Amazfit T-Rex 评测

简介: Amazfit T-Rex 评测

 上周就说要做一期T-rex 霸王龙的评测,然后由于上班以及做方案等各种原因,没有能够执行,今晚终于能够做一期关于安卓阵营智能手表的调研与评测。

   其实在入手t-rex之前,就已经调研过安卓阵营大部分的智能手表,由于比较喜欢户外徒步,所以看的手表也大部分都是运动智能手表。而说起户外智能手表,又不得不说起佳明、颂拓、baiTomTom这几大著名的品牌,佳明等大品牌就基本不用考虑了,几千元的价格,不是我等普通人能够入手,本次评测的智能手表是在安卓阵营精心挑选的几款手表,分别为花米T-rex霸王龙、华为GT2、努比亚阿尔法,当然我最后是入手了华米T-rex。

Amazfit T-Rex

   这款手表,别说这款了,Amazfit这个牌子的智能手表我身边基本是没怎么见过,你们身边有人用吗?华米这个品牌大家应该不会陌生。作为一家中国智能设备制造商,从诞生到现在一直在为小米生产可穿戴设备,是此类产品中最大的制造商之一,在全球已经销售了数千万件小米手环。四年前,该公司开始对旗下产品分类,其子品牌Amazfit,专注于探索最新潮流的可穿戴智能设备T-Rex今年早些时候亮相于CES 2020现场,现在在各渠道都能够很容易买到。说实话Amazfit系列的智能手表宣传远没有小米手环系列的多,但实际上Amazfit智能手表各方面都还不错。对于这款Amazfit T-Rex,如果你的目标是一款坚固耐用的可穿戴设备,那么它将是一个不错的推荐。

这款智能手表上有四个蚀刻按钮,可让你控制各种功能以及导航界面。您将在左侧找到"向上"和"向下"按钮,右侧为"选择"和"后退"按钮。按钮本身没有很好的触觉反馈,但它们是使用触摸屏的可行替代方案,尤其是在你处于锻炼中或需要戴手套但又需要进行手表互动时。虽然智能手表本身没有多重,但由于手表挡板的设计会显得相当笨重。大概这就是所谓的军工美学,T-Rex想要的就是这种效果,粗犷,耐操。Amazfit T-Rex有五种颜色可选 —— 枪灰,军绿,岩黑,迷彩,和卡其都是很硬汉的配色 ,特别是迷彩,看起来很棒。该款还配有 TPU 表带,而不是通常的硅胶选项。在连接方面,T-Rex 提供带有双卫星定位系统的 GPS 和 GLONASS 模块,以及通过蓝牙 5.0 与智能手机进行配对。它自动识别 14 种锻炼形式,并在锻炼开始是就进行记录,包括步行、徒步旅行、在跑步机或室外跑步、室内和室外骑行、游泳和滑雪等。

在周六的时候也亲自测试了一下徒步功能,gps定位相对来说比较准确,而且在常开GPS的情况下,手表电量也不会下的很快,这一点相对于苹果手表来说真的是很爽的一件事,虽然最开始也有点吐槽说功能没有苹果手表全,而且也不支持第三方应用,但买来其实也不是为了这些功能的,主要还是运动数据的记录。超长待机和续航无疑是最重要的。总结一下吧,Amazfit T-Rex不论是粗犷硬汉的外观,还是运动表现,Amazfit T-Rex的表现可圈可点,配上799元的售价,可以说物超所值,如果需要考虑户外手表的话,个人认为是首选。


华为GT2

   由于没有真正入手华为GT2,但是也在网上看到过一些关于它的测评,本次关于GT2的基本都是参考网上的测评做的一下总结,也给大家做一下参考。华为GT2内含15种运动模式,包括跑步、游泳、登山、徒步、越野跑等8种户外及划船机跑步机、室内单车等7种室内运动。基本涵盖了普通运动者的全部需求。GT2基本搜星还是比较快的,经过测试,发现在户外一般在10-20秒左右,官方宣称支持GPS、GLONEASS和北斗三大卫星定位系统,而T-rex是gps双星定位,但是实际使用感觉来说,T-rex的定位相对来说也能够满足需求,实际使用的过程中,山洞等一些gps相对较弱的地方可能存在pgs丢失,不知道GT2会不会存在这种情况,网上查阅的资料,北斗导航可能在国内相对来说比较准确,所以对于定位来说GT2的三星定位可能回比T-rex更加准确一些。另外GT2也支持NFC公交地铁卡,但同时也带来了额外的电量损耗,所以在续航方面,GT2官网给出的常开GPS续航为10小时,相比于T-rex的20小时,可以说差异比较明显。

华为Watch GT 2依旧延续了自家研发Lite OS系统,弥补了前代在拓展性上的不足,并且足够流畅,所有操作都非常顺滑,手表反应比较灵敏,没有迟钝的感觉。

华为Watch GT 2手表采用了触摸屏+按键的操作方式,通过滑动屏幕可以从主屏分别进入心率,压力监测,天气预报,支付宝扫码,和运动记录页面。华为Watch GT 2最大的亮点之一,即加入了通话功能,当然,和华为Watch Pro、Apple Watch等手表不同的是,GT 2的通话功能是基于手机蓝牙实现,而不是基于eSIM卡,换句话说,GT 2并不支持独立通话功能。总结一下,华为GT2在功能方面比T-rex确实增加了很多,NFC和通话功能,但同时也带来了额外的电量消耗,价格也相对t-rex高了几百块,但整体偏重与商务风格,略显成熟。


努比亚阿尔法

   其实它或许根本就不是一个手表,而是一个腕机,外观部分,努比亚阿尔法那狭长的柔性屏幕极为酷炫,即便你是拿来当作酷玩装饰,我认为也是可以的。其次,它的传感器部件也都比较齐备,能够满足日常的使用需求。比亚阿尔法功能十分丰富,相比传统穿戴设备,它更像是”戴在手腕上的手机“。在表盘主界面,你只需要左右滑动就可以切换运动类、日常类、APP类、设置类几大选项。

其实这款手表拿出来评测也是有点觉得它炫酷,但是实际上可能买了它也是一个累赘,不能作为日常的使用,第一是自身的重量,第二是续航。可以理解为把手机缩小了戴在手上,而且实际看测评使用情况,常见操作都需要不停的旋转手腕来完成。感觉就是炒未来概念的产品。个人建议不值得入手,这里也不做太多评测和说明了。


最近都在忙公司筹划方面的事项,建立了一家互联网外包公司,公众号还是会抽时间来更新的,另外如果有项目需要外包的话,欢迎骚乱联系,微信号:amuxiaohuo,同时也兼职售卖苹果二手手机、苹果电脑、苹果全套配件、华强北airpods等数码产品,纯属兴趣爱好,华强北帮忙拿货测机,保证全原,全部机器质保一年。

相关文章
|
监控 网络协议 Java
Jmeter系列(35)- 使用 ServerAgent 监控服务器
Jmeter系列(35)- 使用 ServerAgent 监控服务器
1622 0
Jmeter系列(35)- 使用 ServerAgent 监控服务器
|
9月前
|
数据采集 搜索推荐
《从数据到转化:游戏地域偏好驱动的精准推送指南》
本文聚焦游戏行业地域化精准推送的核心痛点,提出基于玩家地域偏好的差异化推送体系构建思路。文章从无干扰数据采集与伪偏好筛滤入手,通过三维立体数据模型获取真实需求,再从行为、审美、需求、付费四个维度拆解地域偏好,形成可量化标签。进而搭建“偏好-内容-场景-时段”动态联动机制,定制适配不同地区的推送内容与策略,并依托数据和玩家双轮反馈实现闭环迭代,同时规避过度标签化、静态思维等认知误区。这套方法打破“一刀切”运营模式,助力游戏实现全域用户的长效激活与留存。
435 1
|
机器学习/深度学习 前端开发 数据可视化
Kimi K2 开源发布:擅长代码与 Agentic 任务!
今天,月之暗面正式发布 Kimi K2 模型,并同步开源。Kimi K2 是一款具备更强代码能力、更擅长通用 Agent 任务的 MoE 架构基础模型,总参数 1T,激活参数 32B。
1929 0
|
Web App开发 SQL 缓存
如何评估数据接口的稳定性和可靠性
评估数据接口(API)的稳定性和可靠性是保障系统运行的关键。本文从基础技术指标、场景化测试、长期监控及供应商评估四方面展开。技术指标涵盖响应时间、并发能力等;场景化测试包括负载、压力、容错与兼容性测试,确保复杂环境下的稳定性;长期监控通过实时指标、日志分析和历史数据复盘优化性能;供应商评估则关注资质、SLA与文档支持。建议建立常态化健康检查机制,确保API始终可靠。
|
API Python 数据格式
深度分析京东API接口,用Python脚本实现
深度分析京东API接口,用Python脚本实现
|
移动开发 安全 Java
Android历史版本与APK文件结构
通过以上内容,您可以全面了解Android的历史版本及其主要特性,同时掌握APK文件的结构和各部分的作用。这些知识对于理解Android应用的开发和发布过程非常重要,也有助于在实际开发中进行高效的应用管理和优化。希望这些内容对您的学习和工作有所帮助。
1894 83
|
数据采集 消息中间件 JSON
抖音批量发私信脚本有吗???
抖音批量私信自动化技术实现 一、技术原理分析
|
安全 NoSQL 关系型数据库
CentOS7下搭建并体验HFish开源蜜罐系统
CentOS7下搭建并体验HFish开源蜜罐系统
1587 0
CentOS7下搭建并体验HFish开源蜜罐系统
|
存储 NoSQL Java
分布式session的几种解决方案,你中意哪种?
在分布式环境下,session就会出现问题了,假如服务端部署在两个服务器A和B上。第一次往购物车添加商品时,请求落在了服务器A上,服务器A创建了一个session,并返回JessionId,第二次往购物车添加商品时,请求落在了服务器B上,请求携带的JesssionId在服务器B上并不会找到对应的session。这时候服务器B就会创建一个新的session,并返回对应的JessionId,客户端发现第一次添加的商品丢失了。。。
1993 0
分布式session的几种解决方案,你中意哪种?
|
机器学习/深度学习 数据采集 算法框架/工具
深度学习中的模型优化:以卷积神经网络为例
【7月更文挑战第31天】在深度学习的海洋中,卷积神经网络(CNN)如同一艘强大的航船,承载着图像识别与处理的重要任务。本文将扬帆起航,深入探讨如何通过各种技术手段优化CNN的性能,从数据预处理到模型正则化,再到超参数调整,我们将一一解析这些策略如何提升CNN的效率和准确度。文章还将通过实际代码示例,展示如何在Keras框架中应用这些技术,确保理论与实践的结合,为读者提供一套完整的优化工具箱。
511 4