得益于一个使用该扩展的Linux发行版的资金支持,实用的 GNOME 扩展 Dash to Panel 将在其现任维护者的带领下继续发展。
这个广受欢迎的 GNOME 桌面扩展获得了新的赞助方:Zorin OS 团队挺身而出,资助现任项目负责人 Charles Gagnon 继续开发工作。
几周前,我们报道了 Gagnon 在任务栏中添加捐赠按钮时收到的负面反应。此后,Zorin OS 发行版的共同维护者 Artyom Zorin 留下了这样的评论:
"代表 Zorin OS 项目,我们很高兴赞助 Dash to Panel。我们承诺每月提供捐赠,以支持 @charlesg99 在维护和开发这个扩展方面的出色工作。"
我们一年前曾介绍过 Zorin OS (恰好,The Reg FOSS 编辑部正在撰写一篇关于它的新报道)。它基于 Ubuntu,但通过一系列扩展,对 GNOME 桌面进行了大量修改,使其更接近 Windows 的使用体验。正如我们上次提到的,Artyom Zorin 上传了原始的 Dash-to-Panel 扩展,该扩展是从 Dash to Dock 分支而来的。
Artyom 告诉 The Register:
"我们最初在 2016 年创建 Zorin Taskbar 时开发了 Dash to Panel 的代码基础。然而,此后我们一直在利用 Charles 和其他 Dash to Panel 开发者所做的出色工作,并将他们的代码重新整合到 Zorin OS 中的 Zorin Taskbar 扩展中。"
"我们也偶尔会向 Dash to Panel 项目贡献一些相关的代码更改,以使其能够让更广泛的用户受益,而不仅仅限于 Zorin OS 用户。简而言之,这是我们的项目与 Dash to Panel 之间一种互惠互利的循环关系。"
我们也询问了 Charles Gagnon 对这一变化的看法:
"Artyom 提到他们现在在 ZorinOS 中基本上直接使用 Dash to Panel,所以他主动伸出援手表示支持真的很好。"
他继续说道:
"对我来说,这主要是一种我非常感激的精神支持。这也某种程度上说明了我并不是在占 Zorin 的便宜(正如我在你们之前文章的评论中看到的那样)。我不确定为什么会这样,这对我来说感觉很不合理,但知道人们这样想确实让我很困扰。"
人们很容易忘记,即使是相当知名的开源项目背后,也有真实的人——而且往往数量惊人地少——就像任何人一样,当陌生人抨击他们的工作时,他们会感到受伤。很高兴知道这个争议现在已经解决了。Gagnon 向我们确认,他将继续开发这个扩展,"让它能够适配未来的 GNOME 版本",尽管目前他没有计划其他更改。
回顾 2023 年,我们注意到 Zorin OS 使用了一些现有的 GNOME 扩展,并呼吁加强合作,所以我们很高兴看到这种合作正在发生。相比 Ubuntu,Zorin OS 在修改 GNOME 的激进桌面布局方面走得更远,使其对 Windows 用户来说更舒适和熟悉。该公司刚刚发布了新版本 Zorin OS 17.3,在多个方面进行了升级。我们计划很快对此进行详细介绍。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。