面对Twitter的持续崩溃,Mastodon无疑成为最大的受益者之一。自从去年年底我个人开始认真使用以来,Mastodon已经用不少精彩设计俘虏了我的心。虽然我偶尔还是会用Twitter来关注新闻并偶尔发发私信,但Mastodon已经成了发布简短内容的新平台。不过Mastodon目前还有个严重问题——很难找到我们感兴趣的话题。
我不是说Mastodon需要提供发现性的推荐算法。不不!我想表达的意思是,Mastodon在设计上会把信息以相对模糊的方式分散在多台服务器上。以Twitter为例,我只需要输入几条搜索词——可能是关于某个严肃话题,也可能是某些个人兴趣,比如我最喜欢的游戏,那系统就会通往某个新奇有趣的角落。但Mastodon却故意禁止明文搜索,虽然已经有人尝试为它设计一套备选系统,但目前最主要的替代方案仍然是话题标签。
Mastodon允许用户搜索话题标签,或者开启某些标签来持续跟踪相关内容。除了#政治 或者#音乐 这类基本标签之外,人们还可以用#LawFedi 或@lawstodon 等标签表明帖子跟法律有关,用#introduction 标记服务参与者,或者用#CatsOfMastodon 注明到处发小猫图片的用户。
但很遗憾,我非常讨厌帖内标签。
无论是在Twitter、Instagram还是Mastodon等平台上,话题标签都引起了混乱。它们不仅让帖子格式杂乱无章,也消耗了宝贵的字符数——虽然Mastodon允许的字数比Twitter要多,情况看起来稍好一点,但问题仍然存在。而且话题标签会被显示为可点击的超链接,这就让它们看起来比帖子里的正文更重要、更突出,而这跟预期目的恰好相反。
屏幕阅读器等辅助工具也处理不好话题标签,误以为这是需要读出来的内容。而且一旦人们忘记大写各个英文单词的首字母,那标签内容就可能呈现出令人抓狂的“密码”级形态,比如“#longincomprehensibletextstrings”(long, incomprehensible text strings,又长又难懂的字串)。
#别#在#帖#子#里#加#标#签#了
最重要的是,帖子里的话题标签真心让人烦躁。在使用Twitter和Instagram十年之后,我已经把很多标签跟刻板印象联系了起来——比如有些标签代表垃圾内容,有些是纯粹为了吸引眼球搞出来的。而在Mastodon上,用户往往需要在同一个话题标签上添加多个变体,以防止他人因为使用习惯而搜索不到。反正整个使用体验基本就像是在垃圾邮件里找有用内容,非常讨厌。
而与这一切混乱相对应,我们是有一位把细节全都做对了的模范生:Tumblr。
Tumblr介于社交媒体与传统博客平台之间,而且跟大多数主要博客工具一样,上面的每篇文章都有专门用于分类标签的自由格式部分。这些标签字体更小、颜色更浅,显示在每个帖子下方但却不会让人心烦意乱。我们可以使用松散的专题社区名称、粉丝圈、关注对象的名称或者能帮助大家查找帖子内容的过滤器等等。虽然Tumblr话题标签也有一些比较小众的用途,但这些也是为网站设计和社区文化服务的,所以堪称相得益彰。跟Mastodon话题标签搜索类似,用户也可以在Tumblr上订阅标签并找到还未关注的用户。而且因为Tumblr的界面会建议用户添加标签,所以整个使用感受更自然,据我观察实际应用也更广泛。对了,大家还可以在单词之间加空格,这就省去了大写单词首字母的麻烦。
所以我真心建议Mastodon能考虑使用这套系统,而且很幸运,我并非唯一有这种想法的人。作为很多人接触Mastodon的起点,高人气账户Fedi.Tips最近提交了一份官方请求,希望将话题标签跟帖子拆分开来。其中提到:“Mastodon的标签搜索系统正将人们拖入混乱的泥潭。事实上,Mastodon应该采用WordPress或者Friendica样式的设计,将标签跟帖子正文分别列出,并对标签部分做单独的字符限制。”
我敢肯定,这样的调整必然会引发不利影响甚至是预想不到的后果。但到目前为止,用户普遍支持这个建议。有些人指出,其他去中心化社交产品(包括Friendica在内)已经实现了与正文分离的话题标签。还有人说,这样的调整不仅有利于使用屏幕阅读器的用户,也将改善每一个人的使用体验。所以在Mastodon真正摸清最适合自己的搜索方式之前,也许这就是降低平台导航门槛的最佳优化方向。而且这样一来,给自己上传的小猫照片加标签也能变得更加轻松,这对我来说绝对是个大福音!
好文章,需要你的鼓励
Linux基金会宣布成立代理AI基金会,为AI智能体基础设施开发提供厂商中立的监督。尽管业界承认AI智能体存在安全问题,高德纳咨询公司警告许多企业项目可能因缺乏商业价值而被取消,但基金会仍致力于为AI公司提供中立平台。Anthropic、Block和OpenAI分别贡献了三个项目,包括模型上下文协议、开源AI智能体框架和机器可读文档标准。
快手科技研究团队提出了熵比截断机制,用于解决强化学习训练中AI容易"走偏"的问题。该方法通过监控AI学习前后思维活跃度变化,在关键时刻进行精准干预,既保证训练稳定性又维持探索能力。在数学推理任务中,此方法显著提升了模型性能并改善了训练稳定性,为AI训练领域提供了新的解决思路。
微软计划在未来四年内向印度投资175亿美元,这是该公司在亚洲的最大投资。投资将用于建设新数据中心、AI基础设施和技能培训项目。此举正值全球科技巨头加速在印度布局,该国庞大的互联网和智能手机用户群体使其成为关键战场。投资还包括在海德拉巴建设新数据中心区域,并与印度政府合作将AI能力整合到公共数字平台中。
EditThinker是北京航空航天大学与美团等机构联合研发的图像编辑AI框架,让AI在编辑图片时能够像人类一样进行反复思考和优化。该系统通过"批评-优化-重试"的循环机制,将传统的一次性编辑转变为迭代改进过程,在四个权威测试平台上显著提升了现有编辑模型的表现,特别是在需要复杂推理的编辑任务中效果突出。