个人而言,我很想购买iPhone 17 mini,但无论如何,Max机型对我的前口袋来说太大了,我更喜欢能够单手使用手机。然而,坚持使用较小电池容量的机型迫使我重新思考我的EDC装备。由于我不会拥有Pro Max的大容量电池,我需要一种可靠的方式在重度使用日进行充电补充,而不用在口袋里携带一个巨大的MagSafe电池包。我想要一个足够纤薄的电池包,在我需要之前能够隐身。这个搜索让我找到了Anker Nano移动电源,我在上个周末在环球影城大量使用了它。
当你查看规格时,差异并不小。通过选择iPhone 17 Pro而不是Pro Max,我牺牲了7个小时的额外视频播放时间。这是一个巨大的电量差距,会影响到日常使用。
坦率地说,在我大量使用移动网络或不经常在办公桌前的日子里,这个差距是明显的。我喜欢Pro的较小尺寸,但我确实比使用Max时更早地感受到"电量焦虑"。这正是我需要一个电池包来弥补这个差距的原因,而不会增加我通过购买较小手机试图避免的体积。
我选择Anker Nano移动电源的原因是其厚度(或者说缺乏厚度)和功能集。它非常纤薄,厚度仅为0.34英寸。从这个角度来看,它感觉更像一个厚钱包而不是电池包。Anker Nano足够纤薄,我可以将其吸附上去,仍然能够单手使用手机,而不会感觉像在做手腕锻炼。虽然有很多纤薄电池包。
真正的亮点是充电速度。这是一个Qi2认证的电池包。它提供完整的15瓦MagSafe充电速度。大多数纤薄电池包仍然限制在7.5瓦充电,这还可以,但Qi2确实有所不同。这个慢速度对于夜间使用来说是可以的。然而,当你在一天中需要快速补充时,它就痛苦地慢了。使用15瓦,它实际上会给手机充电,而不仅仅是给它涓流充电。
我也想现实地看待5000毫安时电池实际能做什么。Anker称其为"紧急情况下的可靠电源",我认为这是完美的描述方式。如果你是重度用户,它不会让你的电池寿命翻倍。值得注意的是,Anker的测试是在低功耗模式下进行的。如果你在全亮度和GPS下运行,你的结果会有所不同。
这证实了我坚持使用较小Pro机型的决定。对于标准Pro,这个电池几乎完全充电。我很高兴Anker在这里包含了一个强大的USB-C端口。它支持20瓦输入和输出。特别是在炎热环境中(想想夏季旅行),我倾向于这样充电以避免过热。移动电源本身充满电需要不到两小时。
如果你正在寻找一个电池包用于周末露营旅行,让你的手机在48小时内保持电量,Anker Nano移动电源不是你的选择。你需要一个更大的MagSafe电池包。这是一个为完全不同问题设计的电池包。这是一个EDC电池包。它被设计为每天都放在你的包或口袋里,所以当你意识到忘记过夜充电或使用日比平时更重时,你就有了它。因为它如此纤薄,你不会介意携带它。最好的电池包是你实际随身携带的那个。我在上个周末在环球影城大量使用了它,非常棒。足以让我度过一天,但超级薄。
你可以从亚马逊或直接从Anker购买Anker Nano移动电源。
Q&A
Q1:Anker Nano移动电源有多薄?
A:Anker Nano移动电源的厚度仅为0.34英寸,感觉更像一个厚钱包而不是电池包。它足够纤薄,可以吸附在手机上后仍然能够单手使用手机,不会感觉像在做手腕锻炼。
Q2:Anker Nano移动电源的充电速度如何?
A:这是一个Qi2认证的电池包,提供完整的15瓦MagSafe充电速度。相比大多数纤薄电池包限制的7.5瓦充电,15瓦能够实际给手机充电而不仅仅是涓流充电,在需要快速补充时更有效。
Q3:5000毫安时的Anker Nano移动电源能提供多少电量?
A:Anker将其描述为"紧急情况下的可靠电源"。它不会让重度用户的电池寿命翻倍,但对于标准Pro机型几乎可以提供完全充电。这是一个EDC电池包,适合日常携带以应对忘记充电或重度使用的情况。
好文章,需要你的鼓励
2025年1月,OpenAI、软银、甲骨文和MGX联合宣布"星际之门"计划,承诺投资5000亿美元,部署高达10GW算力基础设施。如今,该项目已从白宫发布会上的宏大承诺,演变为一场前所未有规模的基础设施建设实验。项目已扩展至德克萨斯、威斯康星、俄亥俄等多地,并延伸至阿布扎比和挪威。然而,融资争议、合作伙伴摩擦、能源压力及政策监管收紧,正考验着这一"AI工业园"模式能否真正落地。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
加密货币交易所OKX正式推出AI智能体交易市场OKX AI,允许AI代理相互雇佣、自主结算,并建立基于区块链的可携带信誉档案。该平台经过50家早期服务商封测后向开发者开放,依托稳定币和链上支付基础设施,支持全天候微支付。OKX创始人徐明星表示,传统金融基础设施为人类而建,智能体经济需要为自主软件专门设计的基础设施。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。