
Twitter周二提交至美国证券交易委员会(SEC)的一份最新报告称,在Twitter 2.71亿活跃账户中,有近9%的活跃账户使用了自动化技术与Twitter保持连接。
Twitter在这份文件中称,在截至6月30日的上一季度中,大约有8.5%的活跃账户使用了第三方的自动连接应用程序,这些用户在更新账户内容时几乎不费什么力气。目前尚不清楚这些自动连接用户目的是为了自动发布Twitter内容,还是仅从社交网络上读取信息,但无论哪种方式,意味着在2.71亿活跃Twitter账号中,大约有2300万个账户并非是真正的活跃用户,因为他们在Twitter并未付出太多精力、并未给予太多关注。
至于Twitter为何在监管文件中披露上述信息,Twitter给出了如下解释:Twitter旨在告诉投资者,人们是如何使用Twitter服务的,这有助于帮助投资者更好地理解其活跃用户增长速度。自去年上市以来,华尔街开始密切关注Twitter用户增长以及活跃用户的发展概况。
Twitter进一步解释道,大约有11%的账户使用第三方应用接入服务,他们没有直接通过Twitter网站或Twitter一种产品接入服务。但其中有8.5%的使用了第三方技术账户,比如HTC的Sense和三星的Touchwiz,这些账户可以在不打开应用的前提下自动从Twitter上获取信息。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。