧的"询问Siri"图标,则会弹出一个带有图片缩略图的输入框,用户可以通过打字或语音提问。
此外,针对画面中不同类型的信息,Siri还会提供更多扩展选项。例如,将镜头对准含有日期、时间和地点的内容,Siri可能会主动提示是否将其添加到日历;将镜头对准菜单、标牌或其他语言的文字,Siri则可能提供翻译服务。
使用该功能需满足以下几项前提条件。
首先,你需要一部支持Apple Intelligence和全新Siri AI的iPhone,包括iPhone 15 Pro、iPhone 15 Pro Max,或iPhone 16、iPhone 17系列中的任意机型。
其次,你需要下载并安装iOS 27开发者测试版。在此,我强烈建议使用备用或测试机进行安装,而非你的主力设备——开发者测试版可能存在不稳定问题,不建议在主要设备上冒险。
第三,你需要加入Siri AI的候补等待名单。正如"等待"二字所暗示的那样,你可能需要等待相当长的时间,Apple才会向你开放访问权限。以我自己的经历为例,加入等待名单后,我等待了将近一周,Siri AI才出现在我的手机上。
在配置好iOS 27和Siri AI的测试用iPhone 15 Pro上,我已开始体验这一全新的相机Siri AI模式,以下是我的使用情况。
由于Siri AI目前仍处于早期测试阶段,我在使用过程中也遇到了一些问题。部分情况下,Siri无法识别对象,或给出了错误的识别结果;另一些情况下,AI响应速度较慢,甚至直接提示稍后再试。不过,希望这些问题能在iOS 27于今年9月正式发布时得到修复。
Q&A
Q1:iOS 27相机中的Siri模式和iOS 18.2的视觉智能功能有什么区别?
A:两者本质上是同一功能,但使用体验差异明显。旧版视觉智能需要退出相机应用才能单独启动,操作繁琐;而iOS 27的Siri模式直接集成在相机应用内,用户无需切换应用,可在保持对目标对象视角的同时直接唤起Siri进行分析,流程更流畅、更直观。
Q2:Siri模式在相机中具体能做哪些事情?
A:在相机Siri模式下,你可以对准任何感兴趣的对象,Siri会尝试识别并显示其名称;点击快门可将图像发送给Siri深度分析;点击图片图标可触发Google图片搜索;点击询问Siri图标可进行语音或文字提问。此外,针对特定内容,Siri还会提供日历添加或多语言翻译等扩展功能。
Q3:使用iOS 27相机Siri模式需要满足哪些条件?
A:需要满足三个条件:一是拥有支持Apple Intelligence的机型,包括iPhone 15 Pro、15 Pro Max或iPhone 16/17系列;二是安装iOS 27开发者测试版,建议使用备用机而非主力机;三是加入Siri AI候补名单,等待Apple开放访问权限,等待时间可能长达数天甚至更久。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。