Meta CEO马克·扎克伯格宣布,现在你可以在Threads上关注联邦宇宙中的账号。Threads最初仅以非常有限的方式,让用户看到联邦宇宙用户的点赞和回复,但如今的情况也没有什么改变——联邦宇宙的帖子不会出现在你的信息流中,只有这些账户与Threads上的帖子互动后,你才能关注它们。
尽管联邦宇宙的帖子不会出现在信息流中,Instagram负责人亚当·莫塞里表示,它们的个人资料和帖子会出现在Threads上,并且你可以选择在它们发布内容时接收通知。至少这是一个进展,莫塞里发布了一个视频,展示了这一过程的具体操作:
扎克伯格表示,当你看到某个联邦宇宙账户“点赞、关注或回复”了某个联邦化的Threads个人资料时,你就可以关注该账户,但还有另一种方法可以找到这些账户。
“在网页端和安卓端(iOS很快会推出),我们将开始将联邦宇宙的用户名链接化,”Threads开发者彼得·科特尔在一系列关于新整合的帖子中写道。科特尔补充道,你的账户需要是联邦化的,并且联邦宇宙账户必须“符合被关注的条件”。
科特尔还展示了如何标记联邦宇宙账户,链接到《星际迷航》演员及活动家乔治·武井的Mastodon账户:
Meta的赛恩·金在一封邮件中称,该平台的“目标仍然是负责任地推动联邦宇宙的发展,优先考虑建立一个安全、多样、内容丰富且具备互操作性的社区。”金还补充道,这一变化是Threads计划逐步实现与联邦宇宙完全互操作的又一步。
值得注意的是,最近几周,Threads的新功能加速了发布进程,或许这与Bluesky最近获得的关注有关。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。