北京時間2月11日消息,Twitter正試圖解決信息過剩的問題。此前許多新用戶表示,在登錄Twitter之初會看到過多信息,導(dǎo)致他們不太愿意經(jīng)常使用Twitter。
Twitter周三宣布,對于離開Twitter一段時間的用戶,將向他們展示訂制的Twitter消息流,利用算法推薦他們感興趣的內(nèi)容。
Twitter高級產(chǎn)品總監(jiān)杰夫·塞伯特(Jeff Seibert)表示:“許多Twitter用戶關(guān)注了數(shù)百個,甚至上千個帳號。當(dāng)他們回到Twitter時,會發(fā)現(xiàn)太多的信息令他們無所適從。”
這一功能中的Twitter消息可能來自任意時間,例如幾分鐘之前或幾小時之前。Twitter的設(shè)想是將最重要的消息置于消息流最上方,幫用戶過濾掉他們可能不感興趣的信息。
Twitter以往總是按照時間逆序去排序消息,而此次調(diào)整是一個重要變化。這將幫助用戶更方便地找到自己感興趣的內(nèi)容,從而吸引用戶更多地訪問Twitter。塞伯特表示:“這是為了幫助所有這些用戶掌握他們在意的信息。”
關(guān)于Twitter將調(diào)整消息流排序方式的傳聞已出現(xiàn)很長時間,而Twitter很可能考慮過多種不同的時間線展示策略。1年前,Twitter推出了“當(dāng)你離開時”功能,幫助用戶更方便地查看在離開Twitter期間消息流中有趣的內(nèi)容。Twitter甚至在應(yīng)用中辟出了一個專門欄目,向普通用戶展示可能難以發(fā)現(xiàn)的有趣內(nèi)容和對話。
不過過去幾年,Twitter的一些內(nèi)部人士不愿進(jìn)行重大改版。他們擔(dān)心,這將導(dǎo)致忠實用戶的流失,或是影響廣告銷售。在2013年Twitter上市之前,即使用戶數(shù)增長開始放緩,但Twitter的營收增長仍保持穩(wěn)定。
塞伯特還表示,去年夏季回歸Twitter的CEO杰克·多西(Jack Dorsey)給予產(chǎn)品負(fù)責(zé)人很大的自由度去質(zhì)疑產(chǎn)品。他表示:“沒有任何不能觸碰的話題。”
上周,BuzzFeed報道稱,Twitter即將對時間線排序方式進(jìn)行調(diào)整,這引起了Twitter用戶的抗議。而#RIPTwitter(安息吧Twitter)也成為了Twitter的趨勢話題。
為了避免引起忠實用戶的不滿,Twitter正緩慢發(fā)布最新改版。用戶最初可以選擇在設(shè)置菜單中啟用新功能,而隨后這一功能將成為默認(rèn)設(shè)置。而如果用戶不想要這一功能,那么也可以在設(shè)置菜單中關(guān)閉。塞伯特表示:“我們希望讓所有人都有機會按自己的意愿去使用。”
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。