Prebid.js 9.41.0版本发布:新增适配器与功能优化
Prebid.js是一个开源的头部竞价解决方案,它允许发布商通过统一的集成方式对接多个广告交易平台,从而实现广告位的最大化收益。作为行业标准的开源项目,Prebid.js持续迭代更新,为数字广告生态提供更强大的技术支持。
新增适配器支持
本次9.41.0版本引入了三个全新的广告适配器,进一步扩展了Prebid.js的生态系统:
-
EPOM Bid Adapter:这是EPOM广告平台的首次集成,为发布商提供了接入该平台竞价能力的新渠道。EPOM作为一家提供程序化广告解决方案的公司,其适配器的加入将为发布商带来更多元的广告源选择。
-
raveltechRtdProvider:这是一个实时数据提供者(RTD)模块的初始版本。RTD模块在竞价过程中能够提供实时数据支持,帮助发布商基于最新数据做出更精准的决策。raveltechRtdProvider的加入丰富了Prebid.js的数据生态系统。
-
Goldbach Bid Adapter:该适配器进行了重要升级,切换到了ORTB(OpenRTB)端点,并添加了用户ID(uid)支持。ORTB是程序化广告领域的标准协议,这一改进使Goldbach适配器更加标准化,同时用户ID的加入有助于提升广告定向能力。
功能优化与维护
本次版本对现有功能进行了多项优化:
-
Yieldone Bid Adapter增加了对GPID(Global Placement ID)的支持。GPID是一种标准化的广告位标识方式,能够更精确地识别广告展示位置,有助于提升广告投放的精准度和效果衡量。
-
Seedtag Bid Adapter新增了meta.mediaType字段。这一改进使得适配器能够更清晰地标识广告媒体类型,为后续的广告渲染和效果追踪提供更丰富的信息。
-
Equativ Bid Adapter现在能够从竞价响应中获取TTL(Time To Live)值。TTL决定了广告创意的有效期,这一改进使得广告缓存策略更加灵活和精确。
-
Rise Bid Adapters将发送auctionCount替代原来的bidderRequestsCount。这一变更使竞价计数更加准确,反映了实际的竞价轮次而非请求次数。
-
Yandex Bid Adapter增加了对适配器版本和显示管理器的支持。版本控制有助于问题排查和兼容性管理,而显示管理器的支持则提升了广告展示的控制能力。
系统改进与问题修复
在构建系统方面,本次更新不再依赖sed工具,提高了构建过程的可移植性和稳定性。这对于在不同环境中部署Prebid.js的开发者来说是一个重要改进。
针对Brave Bid Adapter修复了站点引用(site ref)相关的问题,确保了在Brave浏览器环境下广告请求的正确性。
总结
Prebid.js 9.41.0版本通过新增适配器扩展了生态系统,同时对现有功能进行了多项优化,提升了系统的稳定性、标准化程度和功能丰富性。这些改进将帮助发布商获得更好的程序化广告收益,同时为开发者提供更强大、更灵活的工具集。随着程序化广告生态的不断发展,Prebid.js持续演进,为行业提供可靠的开源解决方案。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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