Subaru再度登场,这次推出了一款全新电动车——Trailseeker,全电SUV同样吸收了Toyota的部分工艺,就如同其前作Solterra一样。
美国Subaru在纽约国际车展上发布了2026款Trailseeker SUV。这款电动车是这家日本汽车制造商的第二款电动车产品,从外形上看,让人立刻联想到Subaru家族风格。它的设计让人联想到燃油版Subaru Ascent,尽管车辆尺寸略小,也有人能在Trailseeker上辨出一些Outback的影子。
Trailseeker的体积比Solterra要大一些。Solterra是一款由Subaru与Toyota联合研发的全电小型跨界SUV,并于2022年进入美国市场。
不论如何,Trailseeker旨在为消费者提供另一种电动车选择——同时将产品定位于户外生活方式,这一点与Subaru Solterra形成了差异化竞争。这也可能令Trailseeker与预计于2026年投产、在美国制造的Rivian R2形成直接竞争。虽然在当下关税严苛的环境下,美国生产的Rivian产品或许比在日本组装的Subaru更具优势,但Trailseeker仍有其独到之处。
Trailseeker与其2026款Solterra共享部分工程设计基础,包括采用了一种全新的动力系统。Subaru尚未提供关于Trailseeker新型动力系统和其底层平台的太多细节,这些信息以及价格将在2026年全国发售前公布。
Trailseeker具备许多Subaru标志性的设计元素和系统,比如其全轮驱动系统,这一系统由位于前后桥的两个电动机提供支持。双电动机合计输出375马力,并使Trailseeker具备3500磅的拖曳能力。
Subaru表示,这款新电动车专为“随处可行”设计,其工程师对悬挂系统和全轮驱动系统进行了精心调校。设计师们还为Trailseeker增加了更大的储物空间和更高的车顶,方便车主携带各类户外探险装备;相较于Solterra,Trailseeker长约6英寸、高近1英寸。不过,这种“随处可行”的概念也存在局限——Trailseeker的离地间隙仅为8.3英寸,低于燃油版Subaru Forester和Subaru Outback。
毕竟这终究是一款电动车,其动力系统搭载了74.7 kWh的锂离子电池,厂商称其续航里程超过260英里。观察其充电口可以发现,该车型采用北美充电标准接口,从而兼容Tesla超级充电网络。
Subaru对Trailseeker外观进行了精心调整,以确保视觉效果区别于其他电动车款。这些调整包括重新设计的头灯和前保险杠,以及20英寸和18英寸的轮毂。同时,厂商也对内饰进行了升级,仪表板上采用了金属质感装饰,中控台设计用于容纳个人设备,并配备了一块14英寸触摸屏——这是除2026款Solterra之外,Subaru车型中最大的触摸屏。
这块触摸屏是Trailseeker信息娱乐系统的一部分,该系统支持无线Apple CarPlay和Android Auto。其他以设备为核心的配置还包括两个15W无线智能手机充电器和两个后排乘客专用的快充USB-C接口。
最后,Trailseeker配备了先进驾驶辅助系统(ADAS),该系统能在检测到盲区风险时提醒驾驶员,如果车辆偏出车道亦会发出警告,并在碰撞前自动启用制动。其他ADAS功能还包括自适应巡航控制,该系统能保持驾驶员设定的车速并自动减速以维持安全车距。
好文章,需要你的鼓励
在2025年KubeCon/CloudNativeCon北美大会上,云原生开发社区正努力超越AI炒作,理性应对人工智能带来的风险与机遇。随着开发者和运营人员广泛使用AI工具构建AI驱动的应用功能,平台工程迎来复兴。CNCF推出Kubernetes AI认证合规程序,为AI工作负载在Kubernetes上的部署设定开放标准。会议展示了网络基础设施层优化、AI辅助开发安全性提升以及AI SRE改善可观测性工作流等创新成果。
维吉尼亚理工学院研究团队对58个大语言模型在单细胞生物学领域的应用进行了全面调查,将模型分为基础、文本桥接、空间多模态、表观遗传和智能代理五大类,涵盖细胞注释、轨迹预测、药物反应等八项核心任务。研究基于40多个公开数据集,建立了包含生物学理解、可解释性等十个维度的评估体系,为这个快速发展的交叉领域提供了首个系统性分析框架。
DeepL作为欧洲AI领域的代表企业,正将业务拓展至翻译之外,推出面向企业的AI代理DeepL Agent。CEO库蒂洛夫斯基认为,虽然在日常翻译场景面临更多竞争,但在关键业务级别的企业翻译需求中,DeepL凭借高精度、质量控制和合规性仍具优势。他对欧盟AI法案表示担忧,认为过度监管可能阻碍创新,使欧洲在全球AI竞争中落后。
西湖大学王欢教授团队联合国际研究机构,针对AI推理模型内存消耗过大的问题,开发了RLKV技术框架。该技术通过强化学习识别推理模型中的关键"推理头",实现20-50%的内存缩减同时保持推理性能。研究发现推理头与检索头功能不同,前者负责维持逻辑连贯性。实验验证了技术在多个数学推理和编程任务中的有效性,为推理模型的大规模应用提供了现实可行的解决方案。