Tumblr即将增加对ActivityPub的支持。ActivityPub是一种开放的去中心化社交网络协议,如今正在为 Mastodon、Pixelfed 和 PeerTube 等社交平台提供支持,Mastodon 被认为是 Twitter 的替代品,Pixelfed 则类似于 Instagram,PeerTube 则是一个以视频内容为主的站点。
之前曾有Twitter用户抱怨Mastodon过于复杂,已经在 2019 年从Verizon收购了Tumblr的Automattic 公司 CEO Matt Mullenweg 建议用户「不妨来试试Tumblr」,并强调该网站将很快「在互连中引入ActivityPub。」
他表示,「不要紧张」,Tumblr首先要做的,是先接收因摆脱Twitter而涌入的新用户浪潮,但对于「Interop和ActivityPub」的支持将「尽快」到来。
简而言之,此次公布的消息意味着Tumblr将由小众博客平台转变为更大的、去中心化社交网络的组成部分。而此举当然就是要接纳因平台落入马斯克手中,而大量逃离Twitter的用户群体。
@seldo:「下次有人说『你完全可以运行自己的实例』时,我肯定直接会朝他们脸上吐口水。我都试了7个小时了,还是没能在服务器上安装Mastodon。」
@photomatt:「欢迎来Tumblr,我们将在互连中引入ActivityPub。不要紧张。」
@jdp23:「真的吗?拜托拜托拜托。这是官方消息吗?」
@photomatt:「我们目前主要在应对新用户浪潮,并保持平台扩展,但对Interop和ActivityPub的支持将尽快到来。」
根据网站的解释,ActivityPub协议提供一个用于创建、更新和删除内容的客户端到服务器API,外加一个用于传递通知和订阅内容的联邦服务器到服务器API。在实践当中,Mastodon用户也可以在其他实例(即独立运行的节点)及社交应用程序(例如PeerTube)上与其他支持ActivityPub的应用用户开展交互。这就相当于为社交网站之间建立起一个新的网络,用户能够在其中找到彼此、关注彼此,而无需在每个服务平台上单独注册新账户。
这跟目前「围墙花园」式的社交媒体恰好相反,当下媒体平台上的帖子根本不对其他平台的用户开放,除非单独在其他平台上再次发布内容、或者通过共享链接在其他平台上引用。
如果Tumblr也将引入ActivityPub支持,那就意味着Mastodon上的用户可以通过自己的Mastodon实例关注Tumblr用户,且全程无需使用Tumblr应用。它还可以为Tumblr用户提供所谓「联邦宇宙」(fediverse)入口点,直接绕过复杂的Mastodon首次注册流程。
据data.ai本月早些时候报道,Tumblr已经从Twitter「难民潮」中受益,其美国应用安装量在收购前后一周实现了7%的总体增长。Tumblr的全球下载量在收购前12天时为17万次,随后则激增77%来到301000次。
Mullenweg随后透露了Tumblr内部统计的指标,指出在马斯克接掌Twitter的一周之后,Tumblr的iOS版应用下载量增长了62%。
但早在马斯克掌舵Twitter之前,Mullenweg就一直在思考Tumblr未来要如何更好地与Twitter开展竞争。
他在今年早些时候提到,「我只是想提供一个开放的替代方案,允许用户自主选择算法……我们正努力让Tumblr成为艺术创作的空间。在这里,大家不会越逛越气,而是越逛越开心。」
最近,Mullenweg还一直在努力招募前Twitter员工加入Automattic,甚至为此建立了专门的网站。
@photomatt:「我有点忙晕了。如果我没及时回消息,这里我深表歉意。但我们已经给来自Twitter的朋友们建立了专门的招聘页面。」
@photomatt:「我认为Tumblr最需要的,就是来自Twitter的时间线、排名和自助广告系统团队成员。」
可以看到,Automattic公司在使用ActivityPub方面已经有了一定的经验。
除了Tumblr之外,Automattic还运营着博客服务WordPress.com,并为开源WordPress博客软件平台做贡献。该软件日前也为自托管WordPress网站提供了ActivityPub插件,使得博客读者能够关注Mastodon和其他联邦式社交平台上的帖子。在引入ActivityPub支持之后,Tumblr也将加入这个大家庭。
Mullenweg并没有提到要如何「尽快」支持此功能,也没有公布具体的预期时间。Tumblr也表示暂时无法回应置评请求。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。