周三,纽约的一位应用开发者 Isaac Gemal 推出了一个名为 WikiTok 的新网站。用户可以像使用视频分享应用 TikTok 那样,通过垂直滑动浏览无限的 Wikipedia 文章摘要。
这是一种巧妙的方式,让人们可以随机发现有趣的信息、学习新知识,在无聊时不必求助于那些令人上瘾的算法社交媒体应用。诚然,WikiTok 本身也具有一定的沉浸性,但它没有侵入性的算法来追踪用户,也不会推送lowest-common-denominator(最低共同标准)的内容。它的魅力在于你永远不知道下一刻会出现什么内容。
WikiTok 可在移动端和桌面浏览器上运行,通过 Wikipedia API 向访问者提供随机的维基百科文章列表,以垂直滚动的方式呈现。尽管其名字让人联想到 TikTok,但目前并不包含视频内容。每个条目都配有相应文章中的图片。如果看到感兴趣的内容,可以点击"阅读更多",相关的完整 Wikipedia 页面就会在浏览器中打开。
目前,信息流完全随机,Gemal 正在抵制那些建议根据用户兴趣自动定制文章流的呼声。
Gemal 告诉 Ars:"很多人给我发消息,甚至在我的 GitHub 上提出要求添加一些疯狂的 WikiTok 算法。我不得不坚持立场,表示我们的日常生活已经被无情且不透明的算法所统治,为什么我们不能在这个世界上有一个没有算法的小角落呢?"
由于 Wikipedia 涵盖的知识范围广泛,在 WikiTok 上遇到的主题令人叹为观止。
在最近一次浏览 WikiTok 时,我遇到了各种主题,如 SX-Window (Sharp X68000 系列电脑的图形用户界面)、Xantocillin (首个被发现含有异氰基官能团的天然产物)、Lorenzo Ghiberti (佛罗伦萨的意大利文艺复兴时期雕塑家)、德克萨斯州的 William Wheeler House,以及德国克劳特海姆市——这些都是我在开始浏览前从未听说过的。
WikiTok 的诞生过程
WikiTok 的最初想法来自开发者 Tyler Angert,他在周一晚上发推文说:"疯狂的项目想法:在一个可滚动的页面上展示所有的维基百科内容。"Bloomberg Beta 风投 James Cham 回复说:"更好的是,基于你接下来感兴趣的内容的无限滚动维基百科页面?"随后 Angert 在后续帖子中创造了"WikiTok"这个名字。
第二天凌晨 12:28,作家 Grant Slatton 转发了这个关于 WikiTok 的讨论,这就是 Gemal 参与进来的契机。他告诉 Ars:"我从 Slatton 的转发中看到了这个。我立即想到,'我可以建立一个最小可行产品,这可能会火起来。'"
Gemal 在凌晨 12:30 开始他的项目,在 Anthropic 的 Claude 和 Cursor 等 AI 编码工具的帮助下,他在凌晨 2 点完成了原型,并在 X 上发布了结果。后来有人在 ycombinator 的 Hacker News 上宣布了 WikiTok,它登上了该网站每日新闻项目的榜首。
Gemal 告诉 Ars:"整个项目只有几百行代码,其中大部分是 Claude 写的。AI 帮助我快速发布,并抓住了最初病毒式传播的推文中对可滚动维基百科的需求。"
Gemal 将 WikiTok 的代码发布在 GitHub 上,任何人都可以修改或为项目做出贡献。目前,这个网络应用支持 14 种语言,提供文章预览,并可在桌面和移动浏览器上分享文章。随着贡献者的加入,可能会有新功能出现。它基于包括 React 18、TypeScript、Tailwind CSS 和 Vite 在内的技术栈。
到目前为止,他坚持着自己的愿景:提供一种免费享受 Wikipedia 而不被追踪和定向推送的方式。Gemal 告诉我们:"我没有计划做什么疯狂的货币化超级计算 TikTok 算法。这个项目如果说有什么特点的话,那就是反算法。"
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。