Instagram正在推出全新的"Instagram地图"功能,允许用户与他人分享最近的活跃位置并发现基于位置的内容。这家Meta旗下的社交网络还同时推出了转发功能,并将Reels中的"好友"标签页在全球范围内上线。
通过这个新的地图功能,Instagram再次复制Snapchat的热门功能,继2016年克隆其核心Stories功能后又一次直接竞争。Instagram正在挑战Snap Map的地位,后者最近突破了4亿月活跃用户,仍然是Snapchat的核心功能之一。
Instagram表示,Instagram地图的位置分享功能默认关闭,用户位置仅在打开应用时更新,这意味着它不提供实时位置更新。相比之下,Snap Map允许用户选择是仅在打开应用时更新位置还是实时更新。
值得注意的是,Instagram确实通过私信提供实时位置分享功能。但与苹果的"查找我的"和Snap Map允许无限期分享位置不同,Instagram只允许用户分享最多一小时的位置。
Instagram表示,新的地图功能将让朋友们更容易协调和安排聚会。它还允许用户探索朋友和喜爱的创作者分享或互动过的基于位置的内容。例如,如果你的朋友参加附近的音乐节并在那里发布动态,它就会出现在地图上。同样,如果创作者发布关于你所在城市新餐厅的视频,你也能在Instagram地图上发现它。
无论是否选择分享位置,用户都可以使用地图探索基于位置的内容。
地图还允许用户在地图上留下简短消息或"便签"供他人查看。Instagram便签目前是出现在私信顶部的短消息,但随着Instagram地图的推出,用户现在可以在地图上发布这些简短更新。
虽然Instagram确实在用这个新功能挑战Snapchat,但它也有机会吸引那些曾是Zenly的粉丝——Zenly是一个社交地图应用,被Snap收购后于2023年关闭。
新的地图功能从周三开始在美国推出,不久后将在全球范围内推广。用户可以在私信收件箱顶部找到Instagram地图。
这次推出并不令人意外,因为Instagram去年就被发现在开发地图功能。
至于新的"转发"功能,Instagram正在借鉴TikTok的做法,同时创建自己版本的Twitter(现在的X)流行的"转推"功能。
这个功能让Instagram用户可以转发公开的视频和帖子。这些转发可能会出现在朋友的动态中,也会显示在用户个人资料的新"转发"标签页中。Instagram表示,新功能为用户提供了与他人分享兴趣的方式,也为创作者提供了触达更广泛受众的机会。
要转发视频或帖子,用户只需点击转发图标。用户还可以选择在屏幕上出现的对话框中输入内容并按保存来为转发添加备注。
关于Reels中新的"好友"标签页,Instagram今年早些时候在美国推出了这个功能,现在正在全球范围内推广。该标签页让你可以看到朋友们点赞、评论、转发和创建的公开视频。
对于想要私密浏览和互动内容的用户,Instagram正在推出选择退出功能,可以不让自己互动过的内容显示在好友标签页中。用户可以在标签页中隐藏自己的点赞、评论和转发。此外,他们还可以选择屏蔽特定关注用户的点赞、评论和转发。
Q&A
Q1:Instagram地图功能是什么?主要用途是什么?
A:Instagram地图是Instagram新推出的功能,允许用户与他人分享最近的活跃位置并发现基于位置的内容。主要用途包括帮助朋友协调聚会、探索朋友和创作者分享的位置相关内容,以及在地图上留下便签供他人查看。
Q2:Instagram地图和Snapchat的Snap Map有什么区别?
A:主要区别在于位置更新方式。Instagram地图的位置分享默认关闭,仅在用户打开应用时更新位置,不提供实时位置更新。而Snap Map允许用户选择仅在打开应用时更新或实时更新位置。
Q3:Instagram新推出的转发功能是怎么工作的?
A:转发功能让用户可以转发公开的视频和帖子,这些转发会出现在朋友的动态中,也会显示在用户个人资料的"转发"标签页中。用户只需点击转发图标即可转发,还可以添加备注说明。
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。