Mastodon、Bluesky、Nostr与Threads……自从马斯克于2022年收购Twitter(现X)以来,人们对于去中心化社交网络的接受度圩高,X替代方案的活跃度也在持续增长。另一方面,跟上这么多新兴网络的发展动态也实在不易,各平台间往往缺少可以实现互操作的统一协议。为此,名为Openvibe的新应用挺身而出,希望通过单一界面帮助用户通过综合时间线与Mastodon、Nostr、Bluesky以及即将支持的Threads上的好友和关注者保持联络,一口气解决这个难题。此外,Openvibe还提供一次向多个目标网络交叉发布消息的能力。
据公司CEO Matej Svancer介绍,该公司的使命是为新用户提供一个友好且“易于使用”的开放社交网络入口。
这支来自捷克的团队最初于2022年着手开发一款名为Tweetoshi的Twitter客户端,但在马斯克出手收购Twitter之后,他们决定将重点转移到开放社交网络上来,借的自然就是当时那股众多用户转投开放阵营的东风。早期成果包括开发一款基于Nostr的应用Plebstr,目前这款应用已被合并进Openvibe。
然而,用户近来常常抱怨开放社交协议太多太乱,而且他们无法跨网络实现相互通信。
Svancer解释称:“我们自己也遇到了这个问题,Openvibe就是解决这个问题的答案。虽然目前也有其他一些桥梁,但却需要额外的服务器、镜像账户、选择加入等过程。我们认为这不是正确的前进方向。Openvibe没有这些麻烦的步骤——大家可以直接连接自己的现有账户。Openvibe的目标是降低新用户进入开放社交领域的门槛。我相信开放的社交空间完全可以挑战传统社交媒体,但前提就是各平台间必须团结一致。”
该产品满足了用户日益增长的需求,即需要一些工具来帮助自己跟上日益分裂的开放社交网络。当前,众多初创公司和开放社交项目正在与科技巨头展开竞争,除了开源项目Mastodon(一个由ActivityPub协议支持的去中心化开放社交网络)之外,还包括坐拥600万用户、基于现代AT协议的初创公司Bluesky,以及受到Twitter联合创始人Jack Dorsey青睐的去中心化社交协议Nostr。
不少规模较小的初创公司也试图向Twitter/X发起挑战,包括Spoutible和Spill。尽管Post和T2/Pebble等不少早期努力已经宣告失败,但整个领域的热度仍在持续上升。最近,刚刚有一款名为noplace的Twitter/MySpace混搭型应用亮相,主要针对Z世代年轻群体。
与此同时,Meta也感受到了社交网络的发展方向,并在它最新推出的社交网络Threads当中引入了ActivityPub。
然而过于丰富的选择也催生出了新的聚合工具,这些工具负责将社交信息流与新闻来源(例如RSS信息流)结合起来。Twitter客户端Twitterrific的前开发商Iconfactory目前就在开发一款名为Tapestry的应用程序,以帮助人们跟上开放社交平台的发展步伐;而新闻阅读器应用Reeder的开发者Silvio Rizzi也正在创建一款同时支持社交来源的Reeder替代方案。
而Openvibe走得比这些潜在竞争对手更快、更远,定位为一款面向开放社交网络的简单聚合器。
要使用这款应用,大家只需登录受支持网络上的现有账户,之后即可马上在组合时间线中关注到所有好友。该应用还能够将动态组合起来并支持交叉发布功能。
大家可以通过该应用的Mastodon集成与Threads联动并关注个人资料,此外Threads API目前也已经发布。Svancer计划在未来对Threads提供更广泛的支持,且首先将从交叉发布开始。
虽然在此之前,Openvibe就已经有一个版本处于开发阶段,但最新版本还增加了对Bluesky的支持。也正因为如此,Svancer等人决定到现在才对该应用进行推广。
Openvibe项目开发团队共有四名成员,包括Svancer本人、两名开发人员和一位设计师。这家尚处于前种子阶段的初创公司获得了天使投资人及纽约加速器项目Wolf的支持。Openvibe于去年正式加入Wolf项目。
Openvibe的iOS和Android版本将以免费应用的形式发布,同时也有意推出桌面系统版本。该应用随后计划推出订阅服务以换取运营收益。
好文章,需要你的鼓励
KAIST研究团队开发了CLEANMOL框架,解决了大语言模型理解SMILES分子表示法的关键难题。传统模型即使在简单任务如计数分子环数时也表现不佳,因为SMILES编码中结构信息常呈非连续分布。研究通过设计官能团匹配、环计数等确定性任务,大大提升了模型对分子结构的理解。实验表明,预训练后的模型在逆合成等下游任务上表现优异,精确匹配率从45.6%提升至58.1%。这一突破无需昂贵实验数据,为药物开发和材料设计提供了低成本高效的AI支持方案。
加州大学伯克利分校、MIT和斯坦福联合研发的SVG2技术通过语义感知排列实现了视频生成的重大加速。该方法巧妙解决了现有稀疏注意力机制中的两大瓶颈:识别不准确和计算浪费。通过k-means聚类对像素按语义特性分组并重排,SVG2在保持高质量的同时将生成速度提升至2.3倍,使原本需30分钟的视频生成缩短至13分钟,为实用化AI视频创作铺平了道路。
国立新加坡大学Show Lab团队开发的OmniConsistency是一种基于扩散变换器的通用一致性插件,用于解决图像风格化中的一致性问题。该方法采用两阶段解耦训练策略和滚动LoRA银行机制,实现风格学习与一致性学习的分离,有效保留图像风格化过程中的语义、结构和细节。研究团队构建了包含22种风格的高质量配对数据集,并通过定量与定性评估证明该方法达到了与商业模型GPT-4o相当的性能。OmniConsistency具有即插即用兼容性、强大的风格泛化能力和高计算效率,为图像风格化技术带来了重大突破。
这项研究介绍了MetaMind,一个模拟人类社交思维的多智能体框架,由威斯康星大学麦迪逊分校和清华大学研究人员共同开发。该系统通过三阶段协作流程(心智理论智能体生成假设、领域智能体应用社会规范约束、响应智能体生成回应)模拟人类元认知过程。实验表明,MetaMind在社交理解任务中显著超越现有方法,首次使AI系统在心智理论任务上达到人类水平表现,为更具共情心和文化敏感性的AI互动铺平道路。