要说开源代码项目该发挥什么作用,很多朋友首先想到的就是开源许可。一方面,不少人认为不符合开源代码倡议(OSI)许可的项目根本就不能算真正的开源。另外,选择使用GNU通用公共许可证(GPL)、MIT许可证等公共版权许可,则有可能给项目的使用方式与社区发展带来深远影响。
但Linux基金会开发者关系副总裁Chris Aniszczyk看来,许可本身并不会真正提示我们该如何管理项目。因此,如何对项目进行开放式管理才是问题的核心。他还补充道,在纠纷出现之前回答这些问题,并对一切参与者提供开放、公平的见解表达渠道,正是项目在规模扩大的过程中取得长期成功的前提。
开源项目需要解决以下6大治理难题: 谁来做出决策? 如何添加维护者?谁拥有域内权利?谁拥有商标权?具体事件如何治理?谁负责确定构建系统的运作方式?
面对上述难题,可以看见并不存在那种百试百灵的正确答案。无论是出于社区的特定需求、还是某些历史原因的影响,不同项目以及托管项目的基金会往往采用自己的方法。
也正因为如此,不少项目决定选择“传递的独裁者”(BDFL)模式。在这种模式当中,将由一个人(通常是项目的创始者)对重大项目决策拥有最终裁定权。默认情况下,不少项目止步于此,Linux内核项目本身就是这样的例子。但是,Red Hat公司的Joe Brockmeier却在观察中发现,BDFL已经成为一种典型的“反模式”。“虽然确实有一部分项目在BDFL的推动下取得了成功,但更多项目也由此彻底迷失了前进方向。”
Aniszczyk发现,“不同的基金会往往拥有不同的章程、条款及其组织方式,而且具体组织层面存在大量差异因素。例如,Apache Way就颇具盛名,这也是Apache指导自身运作的方式。这是一种孵化器过程,各个项目需要凭借自己的努力一步步走向毕业。从项目管理角度来看,这基本属于「广撒网」的竞争筛选方式。”
Aniszczyk就项目管理提出了一些最低要求。他强调,“在众多Linux基金会与云原生计算基金会(CNCF)项目当中,我们采取的是Governance.md文件模式,其中描述了如何制定决策、如何管理事物、如何添加/撤销维护者、如何进行子项目添加/删除、如何发布开发成果等等。这些仅仅只是第一步。”
其次,他认为“如果不以中立方式设定资产所有权,就根本不可能实现开放式治理。毕竟最终,域、商标权及某些其他版权必然归属于某个人或某些人。不少运营出色的组织在这方面就采取极轻量化机制,例如Apache基金会、Software in the Public Interest以及Software Freedom Conservancy等,都做出了自己的尝试。”
Aniszczyk还提到,目前相当一部分常用方法都在某种程度上属于反模式。以贡献者许可协议(CLA)为例,其中定义了代码等知识产权进行项目贡献时应当依据的条款。在他看来,如果企业希望“制造产品或使用双重许可类模型,那么CLA无疑值得考虑。但对于其他需求,我认为CLA反而会给开发人员带来巨大的困扰。”
相反,Aniszczyk鼓励人们“使用所谓「开发者原研证书」(Developer Certificate of Origin)。作为Linux内核项目选择的解决方案,它吸纳了CLA中的大部分主体内容,例如「这段代码是我亲手所写吗?我是否承诺从未将其复制到其他项目?我是否有权将这些成果移交给您,并由您认可及处置?」这是一套非常成功的模型,已经在Linux内核及多种其他生态系统中发挥了作用。除非有着严格的业务需求,否则我个人真的不太建议使用CLA。”
他还发现了很多命名错误情况。“项目品牌非常重要。人们往往会先在企业内部或者以个人方式启动一个项目,比如说「Docker」,之后据此建立生态系统,接着是创建起Docker公司,最终是Docker产品或企业级方案。所有这一切,都将服务于不同的受众,也因此引起不少误解。所以我个人有一种固有信念,即某一事物的名称天然具有附加的价值主张。因此,大家最好能把企业名称、项目名称与产品名称区分开来。”
最后,Aniszczyk还提到了开放式治理在建立信任与项目信心方面的作用。通过这种方式,企业会强调自己不会只在项目中单方面强调自己的需求与规划。他总结道,“要想建立起强大的社区,信任是一种必要的前提。如果开源项目缺少开放治理机构的支持,贡献者很难说服自己为项目贡献宝贵的时间与精力。”
好文章,需要你的鼓励
三星与AI搜索引擎Perplexity合作,将其应用引入智能电视。2025年三星电视用户可立即使用,2024和2023年款设备将通过系统更新获得支持。用户可通过打字或语音提问,Perplexity还为用户提供12个月免费Pro订阅。尽管面临版权争议,这一合作仍引发关注。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
苹果M5 MacBook Pro评测显示这是一次相对较小的升级。最大变化是M5芯片,CPU性能比M4提升约9%,多核性能比M4 MacBook Air快19%,GPU性能提升37%。功耗可能有所增加但电池续航保持24小时。评测者认为该产品不适合M4用户升级,但对使用older型号用户仍是强有力选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。