Twitter尚未解释为什么上周末Twitterific和Tweetbot等第三方客户端会突然无法使用。但从一份最新报告外加一位应用开发者的测试结果来看,此次屏蔽绝对是故意的。
媒体拿到的Twitter内部Slack聊天记录显示,某高级软件工程师在“命令中心”频道上提到,“屏蔽第三方应用程序是有意为之。”根据The Information的报道,另一名员工在请求如何向产品合作伙伴解释中断问题时,有产品营销经理告诉他,Twitter已经有“开发聊天软件”的打算,但暂无确切交付日期。
部分Tweetbot用户似乎在上周日早晨暂时恢复了账户访问权限,但仍无法发帖,之后很快重新失去连接。原因是Tweetbot的联合创始人Paul Haddad换掉了该应用程序的API密钥,因此短暂恢复正常,但之后Twitter再次撤销了所有密钥权限。外媒The Verge提到,从结果来看“这绝对是故意的,我们和其他第三方应用都被Twitter狠狠针对了。”
Haddad写道,“如果Twitter那边能稍微跟我们沟通一下,我刚开始就不会换掉密钥。但事实证明,他们就是冲着我们来的,就是要压缩我们的生存空间。”
Twitter公司及其新东家马斯克都没有就第三方客户端连接失效发表任何评论。Twitter的状态页面本周一上午曾提到,所有系统均在运行,但只字未提最早从1月2号起就陆续出现的第三方客户端阻断问题。倒是用于监控Twitter参与度和主题跟踪的商用“企业”客户端似乎仍在正常运行,另外Twitterific for Mac等特定第三方客户端版本也未受影响。
长期以来,Twitter一直跟第三方客户端保持着某种微妙的距离。用户和小型团队可以借助这些客户端查看、跟踪和参与推文讨论。而在马斯克入驻之前,Twitter也曾要求各软件商不要开发这类客户端、限制其API,甚至取消了客户端的推送通知和自动刷新功能。
马斯克的到来伴随着一大波裁员,如今几乎没人能判断Twitter公司下一步要干什么、往哪里走。因此部分行业观察家和技术专家怀疑此次第三方API中断也可能单纯源自基础设施故障,Twitter只是未能快速完成修复。
但更靠谱的解释认为,问题的核心在于广告收入这块蛋糕的归属。马斯克曾在去年12月中旬翻译过Twitter大规模裁员的理由,称Twitter可能将出现“30亿美元的负现金流”。马斯克之所以收紧现金流,似乎是想早点填上收购Twitter所欠下的15亿美元债务,外加他接管以来Twitter遭遇的广告收入暴跌。事实上,Twitter公司已经多次因拖欠房租而被办公楼业主起诉。
最近,Twitter刚刚将iOS应用上的默认显示内容切换为基于算法的“猜你喜欢”(For You),用户每次打开应用都得手动切换才能转回之前的“你关注的”页面。而传统第三方客户端向来对用户的内容排序更宽容、提供更多控制权——而且值得注意的是,第三方客户端压根不显示Twitter的“推广”内容。面对广告销售额的急剧下降,Twitter公司最近推出了不少优惠幅度巨大的广告套餐。
我们暂时无法联络Twitter以获取置评,因为该公司的公关和传播部门已经被整体裁撤。1月16日美国东部时间的午夜刚过,马斯克又从容发出一条推文,暗示媒体早已被国家力量所渗透。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。