探索Twitter规模的社交网络:twitter-scale-mastodon

如果你一直在寻找一个能够处理大规模用户的社交网络平台,那么这个开源项目将会引起你的兴趣——twitter-scale-mastodon,一个基于Mastodon构建的可扩展到Twitter级别的实例。这个项目只有1万行代码,却能轻松应对5亿用户,平均700个关注者,并且在不平衡的社会图结构下,每秒处理7000条帖子的挑战。
该项目的创新之处在于它利用了Rama这一新兴编程平台,该平台可将后端应用的开发代码量减少100倍。Rama不仅限于社交媒体应用,而是用于构建任何后台应用的强大工具。现在,你可以通过预览版体验Rama的魅力,并即将开启私有测试。
在2023年8月15日至24日期间,我们运行了一个公共实例,让1亿个机器人以3500次/秒的速度发布,平均每个用户有403个关注者。在此期间,该实例处理了26.6亿条帖子,完成了1.07万亿次时间线传递,充分展示了其出色的可扩展性。

想知道是如何实现这一切的吗?详细的技术解析可以在这篇博客文章中找到,其中还包括其他性能指标图表。
实现概述
项目的架构如下:

Mastodon的后台是通过Rama模块实现的,它们负责所有数据处理、数据索引和大部分产品逻辑。API则使用Spring/Reactor实现了Mastodon API,主要处理HTTP请求并返回JSON响应。静态内容如图片和视频存储在S3上,模拟CDN架构。其余所有存储都在Rama模块中处理。
源码位于backend/目录,包括六个核心模块:
- ** Relationships**:处理社会关系,提供关注建议等。
- ** Core**:实施时间线、个人资料、传播、点赞、回复、对话等核心功能。
- ** Notifications**:实现通知时间线,包括点赞、传播、提及、投票完成、新粉丝等通知。
- ** TrendsAndHashtags**:支持热门话题和标签,实现相关的时间线和其他功能。
- ** GlobalTimelines**:实现本地和联邦的所有状态时间线。
- ** Search**:搜索功能,包括用户、状态和标签搜索,以及用户目录。
API服务器的实现位于api/目录。同时,它还包含了联邦实现的部分,既在API服务器也在Core模块内。
本地运行
要在本地运行,非常简单。从api/文件夹执行以下命令即可启动API服务器和模块集群:
mvn spring-boot:run
前端部分,你需要从我们的Soapbox分支进行构建和运行,以修复官方实现的一些小问题。
部署到真实集群
由于Rama尚未公开,目前唯一获取完整Rama版本的方式是申请参加我们的私有测试。
项目特点
- 高效可扩展:即使是单一节点,也能轻松应对Twitter级别的流量。
- 精简代码:只用1万行代码就实现了复杂的社交网络功能。
- Rama平台:使用全新的编程平台,显著减少开发工作量。
- 演示潜力:不仅可以作为Mastodon的扩展实例,还能作为构建类似Twitter社交网络的基础。
借助twitter-scale-mastodon,开发者可以快速搭建并维护高负载的社交网络服务,而无需担心性能瓶颈或过度复杂的设计。如果你想在自己的项目中尝试这种极致的可扩展性和简洁的编码方式,那么不妨深入了解和使用这个项目吧!
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00