Meta 分享 WildArtifactBench 设计原则
我们正在分享 WildArtifactBench 的一些设计原则：https://t.co/PgFwydsc4s
匹配字段标题
←搜索结果
搜索“Meta”
Meta 预览 WildArtifactBench 智能体评测框架
Meta 预览内部评测框架 WildArtifactBench，用于评估智能体在多种交付格式下的复杂真实任务，并开放其中 10 个任务。该框架采用人类与智能体偏好评判给出的胜率和 Elo 分数，而非严格的标准答案评分标准，从而扩大对实际多模态工作流的任务覆盖。帖子还展示了 Muse Spark 1.1 和 1.2 在 Cat Mesh、Plywood Whale 任务上生成的产物。
匹配字段标题、摘要
Meta AI Mac 应用听写功能获好评
David Singleton 表示，他现在输入电脑的文字有一半以上是通过 Meta AI Mac 应用的听写功能完成的，并称其已变得不可或缺。他引用的帖子显示，Meta AI Mac OS 应用当日发布，其中听写功能只需按住 fn 键即可在电脑任意位置使用。
匹配字段标题、摘要、正文
Meta 美国劳动力学院首期学员毕业，免费培训并保证就业
Meta 的免费技能培训项目 America's Workforce Academy（AWA）首期学员毕业，毕业生将进入 Meta 建筑工地工作。该项目提供四周实操培训并承担学员差旅与住宿费用，首年投入 1.15 亿美元，为所有毕业生保证工作岗位，并颁发 NCCER 认证和 AWA 证书。
匹配字段标题、摘要、正文
Unsloth 支持免费微调 Meta Muse Glimmer 30B
Unsloth 宣布现在可以免费微调 Meta Muse Glimmer 30B，其免费 notebook 同时支持 GRPO RL 训练。官方称相比 FA2 方案训练速度快 1.5 倍、显存占用减少 50%，可在 24GB 显存上本地训练，并提供了指南与 notebook 链接。
匹配字段标题、摘要、正文
吴恩达感谢 Meta 对开放权重 AI 的贡献
感谢 Mark、Alex 以及整个 Meta 团队对开放权重 AI 的贡献。
匹配字段标题、摘要、正文
Meta 发布 30B 开源模型 Muse Glimmer，可在单张 NVIDIA GPU 上跑本地智能体
Meta 发布 Muse Glimmer，一个 30B 开源权重稠密模型，上下文窗口 120K+，面向本地 AI 智能体工作负载。该模型采用稠密架构，每个 token 激活全部参数，在 NVIDIA Blackwell Ultra 上以 BF16/NVF4 精度实现单 GPU 超过 20K tokens/s，可完整放入单卡显存，无需模型分片、CPU offload 或外部端点，覆盖 GeForce RTX 5090、DGX Spark、DGX Station 和 Jetson 平台。开发者可用 NeMo AutoModel 做全量 SFT 和 LoRA 微调，权重已上线 Hugging Face，并提供 SGLang、vLLM 推理方案和可下载的 NIM 容器。
匹配字段标题、摘要、正文
Meta 开源 30B 模型 Muse Glimmer，18GB 内存可本地运行
Meta 开源 Muse Glimmer，这是一个 30B 参数的稠密模型，可在 18GB 内存的本地设备上运行，采用 Apache 2.0 许可并支持视觉。Mark Zuckerberg 称其为同尺寸下最强的智能体模型，并表示后续还将开源最新基础模型 Muse Spark 1.2 的权重。Unsloth 已提供该模型的 GGUF 版本和运行、训练指南。
匹配字段标题、摘要、正文
Meta 携 Muse Glimmer 回归：本地运行、面向智能体、多模态且开源
Meta 推出可本地运行的开源多模态模型 Muse Glimmer，由 2B 视觉编码器和 28B 文本解码器组成，总参数量为 30B。它支持图像、无音频视频、多模态工具调用和目标检测，并获得 Transformers、llama.cpp 及基于 Transformers 后端的 vLLM 支持。可选的 DFlash 推测解码器能以增加内存占用为代价加快生成。
匹配字段标题、摘要、正文
Meta 的 Muse Glimmer 30B 上线 Fireworks，面向常驻智能体
Fireworks 上线 Meta 的 Muse Glimmer 30B 稠密模型，采用 Apache 2.0 许可，支持 128K+ token 上下文和原生图像理解，面向需要多轮工具调用的常驻智能体。该模型在 MCP Atlas 得 75.5、DeepSearch QA 得 74.6、SWE-Bench Pro 得 51.2，均高于 Gemma 4 31B 和 Qwen 3.6 27B 的对应成绩，这些基准数据由 Meta 报告。Fireworks 同时给出 temperature 1.0、top_p 0.95、top_k 64 的推荐设置，并支持在系统提示词中调节推理强度。
匹配字段标题、摘要、正文
SGLang 为 Meta 多模态模型 Muse Glimmer 提供 Day-0 支持
LMSYS 宣布与 Meta Superintelligence Labs 合作，为 30B 参数多模态模型 Muse Glimmer 在 SGLang 上提供 Day-0 支持，并针对本地智能体工作流推理做了专门优化。在 NVIDIA GeForce RTX 5090 上，SGLang 以 NVFP4 加 DFlash 实现最高 1,452 tok/s 总输出吞吐和 236 tok/s 单用户解码速度，DFlash 将 batch-1 交互性提升 1.9 至 4.3 倍。模型可在 RTX 5090、RTX PRO 6000、DGX Spark 的 SM120 后端以及 Apple Silicon 的 MLX 后端部署，提供 BF16、NVFP4+MXFP8、NVFP4 及 GGUF 等多种 checkpoint 格式。
匹配字段标题、摘要、正文
Meta Superintelligence Labs 首个开源模型 Muse Glimmer 上线 Ollama
Meta Superintelligence Labs 的首个开源模型 Muse Glimmer 已在 Ollama 上线，这是一个 30B 多模态模型，面向本地运行的智能体工作负载，上下文长度 128K+，采用 Apache 2.0 许可。它可用于 Claude Code、Codex、Pi 等编码智能体，以及 OpenClaw、Hermes 等长期运行的个人助手，并支持 low、medium、high、xhigh 四档可控推理强度。在 Apple Silicon 上，Ollama 的 MLX 引擎新增 DFlash 与图像输入支持，使 Muse Glimmer 运行速度提升 1.5×–1.8×，其 1.8B 参数感知编码器带来原生图像理解能力。
匹配字段标题、摘要、正文
Fireworks AI 上线 Meta Muse Glimmer 30B 模型
Fireworks AI 上线 Meta 的 Muse Glimmer 30B 稠密模型，支持 128K+ token 上下文窗口和原生图像理解，面向多轮工具调用的常驻智能体场景。该模型采用滑动窗口注意力，多数层窗口为 2,048 token、每四层设一个全局注意力层，配合 2 个 KV head 控制 KV cache 占用，权重以 Apache 2.0 发布。Fireworks AI 同时给出推荐参数 temperature=1.0、top_p=0.95、top_k=64，并支持在系统提示词中设置 low 到 xhigh 的推理强度。
匹配字段标题、摘要、正文
Meta 也要做云：从 AWS 历史看 Meta Compute 的算力生意
The Next Platform 分析认为，Meta Platforms 正筹备更正式地对外出售云服务，直接对标 AWS、Microsoft Azure 和 Google Cloud，该计划被称为 Meta Compute。文章援引 Bloomberg 报道称，Meta 可能提供运行其较新 Muse Spark 模型的 API，以及虚拟机和容器等基础 IaaS，由全球基础设施负责人 Santosh Janardhan 等人牵头。文章还提到 Meta 去年 8 月与 Google Cloud 签下 100 亿美元算力租约、并向 CoreWeave 采购 210 亿美元容量，认为其庞大 AI 基础设施投资需要靠云服务变现。
匹配字段标题、摘要、正文
Dreamer 团队整体加入 Meta Superintelligence Labs
David Singleton 宣布他与 hbarra、alcor 及整个 Dreamer 团队当天加入 Meta Superintelligence Labs，并将技术授权给 Meta。Dreamer 的 beta 版一个月前上线，已有数千人用 Sidekick 以自然语言构建并分享管理邮件、日历、待办等个人智能体。团队称今年早些时候向 Mark Zuckerberg 和 Nat Friedman 展示 Dreamer 后，双方对未来软件的个人化愿景一致。
匹配字段标题、摘要、正文
Meta 超级智能分析：领导力、算力、人才与数据
Meta 正通过收购 Scale AI 49% 股份、组建超级智能团队并扩建 GPU 集群，全面重整生成式 AI 战略。其计划以高额薪酬引进顶尖人才，并建设 Prometheus 和 Hyperion 集群；报告同时将 Llama 4 Behemoth 的受挫归因于注意力、MoE 路由、数据质量及规模化训练问题。
匹配字段标题、摘要、正文
Prime Intellect 等发布 7B 宏基因组基础模型 METAGENE-1
USC、Prime Intellect 与 Nucleic Acid Observatory 合作发布 7B 参数自回归 Transformer 宏基因组基础模型 METAGENE-1，在超过 1.5 万亿碱基对的污水宏基因组 DNA 与 RNA 序列上预训练，用于疫情监测、病原体检测和新兴健康威胁的早期发现。模型采用针对宏基因组序列的 BPE 分词，在病原体检测和宏基因组嵌入基准上取得 SOTA，并演示了病原体与异常检测场景。团队称其 512 token 上下文长度限制了复杂序列设计任务，当前版本风险较低，但未来更大模型开源前需严格安全评估。
匹配字段标题、摘要、正文
VR 寒冬仍在继续：Benedict Evans 谈 Meta 与 Apple 的 xR 困局
Benedict Evans 认为 VR/AR 仍未找到产品市场契合点：Meta 已投入至少 500 亿美元，Quest 3 可能售出 100 万台，但英国数据显示设备保有量基本持平，仅 20% 用户每天使用，日活渗透率约 2%。他指出设备会变得更轻更便宜，但能否带来大众需求仍不明朗。
匹配字段标题、摘要、正文
Alex Cornell 重返 Meta 从事生成式 AI
Alex Cornell 宣布加入 Meta，从事生成式 AI 工作，称与众多老友重聚的吸引力难以抗拒。他同时表示在 Linear 度过了一段美好时光，并期待大家很快试用该应用。
匹配字段标题、摘要、正文
Meta Reinforcement Learning：元强化学习入门 | Lil'Log
Lilian Weng 在 Lil'Log 撰文梳理元强化学习（Meta-RL）：它把元学习用于 RL，在 MDP 分布上训练一个带记忆的循环策略，测试时无需梯度更新即可快速适应新任务。文章回顾 Hochreiter 等人 2001 年用 LSTM 做元学习、约 35 个样本即可逼近二维二次函数的工作，并介绍 Wang 等人 2016 年与 Duan 等人 2017 年（RL^2）提出的现代 Meta-RL 形式化，其策略观测额外纳入上一动作与上一奖励。
匹配字段标题、摘要、正文