SwitchBot钱包追踪卡采用超薄信用卡外形设计,可与iPhone的查找应用完美配合,让你轻松定位钱包位置。这款追踪卡内置扬声器,当钱包在家中遗失时,你可以让它发出声音来帮助寻找。
设置过程非常简单。虽然该产品支持自己的应用程序和安卓系统,但我完全通过iPhone内置的查找应用来使用它,甚至没有下载SwitchBot的专用应用。设置时,只需打开查找应用,点击添加物品,然后按住钱包追踪卡上的按钮几秒钟即可。
接下来选择名称和表情符号图标以便日后识别。系统默认建议"Benjamin的钥匙",但我将其重命名为"Benjamin的钱包",选择了一个钱包相关的表情符号,点击继续就完成了设置。然后将卡片放入钱包的空卡槽中即可。
需要提醒的是,查找配件并不具备GPS功能。相反,它们会发射低功耗蓝牙信号,附近的苹果设备如iPhone、iPad和Mac会接收到这些信号。位置信息随后会安全私密地传输到查找网络,这样你就有希望定位并找回遗失的物品。
即使你距离很远,只要附近有人使用苹果设备,钱包就能在查找应用的地图上显示位置。而且无需担心持续订阅费或其他费用,这点比一些竞争产品要好。
正如AirTags的成功所证明的,查找网络运行得非常出色,SwitchBot钱包追踪卡同样有效。如果你的物品静止不动,且附近有全球数十亿iOS设备中的任何一台,其位置很快就会出现在查找应用中。不过,如果物品在移动中,位置更新会稍有延迟。
你还可以使用查找应用将物品明确标记为遗失。这样,如果其他人找到你的钱包并想归还给失主,他们可以使用查找应用中的"识别找到的物品"功能,该功能会显示你的联系信息以便安排归还。即将推出的iOS 18.2更新甚至增加了创建可分享链接的功能,可以发送给他人来协助追踪遗失物品。
与AirTag不同,钱包追踪卡没有集成超宽带无线电。这意味着它缺少AirTag在近距离时提供的精确查找功能。
不过,钱包追踪卡的集成扬声器完全胜任寻找遗失钱包的工作。在蓝牙范围内,卡片会发出相当响亮的音调。虽然音量比AirTag稍小一些,在密闭钱包中时声音会有些闷,但仍然清晰可听,足以让你从很远的距离听到。
对于我在家中遗失钱包这种令人尴尬的常见情况,现在只需打开查找应用,按下"播放声音",就能立即听出钱包在哪个房间。
查找功能还能与Siri语音助手配合使用,增加了便利性。例如,我可以对HomePod喊"我的钱包在哪里?",它就会开始为我播放定位音。
就像AirTags一样,钱包追踪卡的设计目的是帮助找回遗失物品,而不是解决盗窃问题或恶意追踪他人。如果卡片与主人分离一段时间,扬声器会发出声音提醒人们注意其存在。它还会在附近的iPhone上触发"未知物品与你同行"警报。
值得指出的是,拿到卡片的其他人可以通过按特定的关闭序列来解除查找连接。
如果按预期用途使用,SwitchBot钱包追踪卡非常有效且性价比很高。虽然明显是为放在钱包里而设计的,但如果你想把它挂在挂绳或钥匙链上,它甚至还有内置的孔洞。我强烈推荐这款产品。
也许唯一需要注意的缺点是钱包追踪卡无法更换电池。它是一次性消耗品,额定使用寿命约为3年。但考虑到钱包内物品的价值,当它最终损坏时简单地购买新的在经济上可能是合理的。你只需要接受这种环境浪费问题。
Q&A
Q1:SwitchBot钱包追踪卡是如何工作的?
A:SwitchBot钱包追踪卡通过发射低功耗蓝牙信号工作,附近的苹果设备会接收这些信号并将位置信息传输到查找网络。它采用信用卡大小的超薄设计,可以放入钱包卡槽中,通过iPhone的查找应用就能定位钱包位置。
Q2:钱包追踪卡的声音定位功能效果如何?
A:钱包追踪卡内置扬声器,在蓝牙范围内可以发出相当响亮的音调。虽然音量比AirTag稍小,在密闭钱包中声音会有些闷,但仍然清晰可听,足以让你从较远距离听到并确定钱包位置。
Q3:SwitchBot钱包追踪卡的使用寿命是多长?
A:钱包追踪卡无法更换电池,是一次性消耗品,额定使用寿命约为3年。当电池耗尽后需要购买新的产品。考虑到钱包内物品的价值,重新购买在经济上通常是合理的。
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。