作为X(原Twitter)的直接竞争对手,Meta旗下Instagram团队打造的Threads正一步步向着“联邦宇宙”的概念扩展——这是一套互连互通的社交网络,涵盖Mastodon、PeerTube及其他各类运行ActivityPub协议的应用程序。就在本周,Meta公司宣布将面向18岁及以上的Threads用户开放测试,允许它在全球市场使用公开账户与“联邦宇宙”(fediverse)内的其他社交站点分享内容。
测试版最初于3月首次发布,但初期仅面向三个国家开放,包括美国、加拿大和日本。而在Threads的最新帖子中,Meta公司CEO马克·扎克伯格表示,该功能已经在全球100多个国家和地区上线。
在测试版本中,Meta还采取了一项更强有力的举措——通过用户教育扩大联邦宇宙的影响范围。时至今日,仍有很多人不理解联邦宇宙的基本原理,也不清楚在开放社交网络上实现账户联动究竟意味着什么。为此,Meta专门在Threads中弹出提醒,将联邦宇宙描述为一套由交互服务器组成的社交网络,向用户讲解跨平台共享的底层原理并解答部分基本问题。Meta方面希望通过此举鼓励更多人探索联邦宇宙,特别是那些可能对现有联邦应用(例如Mastodon)表示抵触的受众。
除了扩展之外,Meta还允许联邦帖子的作者点赞并查看来自宇宙内其他社交平台的评论。但目前最重要的一步,即直接回复这些评论的功能尚未实现。
由于这只是一轮beta测试,所以Meta表示在你选择加入联邦宇宙共享之后,你的Threads帖子将同时显示在Mastodon之上。来自Mastodon及联邦宇宙内其他社交平台的点赞和回复也将直接显示在Threads当中。为了确保beta版本能够为Mastodon用户带来良好体验,Meta表示Threads中的帖子将正常显示在联邦宇宙之内,但暂时只会同步热门帖子和作者自己的回复。其他帖子类型,例如包含投票及回复控制的帖子,目前尚未支持。
要在Threads当中开启联邦宇宙共享,你需要点击账户设置中的对应选项,即“Fediverse Sharing(Beta)”。其中还提供说明及Threads的补充隐私政策链接。
Instagram解释道:“我们的目标始终不变,就是以负责任的态度发展联邦宇宙,将它打造成一个优先强调安全性、多样化、内容丰富度以及可互操作的成功社区。目前的beta版只是我们推动Threads与ActivityPub开放互操作的第一步,未来我们将继续与开发人员及政策制定者保持合作、继续行动,以确保各类服务的创作者及用户都能感受到联邦宇宙带来的助益,包括扩大内容覆盖范围、有力促进社区发展、改善可移植性等等。”
凭借Threads的爆火,Meta几乎成为联邦宇宙当中地位最高、份量最重的应用程序。截至今年4月,Threads的月度活跃用户已经超过1.5亿。而整个联邦宇宙(不含Threads)的用户超过1100万,其中Mastodon上的月度活跃用户也已突破80万。
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。