WordPress.com 母公司 Automattic 的发展方向再次发生改变。
在题为 "Returning to Core" 的博客文章中,Automattic 于周四晚上宣布,将重新投入对 WordPress 项目的贡献。尽管就在上个月曾表示,WordPress 6.8 版本将是 2025 年所有重大版本的最后一次发行。
博客文章称:"在暂停贡献以进行调整、重新思考并进行战略规划后,我们已准备好重新启动,全面回归 WordPress 项目。请期待在 WordPress Core、Gutenberg、Playground、Openverse 以及 WordPress.org 等多个核心领域看到我们的贡献。这次回归令我们感到兴奋,因为这关乎我们一直以来坚信的使命:为全球所有人民主化发布。"
Automattic 表示,从这段暂停期中,他们学到了很多有关 WordPress 多种使用方式的知识,并且现在更加致力于帮助 WordPress "成长和繁荣"。
文章还指出,今天的 WordPress 支持了 43% 的互联网网站。
目前尚不清楚从之前到今年四月之间到底发生了哪些变化。
然而,据 TechCrunch 消息人士透露,Automattic 的首席执行官 Matt Mullenweg 在昨晚发布的一篇内部文章中解释,他希望今年推出 6.9 版本,其中将包括一个管理后台的更新以及来自 "new AI team" 的新功能。 ( The latter references this week’s announcement that WordPress formed a new team to steward the development of AI projects. )
一位熟悉内部讨论的人士称,内部文章中写道:"我认为没有我们的贡献,这一切都不会发生。"
业内人士猜测,此举背后的原因可能不止于此,各种理论纷纷出现。有些人猜测 Mullenweg 是否受到了压力才做出这一决定,或者他是否意识到撤退将不利于他的业务及其声誉?也有人讨论此次态度转变是否与 Automattic 与 WordPress 托管公司 WP Engine 之间的持续诉讼有关,Automattic 曾称 WP Engine 为 WordPress 社区的 "威胁" 以及 WordPress 的 "祸害"。
目前无人能确定究竟该相信哪一种说法,这些幕后猜测与官方说明的理由均不吻合。
Automattic 对此未给出进一步评论。
自 2024 年起,Automattic 就与 WP Engine 展开了一场法律纠纷,原因在于 Mullenweg 认为,尽管 WP Engine 在规模和收入上具有优势,但其对 WordPress 项目的贡献却非常有限。
他认为,这家托管公司从 WordPress 开源工作中牟利却没有做出相应回馈。Mullenweg 还指控 WP Engine 利用了 WordPress 与商业服务(如 WP Engine)之间的混淆局面,因此他禁止该公司访问 WordPress.org,并在法院起诉其未经授权使用商标。
简而言之,Mullenweg 认为 WP Engine 要么应该支付直接的许可费用,或者应增加其对开源 WordPress 项目的贡献,否则就不应被允许使用其商标。
WP Engine 回应称,他们认为自己并不需要许可,并指 Automattic 误解了商标法,反过来起诉了 Automattic。
上个月,Automattic 裁减了 16% 的员工,并表示此次重组是为了使公司更加灵活,同时提升生产力和盈利能力。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。