←Meta
← 全部主题

Meta

与“Meta”标签匹配的公开内容。

公开阅读组
38
近 30 天
20
目录状态
兼容主题

最新ARC Prize 公布 Meta Muse Spark Open 在 ARC-AGI 上的评测结果

最新阅读组

同一事实的重复报道已合并

  1. ARC Prize一手解读
    AI 评分62

    ARC Prize 公布 Meta Muse Spark Open 在 ARC-AGI 上的评测结果

    ARC Prize 公布 Meta 的 Muse Spark Open 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 89.0%、每任务 $0.29，ARC-AGI-2 为 57.5%、每任务 $0.73，ARC-AGI-3 在标准 harness 下为 0.1%、$3.9K。ARC Prize 称其 v1/2 得分与 Haiku 5.5 和 GPT-6 Luna 相近，但成本约为后者的 9 倍；该模型在 OpenRouter 上定价为每百万输入 $1.25、每百万输出 $4.25。随推理档位提升，ARC-AGI-2 从 medium 的 29.4%（平均 55k tokens/任务）升至 xhigh 的 57.2%（180k tokens/任务）。

    推荐理由ARC Prize 给出 Meta 新模型在 ARC-AGI 三个版本上的成绩与单任务成本，可与同分竞品直接对比。

  1. 36氪 · AI
    AI 评分79

    英伟达30亿美元投资Meta，并扩大Muse智能体合作

    英伟达宣布在Meta的股权发行中投资30亿美元，双方将扩大在个人智能体产品Muse及Muse系列模型上的合作，以提升模型推理和训练性能。这笔投资是Meta总额950亿美元募资计划的一部分，AMD、博通也有意向投资。Meta预计全年资本支出达1350亿至1450亿美元，并将考虑采用英伟达OpenShell安全智能体参考架构，扩大Vera Rubin、Vera CPU及Spectrum-X网络等基础设施部署。

    推荐理由英伟达30亿美元入股Meta并绑定Muse智能体合作，读者可据此看清算力层与应用层如何互相押注。

  1. InfoQ AI产品发布
    AI 评分76

    Google 与 Meta 在 PyTorch Conference 2026 开源 TorchTPU

    Google 和 Meta 在 PyTorch Conference North America 2026 上开源 TorchTPU，这是面向 Google TPU 的原生 PyTorch 后端，取代 2020 年的 PyTorch/XLA，模型迁移只需把 model.to("cuda") 改为 model.to("tpu")。官方同时开源 TorchTPU、vLLM-TorchTPU、SGLang-TorchTPU 和 TorchTitan 四个仓库，Hugging Face 模型可直接运行，vLLM 与 SGLang 推理引擎原生支持。Google 公布的结果包括在 8192 块 TPU v7x 上运行 Qwen3 235B MoE 模型、达到 28% 模型 FLOPs 利用率，但公告也说明一行改动只能让模型跑起来，要达到峰值性能仍需调整形状、分片和算子。

    推荐理由原文交代了 TorchTPU 的接入方式、已开源仓库和实测规模，也点明一行改动只是起点、调优仍需投入。

  1. 财联社产品发布
    AI 评分82

    Anthropic 推出 AI 智能体 Claude Duet 研究预览版

    Anthropic 宣布推出 AI 智能体 Claude Duet 并发布研究预览版，可在 iOS、Android 独立应用及 claude.ai 网站使用，已包含在 Pro 和 Max 套餐中。该产品基于 Opus 5.5 模型构建，面向中小企业和专业人士，能发送每日简报、监控已连接应用并执行构建仪表盘、安排会议、制作财务预测等任务，配备带独立浏览器的虚拟机，可在用户离开时持续工作并在代为行动前征得同意。Anthropic 提醒该产品仍处早期阶段，可能误读对话内容或无法准确判断紧急事项，在处理购票等个人事务上表现稍显逊色。

    推荐理由Anthropic 把智能体做成独立应用并接入 Pro 和 Max 套餐，读者可据此对照 Meta 与 OpenAI 的同类助手定位差异。

  1. Fireworks AI一手产品发布
    AI 评分83

    Meta 开源权重模型 Muse Spark Open 上线 Fireworks 无服务器 API

    Fireworks 在发布当天上线了 Meta 的开源权重模型 Muse Spark Open，这是一个 816B 参数的 MoE 模型，每 token 激活 42B 参数，上下文窗口为 1M token，面向长程编码与智能体任务。Fireworks 称其在 Vals AI 的 Harvey Legal Agent Benchmark 排行榜上以 25.4% 位列 75 个模型之首，约为 Claude Opus 5（6.7%）的近 4 倍；在 Rogo Big Finance Bench 上各难度级别均超过 Claude Opus 5.5。该模型在 Fireworks 上默认启用零数据保留，仅使用美国境内算力且不额外加价，并支持用无服务器 LoRA 进行微调。

    推荐理由原文列出该模型在多项专业基准上的具体得分与对比，读者可据此判断开源权重模型在受监管专业任务上的位置。

  2. LMSYS Blog一手产品发布
    AI 评分75

    SGLang-TorchTPU 开源：把 SGLang 服务栈带到 TPU

    SGLang 团队联合 Google 和 Meta 开源 SGLang-TorchTPU，这是一个基于 PyTorch 的原生后端，把 SGLang 的完整服务栈带到 Google Cloud TPU，并已在 Meta 大规模生产环境使用。首发支持 Muse Spark Open、GLM-5.3、Kimi K3、DeepSeek V4、Qwen3.8、Gemma 4 等模型，覆盖投机解码、KV cache 卸载、PD 分离和 FP8 KV cache 等功能。团队还用 TorchTitan 与 Miles 在单台 4 芯片 TPU v7x 上完成 Qwen3-4B 的 GRPO 训练，奖励曲线与 6 张 H200 基线在随机波动范围内一致。

    SGLang-TorchTPU

    推荐理由原文给出插件架构、支持模型与 CI 覆盖范围，可据此判断 TPU 上跑 SGLang 的部署边界。

  3. PyTorch Blog一手产品发布
    AI 评分87

    Google 与 Meta 联合推出 TorchTPU，让 PyTorch 原生运行在 TPU 上

    Google 与 Meta 的 PyTorch 团队合作推出开源项目 TorchTPU，为 Google TPU 提供原生 PyTorch 后端，迁移只需把 model.to("cuda") 改为 model.to("tpu")。项目支持 eager 与 torch.compile 两种模式，新增 DeferAndFuse eager 模式，覆盖约 450 个 Aten 算子，并已在 4,917 个 Hugging Face 模型上验证开箱运行，其中 Tier 1 通过率 98%、Tier 2 相对 GPU 数值一致性 97%。官方称其已用于部分 Google Cloud 大客户的推理与训练生产负载，并集成 vLLM、SGLang、TorchTitan、Ray 和 TorchRec。

    推荐理由原文给出 TorchTPU 的设计原则、架构细节与多组实测数据，可据此判断 PyTorch 工作负载迁移到 TPU 的实际成本。

  1. AI at Meta一手研究
    AI 评分71

    Meta 发布 Muse Glimmer 技术报告，30B 开源权重模型面向消费级硬件智能体任务

    Meta 发布 Muse Glimmer 技术报告，这是一个 30B 开源权重模型，面向消费级硬件上的智能体任务。该模型在 4-bit 精度下可在 Mac 或 PC 的单张消费级 GPU 上以实用速度运行，在工具使用和多步规划上领先同规模开源模型。报告涵盖模型架构、蒸馏配方和量化等内容。

    推荐理由Meta 公开了 30B 开源权重模型的技术报告，涵盖架构、蒸馏配方与量化，可供关注端侧智能体部署的读者参考。

  2. Meta Engineering Blog一手
    AI 评分60

    Meta 详解 Prometheus 千兆瓦级超算集群：首阶段建成，目标约 100 万块 GPU

    Meta 宣布其千兆瓦级超算集群 Prometheus 第一阶段已在俄亥俄州 New Albany 建成，并用于训练 Muse 系列基础模型，包括 Muse Wonder。该集群目前由数十万块 GPU 组成，满规模目标约 100 万块，已部署 NVIDIA GB200 NVL72（Catalina）和 GB300 NVL72（Clemente）两代平台，后续将引入 Vera Rubin NVL72。Meta 称 Muse Wonder 预训练 goodput 超过 85%、强化学习 goodput 超过 90%，并将中断率从 2025 年中期峰值降低 99%。

    推荐理由Meta 公开了千兆瓦级超算集群的可靠性工程细节，其中 99% 中断率下降和 goodput 数据可供大规模训练集群参考。

  3. Meta Engineering Blog一手解读
    AI 评分72

    Meta 详解薄编排器架构：1300 行路由层调度 14 个专业智能体

    Meta 工程博客介绍其数据管道智能体采用的薄编排器架构：1300 行编排器把 20 多个工作流路由到 14 个专业子智能体，自身不做任何领域推理，只负责意图分类、字段收集和可靠性检查。此前单智能体方案在演示中可用，上线后出现概念串扰和幻觉，逐任务手工写提示词时成功率 70-80%，不手工调优则降到 10-20%。新架构下新数据列的配置准备从手工三到四天缩短到一小时以内，约三分之二的变更无需大量人工修改。

    推荐理由Meta 公开了数据管道智能体的分层架构与落地数据，读者可据此对照自己的多智能体编排设计。

  1. Arena模型发布
    AI 评分67

    Meta 开源模型 Muse Spark Open (Max) 登顶 Code Arena WebDev 美国开源模型榜

    Arena 公布 Meta 的 Muse Spark Open (Max) 以 1511 分成为 Code Arena WebDev 榜单中排名第一的美国开源模型，在全部开源模型中排第 13。它是 Muse Spark 系列首个开放权重版本，比 Meta 此前的开源模型 Muse Glimmer 高 156 分，后者以 1355 分排开源模型第 41。定价为每 100 万输入/输出 token 1.25/4.25 美元，比 Muse Wonder (Max) 低 79%，与 Muse Spark 1.3 (Max) 持平。分领域排名为品牌与营销、数据与分析第 13，基于参考的设计第 14，游戏与消费产品第 15，仿真第 20。

    推荐理由Arena 给出 Meta 开源新模型在 WebDev 榜单的具体得分与定价，可据此判断其在美国开源模型中的位置。

  1. Arena模型发布
    AI 评分66

    Meta 的 Muse Spark Open 上线 Arena 智能体与代码评测

    Meta 发布的开源权重模型 Muse Spark Open 已进入 Arena，可在 Agent Arena 中实测，成绩即将公布。Agent Arena 基于全球用户提交的百万级真实长程智能体任务评测模型，模型可调用网页搜索、文件系统和终端工具，排行榜用因果追踪方法衡量模型相对平均模型的结果表现。该模型同时上线 Code Arena 的 WebDev、Image-to-WebDev、Text 和 Vision 项目。

    推荐理由Meta 开源权重模型 Muse Spark Open 进入 Agent Arena 与 Code Arena，可对照其长程智能体任务表现。

  2. Meta Engineering Blog一手解读
    AI 评分62

    Meta 如何用 AI 智能体工程方式构建 Forum 应用

    Meta 工程团队分享了用智能体 AI 构建独立 Groups 应用 Forum 的实践，把 AI 智能体当作工程流程的参与者而非打字加速器，并以通过构建、测试和评审的已验证产出而非代码量衡量成功。团队把自动化验证信号接入智能体循环，用导航智能体模拟真人操作做回归测试，并采用与生产共享代码库但把原型代码完全编译出生产构建的沙箱构建方式。Forum 在八周内达到与 Facebook Groups 的核心功能对齐，自主压力测试在开发阶段发现并修复了一处内存问题，使内存占用和页面错误约减半。

    推荐理由Meta 公开了把 AI 智能体嵌入开发全流程的具体做法，包括验证标准、五类工程组件和沙箱构建隔离，可供团队迁移参考。

  3. PyTorch Blog一手模型发布
    AI 评分88

    Meta 开源 Muse Spark Open 模型，816B 总参数、1M 上下文

    Meta 发布 Muse Spark Open 的开放权重，采用 Muse Model License 在 Hugging Face 上线，为 816B 总参数、42B 激活参数、1M token 上下文窗口的模型，原生多模态并面向编码与智能体任务。该版本在 Muse Spark 基础上增加安全后训练，可在 SGLang 和 vLLM 上运行，并针对 NVIDIA、AMD、Intel 优化。PyTorch 侧集成 Helion 内核，在 NVIDIA GB300 上相比 CUDA、CuTe DSL 自定义内核取得 1.03–3.95x 加速，AMD Mi350 端到端吞吐提升 3%；TorchTitan 已支持其 SFT、LoRA 与 TitanRL 微调。

    Helion logo

    推荐理由Meta 开源 816B 总参数模型并给出 Helion 内核与 TorchTitan 微调路径，读者可据此判断开源大模型的部署与二次训练成本。

  1. 澎湃新闻
    AI 评分81

    Character.AI 申请破产保护，迪士尼出价 2000 万美元竞购部分资产

    聊天机器人平台 Character.AI 于美国当地时间 10 月 12 日晚间申请破产保护，并同意以 2000 万美元向华特迪士尼出售部分资产，迪士尼作为初始竞买方竞购其知识产权的非独占、永久许可。法院文件显示，其所属公司申报的估计资产和负债分别在 5000 万至 1 亿美元之间，公司每月仍亏损约 800 万至 900 万美元，平台将在破产程序期间继续运行，预计 11 月底或 12 月初完成全部资产出售。Character.AI 还面临未成年人安全等多项法律争议，2026 年 1 月达成的五起私人诉讼初步和解尚未最终落实。

    推荐理由梳理了 Character.AI 从被巨头争抢到申请破产的完整时间线，并给出迪士尼竞购报价与多起安全诉讼的进展。

  2. Meta Engineering Blog一手产品发布
    AI 评分60

    Meta 发布 2026 版生成式广告模型 GEM：单一中心基础模型与 Kunlun 架构

    Meta 工程博客介绍 2026 版生成式广告模型 GEM，从 Facebook、Instagram、Reels 等分域独立优化转向单一中心基础模型，跨全部广告平台数据与信号学习。GEM 带来 18.9% 转化提升和 12% 广告点击率提升，并在 Facebook、Instagram 和站外转化上分别贡献 5.8%、4.1% 和 1.6% 的转化增长。新架构 Kunlun 相比上一版 Interformer 在同算力下性能提升 2 倍，模型复杂度增长 2.5 倍，训练总算力 FLOPs 扩大 4 倍的同时端到端训练效率翻倍至 20-25% MFU。

    推荐理由Meta 公开了 GEM 从分域模型转向单一中心基础模型的架构与训练细节，可看到推荐系统在 LLM 式扩展上的具体做法。

  1. Latent Space模型发布
    AI 评分74

    Meta MSL 发布 Muse Wonder 与 Muse Wonder Full 模型

    Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者定位快速前沿模型，后者为完整版本，Meta 称其面向个人与专业智能体工作。Artificial Analysis 的 Intelligence Index v4.3 中 Wonder Full 得 56 分、Wonder 得 52 分，高于 Muse Spark 1.3 的 48 分，Opus 5.5 以 58 分领先。规格为 1M 上下文，输入支持文本、图像、视频和音频，输出仅文本，定价为每百万 token 输入 4 美元、缓存输入 0.20 美元、输出 20 美元。

    推荐理由汇总第三方评测与定价，可对照 Opus 5.5、GPT-6 等模型判断 Meta 新模型的实际位置。

  2. Meta：Newsroom · AI一手模型发布
    AI 评分81

    Meta 发布 Muse Wonder 与 Muse Wonder Full 智能体前沿模型

    Meta 发布 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full 两款模型，称其为目前能力最强的模型，在个人与专业智能体任务上达到 SOTA，覆盖法律、金融、健康等专业领域以及前沿编码能力。两款模型具备 Active Memory，可跨对话保留关键信息并调取与当前任务相关的细节；还具备 Active Focus，在任务变难时继续尝试其他方法、从错误中恢复，并在执行重要操作前先确认。Meta 表示该系列按 Meta Superintelligence Scaling Framework 的标准训练、评估和发布，完整安全评估报告将随后公布。

    推荐理由Meta 官方发布 Muse Wonder 系列，给出 Active Memory 与 Active Focus 两项面向长任务智能体的能力设定。

  1. AI at Meta一手研究
    AI 评分60

    Meta 分享数学家与 Muse Spark 协作完成的六篇数学论文

    Meta 公布六篇由数学家与 Muse Spark 1.1、Muse Spark 1.2 在 Thinking Mode 下协作完成的论文，覆盖概率、微分方程、群论、优化、算术物理和非结合代数六个方向。这些协作通过普通聊天界面进行，没有定制研究脚手架，由数学家主导研究、另一组数学家复核，每篇论文标注哪些段落主要由人类或 AI 起草，并注明所依据的先前研究。Meta 表示目标不是批量生产论文，而是赋能研究者。

    推荐理由Meta 公开了数学家与 Muse Spark 协作产出六篇论文的流程，读者可据此了解 AI 参与开放数学问题的分工与审核方式。

  1. Cerebras：Blog一手
    AI 评分68

    Cerebras 与 AWS 合作，CS-3 将部署到 AWS 数据中心并通过 Bedrock 提供推理

    Cerebras 宣布 AWS 将在其数据中心部署 Cerebras CS-3 系统，并通过 AWS Bedrock 提供推理服务，运行领先的开源 LLM 和 Amazon Nova 模型。双方还在合作一种解耦架构，把 AWS Trainium 与 Cerebras WSE 配对，在相同硬件占用下提供 5 倍的高速 token 容量。该架构中 Trainium 负责 prefill 并计算 KV cache，经 Amazon EFA 传给 WSE 专做 decode，Cerebras 称其可每秒生成数千个输出 token，而 GPU 为数百个。AWS 与 Cerebras 将同时支持聚合与解耦两种配置，预计多数客户会按负载在两者间路由。

    推荐理由Cerebras 与 AWS 把推理拆成 prefill 和 decode 两段分别用专用芯片，读者可了解高速推理的硬件分工思路。