
iPhone 的「电池」设置里有个「充电上限」,可以在 80% 到 100% 之间调节。
不少人直接拉到最低的 80%,通过避免 iPhone 长时间满电来延长电池寿命。
但 80% 的电量,真的能换来明显更好的电池健康度吗?

外媒 MacRumors 的编辑 Juli Clover 用 3 年时间、3 台 iPhone 给出了一组实测数据。
先说结论:80% 上限确实有帮助,但没有很多人想象中那么大。
Juli 从 2023 年起,每年换一台新 iPhone,全部开启 80% 充电上限:
第 1 年(2023–2024):iPhone 15 Pro Max 第 2 年(2024–2025):iPhone 16 Pro Max,额外控制电量不低于 20% 第 3 年(2025–2026):iPhone 17 Pro Max,保持 20% 下限,同时尽量用 USB-C 有线充电,减少无线充电每台手机用满 12 个月后换新,旧机继续保持 80% 限制作为日常备用。
先看每台 iPhone 用满一年后的电池表现:

iPhone 17 Pro Max 拿到了 3 年里最好的成绩。
Juli 认为这和 iPhone 17 Pro Max 配备了更大的电池(充电频率更低)以及 VC 均热板散热(机身温度更低)有关。
截至 2026 年 10 月,3 台手机目前的状态:

iPhone 15/16 Pro Max 使用频率降低之后,电池老化速度明显放缓。
当然这组数据到底算好还是不好,还是要对照着来看。

这篇文章在 MacRumors 论坛引发了 300 多条回复,大量用户晒出了自己的电池数据。
我把其中 iPhone 17 Pro Max 挑了出来,按充电设置分组对比。
iPhone 17 Pro Max(约 12 个月)— 设了 80–85% 上限:

iPhone 17 Pro Max(约 12 个月)— 不设上限:

设了 80% 上限的那一组,大部分还维持在 100%,但循环次数普遍在 220–254 之间,比 Juli 的 277 次更低。
不设上限的那一组里,低循环的用户同样能拿到 98–100%,差距集中在 2–3 个百分点以内。

小编仅开启了优化充电未设置上限,一年后数据(充电习惯比较差,经常低电量使用)
还有一个值得关注的案例:一位不设限制的 17 Pro Max 用户,300 循环前还有 98% 的健康度,越过 300 次之后两周内骤降到 92%。
他怀疑系统在 300 循环附近有某种电池校准逻辑。
这个没法进一步验证,但至少再次说明:iPhone 电池健康度数值并非线性下降。
当然,每块 iPhone 电池的出厂实际容量本身就有高有低,有些会高于标称容量,因此健康度下降的速度也会更慢一些。
上述也都是个人案例,使用强度、充电习惯和环境温度都不一样,不能直接当对照实验看。
大量数据放一起,结论就是:80% 充电上限有帮助,但个体差异影响更明显。
Juli 自己也提到,她怀疑 iPhone 17 Pro Max 成绩最好,均热板散热的贡献可能比充电上限本身更大。
这台手机日常使用中明显比 iPhone 16 Pro Max 更不容易发烫。

iPhone 17 Pro 首次配备了 VC 均热板
这和锂电池的特性也是一致的:高温下充放电对电池寿命的损伤,远大于从 80% 多充到 100% 带来的影响。
牺牲 20% 的 iPhone 电量,换来的电池健康度改善并不算明显,对大多数人来说性价比不高。
不过如果你属于超高强度用户,一天要充好几次电,设一个上限还是有意义的。

针对不同使用场景,充电上限可以这样选:
80–85%:几乎不出门,身边随时有插座或充电宝 90–95%:正常通勤和日常使用,续航损失不明显,大多数人适合这个档位 100% + 优化电池充电:经常外出、需要满电出门、不想频繁调整设置如果不想在这件事上花心思,那其实打开「优化电池充电」就够了。
从用户反馈来看效果并不差,尤其适合有固定充电习惯的人,比如每晚睡前插上充电器,iPhone 学习到习惯之后,会暂时充到 80%,直到你起床之前再充满电。

另外,比起纠结上限设多少,避免边充边玩导致 iPhone 过热,对电池的保护可能更直接。
你有没有设过充电上限或开过「优化电池充电」?用下来觉得对电池健康有帮助吗?欢迎分享你的使用体验。
该模型能够将一年的卫星观测数据压缩成数值指纹,最小分辨率下每个指纹对应10米乘10米的地面区域,同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息,可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前,使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调,针对每项任务训练一个模型,再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源,以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作,从追踪时间变化到寻找相似地点,无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据,包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务:Sentinel-1测量雷达反射信号,而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示,与以往版本的OlmoEarth模型相比,v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本(v1.2)的53%,为第一版(v1)的18%,碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型,对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据,这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区,围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰,在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月,秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实? 嵌入数据给出了明确答案。
无需进行模型训练,仅通过比较不同年份的数据像素,观察2016年至2020年间的情况,可以清晰看到南部矿区带内有明显的向东扩张趋势:显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间,这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示,对许多团队来说,针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行,这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中,初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析,无需使用GPU。
当某项任务确实需要进行微调实验时,嵌入数据可以帮助判断该实验是否值得投入计算时间,以及模型存在哪些不足之处。
不知道大家有没有遇到过这种让人极度“烧心”的时刻:高铁站候车的时候,临时被拉进视频会议,画面非常卡;或者挤在晚高峰地铁里,手机右上角明明信号满格,微信却一直在转圈。
这通常不是基站没信号,也不是手机故障,大概率是“信道堵车”了。
当高密度人群在同一时空同时发起连接,基站的上下行信道资源被瞬间挤占,数据包只能排队,表现出来就是高延迟和高丢包。
那么,这个“拥塞加速”真的靠谱吗?我深度体验了一下,用这几天的行程实测数据说话。
场景一:高铁站商务办公 上周赶车出差,高铁候车厅人山人海,是典型的网络拥堵重灾区。
等车的时候,加入公司的视频会议,画面频繁卡顿,网络延迟一度飙升到380ms左右。
随后我打开华为天际通,在首页并一键开启服务(系统会智能感知网络,零门槛不用调参数)。
开启后再次观察会议监控面板,延迟迅速回落并稳定在75ms-90ms之间;从候车大厅一路检票上车,全程沟通连贯没掉线。
场景二:周末万人演唱会现场 周末去看了场演出,几万人聚集导致上行信道争抢极其激烈。
未开启加速时,用测速软件测得文件上传速度仅0.3MB/s,一段45MB的现场高清合唱视频,微信转圈了近两分钟还没传完。
开启拥塞加速后,重测上传速度提升至3.2MB/s左右,同样大小的高清视频十几秒就顺利发出了,演唱会现场也能及时分享。
场景三:晚高峰地铁通勤 回到日常晚高峰地铁,车厢里人挨着人。
不开加速追1080P剧集,15分钟内出现了4次加载缓冲;打开MOBA手游,游戏延迟飘红破300ms。
而启用拥塞加速后,追剧更顺畅,一路上拖动进度条基本即点即播,视频缓冲次数降为0;游戏内的ping值则被稳稳压在48ms-65ms的绿网区间,团战响应稳了不少。
总结: 智能感知、一键开启,在基站高负载场景下,华为天际通拥塞加速降延迟和提速上行的效果很直观。
但也需要和大家分享的是:它解决的是“人多抢网”的信道拥堵,如果身处信号较差的偏远地区、地下室和地下停车场等地点,它是无法凭空变出信号的。
目前该服务仅支持 华为鸿蒙5及以上设备,且需使用 移动/电信网络。
最后聊聊怎么选。
现在大家都是讲究性价比的“纯过日子人”,大流量包买多了用不完纯属浪费,所以可以按需购买,共有三档: 1小时包(9.9元):9.9元起,不到一杯咖啡的钱,适合快速通勤、高铁站候车及短途高铁救急; 2小时包(14.9元):折合7.45元/小时,适合看演唱会、中长途出行; 4小时包(21.9元):折合低至5.48元/小时,适合长途高铁或全天移动办公。
如果你近期准备出门欣赏秋日,需要出差、看演唱,或者日常挤地铁,不妨打开华为天际通备上一单,关键时刻确实能少受不少网络卡顿的窝囊气。