Google Site Kit WordPress插件1.147.0版本发布:增强收入管理与数据分析功能
Google Site Kit是谷歌官方推出的WordPress插件,它能够帮助网站管理员轻松集成谷歌的各项服务,包括Analytics、Search Console、AdSense等。最新发布的1.147.0版本带来了多项功能增强和改进,特别是在读者收入管理(RRM)和数据分析方面有了显著提升。
读者收入管理功能全面升级
本次更新对Reader Revenue Manager(RRM)功能进行了多项改进,使其更加完善和易用。首先,插件现在会保留产品ID前缀,确保在Reader Revenue Manager设置中存储产品ID时不会丢失重要信息。这一改进使得产品识别和管理更加准确可靠。
新增的CTA(行动号召)展示位置设置功能为用户提供了更灵活的控制选项。用户现在可以通过下拉菜单和多选芯片来选择CTA在网站上的展示位置,这大大提升了广告展示的精准度和用户体验。
为了帮助用户更好地使用RRM功能,插件还新增了介绍性覆盖通知和产品ID通知。这些引导性提示能够帮助新用户快速上手,理解如何配置和使用各项功能。
数据分析功能优化
在数据分析方面,1.147.0版本对Analytics零数据报告进行了重要改进。现在报告会包含比较日期范围,确保在确定数据收集状态时同时检查前一个和当前日期范围的数据。这一改变使得数据分析更加全面准确。
报告过滤功能也经过了重构,现在可以同时用于维度和指标。此外,插件还引入了新的EmptyFilter过滤器类型,专门用于过滤"(not set)"值,这使得数据清理过程更加高效和规范。
用户体验改进
本次更新在用户体验方面也做了多项优化。Key Metrics(关键指标)在大屏幕上的显示位置问题得到了修复,确保在各种设备上都能正确显示。通知系统也进行了改进,包括更新了检测到新事件的通知描述,并修复了通知关闭事件跟踪不正确的问题。
调查问卷功能也得到了优化,更新了定制化指标问卷的语言表达,并修复了可能导致重复触发调查的问题。这些改进使得用户与插件的交互更加顺畅自然。
技术架构调整
在技术架构方面,开发团队对项目的依赖管理进行了优化。将JavaScript依赖项和端到端测试相关依赖项分别移动到独立的工作区,这有助于更好地管理项目结构,提高开发效率。
Sign in with Google(使用谷歌登录)功能块也进行了重构,使其实现更加规范和可靠。这些底层架构的改进虽然对最终用户不可见,但为插件的稳定性和可维护性打下了更好的基础。
总结
Google Site Kit 1.147.0版本通过增强读者收入管理功能、优化数据分析流程和改进用户体验,为WordPress网站管理员提供了更加强大和易用的工具。特别是对在线内容创作者而言,改进后的收入管理功能将帮助他们更有效地通过网站获得收益。同时,技术架构的优化也为未来的功能扩展奠定了坚实基础。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust015
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00