北京时间2月11日消息,Twitter正试图解决信息过剩的问题。此前许多新用户表示,在登录Twitter之初会看到过多信息,导致他们不太愿意经常使用Twitter。
Twitter周三宣布,对于离开Twitter一段时间的用户,将向他们展示订制的Twitter消息流,利用算法推荐他们感兴趣的内容。
Twitter高级产品总监杰夫·塞伯特(Jeff Seibert)表示:“许多Twitter用户关注了数百个,甚至上千个帐号。当他们回到Twitter时,会发现太多的信息令他们无所适从。”
这一功能中的Twitter消息可能来自任意时间,例如几分钟之前或几小时之前。Twitter的设想是将最重要的消息置于消息流最上方,帮用户过滤掉他们可能不感兴趣的信息。
Twitter以往总是按照时间逆序去排序消息,而此次调整是一个重要变化。这将帮助用户更方便地找到自己感兴趣的内容,从而吸引用户更多地访问Twitter。塞伯特表示:“这是为了帮助所有这些用户掌握他们在意的信息。”
关于Twitter将调整消息流排序方式的传闻已出现很长时间,而Twitter很可能考虑过多种不同的时间线展示策略。1年前,Twitter推出了“当你离开时”功能,帮助用户更方便地查看在离开Twitter期间消息流中有趣的内容。Twitter甚至在应用中辟出了一个专门栏目,向普通用户展示可能难以发现的有趣内容和对话。
不过过去几年,Twitter的一些内部人士不愿进行重大改版。他们担心,这将导致忠实用户的流失,或是影响广告销售。在2013年Twitter上市之前,即使用户数增长开始放缓,但Twitter的营收增长仍保持稳定。
塞伯特还表示,去年夏季回归Twitter的CEO杰克·多西(Jack Dorsey)给予产品负责人很大的自由度去质疑产品。他表示:“没有任何不能触碰的话题。”
上周,BuzzFeed报道称,Twitter即将对时间线排序方式进行调整,这引起了Twitter用户的抗议。而#RIPTwitter(安息吧Twitter)也成为了Twitter的趋势话题。
为了避免引起忠实用户的不满,Twitter正缓慢发布最新改版。用户最初可以选择在设置菜单中启用新功能,而随后这一功能将成为默认设置。而如果用户不想要这一功能,那么也可以在设置菜单中关闭。塞伯特表示:“我们希望让所有人都有机会按自己的意愿去使用。”
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。