Alexandr Wang@alexandr_wangAI 评分1515引用Brian Sozzi@BrianSozzi
Muse still crushing the charts:
#Meta
#Meta
今日 1 条- Alexandr Wang@alexandr_wangAI 评分1515
LMSYS：Blog（Chatbot Arena 团队）AI 评分4646 SGLang 推出 EPD 分离架构：为视觉语言模型实现弹性编码器扩展
SGLang 推出 Encoder-Prefill-Decode（EPD）分离架构，将视觉语言模型（VLM）的视觉编码与语言处理拆分为三层，使编码器服务器可独立横向扩展。
METR：Research（网页）精选AI 评分7070 METR 发布前沿 AI 风险试点评估报告，Anthropic、Google、Meta 和 OpenAI 参与
METR 自 2026 年 2 月起开展试点评估，测试前沿 AI 开发商内部使用的 Agent 的错位风险，Anthropic、Google、Meta 和 OpenAI 参与。
推荐理由：报告给出多家前沿实验室参与的真实评估结果，读者可以据此了解当前模型在开放式任务和红队测试中的实际能力边界。
LMSYS：Blog（Chatbot Arena 团队）精选AI 评分6767 SGLang 为 Meta 30B 多模态模型 Muse Glimmer 提供 Day-0 支持
SGLang 团队与 Meta Superintelligence Labs 合作，为 30B 参数多模态稠密模型 Muse Glimmer 提供 Day-0 支持，面向本地硬件上的智能体工作流推理。
推荐理由：原文给出 Muse Glimmer 在 SGLang 上的多硬件部署方案和分平台实测数据，读者可据此评估本地智能体推理的可行配置。
METR：Blog（网页）AI 评分2121 前沿 AI 安全政策：Amazon、Anthropic、Google DeepMind、Meta、Microsoft、OpenAI、xAI 等公司政策清单
METR 汇总了多家 AI 公司发布的前沿 AI 安全政策清单，涵盖 Amazon、Anthropic、Google DeepMind、G42、Meta、Microsoft、OpenAI 和 xAI。该清单发布于 2025 年 2 月 8 日，原文为西班牙语，可阅读英文版本。
METR：Blog（网页）AI 评分4343 METR 汇总 Amazon、Anthropic、Google DeepMind、Meta、Microsoft、OpenAI、xAI 等公司前沿 AI 安全政策
METR 发布了一份由 AI 公司发布的前沿安全政策清单，涵盖 Amazon、Anthropic、Google DeepMind、G42、Meta、Microsoft、OpenAI 和 xAI。
Fireworks AI（网页）精选AI 评分6565 Meta Muse Glimmer 30B 上线 Fireworks，面向常驻 Agent 场景
Meta 发布 Muse Glimmer 30B 开源模型（Apache 2.0），并已在 Fireworks 提供 serverless 和按需部署。
推荐理由：原文给出 Muse Glimmer 的架构细节、基准对比和推荐参数，读者可据此评估它是否适合长期运行的多轮 Agent 工作流。
Tomer Tunguz 博客（VC 分析）精选AI 评分6060 Tomer Tunguz 分析 2026 年 CIO 的选择：只投 AI 栈，砍掉其余
Tomer Tunguz 撰文称 2026 年 CIO 的优先级清晰：资金流向 AI 栈，其余被削减。
推荐理由：作者用公开市场分板块数据拆解 AI 时期的软件股分化，指出决定估值的是品类而非增速，分析框架可复用。
ARC Prize：官方博客精选AI 评分7070 ARC Prize 实测各大推理模型：ARC-AGI-1 无明显赢家，ARC-AGI-2 仍未被攻克
ARC Prize 测试了各大实验室的 AI 推理系统，在 ARC-AGI-1 上得出准确率与成本的 Pareto 前沿，没有单一赢家：追求最高准确率选 OpenAI o3-medium/o3-high（o3-preview low 为 75.7% 但单任务 $200）。
推荐理由：ARC Prize 用统一基准横向比较各大推理系统，给出按准确率、成本和效率选型的具体建议，可直接用于模型选型。
Tomer Tunguz 博客（VC 分析）AI 评分5656 Tomer Tunguz 分析开源模型如何逼近闭源前沿：追赶与商品化循环
Tomer Tunguz 撰文认为开源权重模型已多次追平闭源前沿模型，从 DeepSeek R1 到 GLM-4.6、GLM-5.2 和 Kimi K3，但 GPT-5.2 级闭源模型与 Opus 仍率先制造跃迁时刻。
Tomer Tunguz 博客（VC 分析）精选AI 评分7272 Tomer Tunguz 分析 Meta Muse Spark 双轨定价如何把广告模式引入 AI
Tomer Tunguz 分析 Meta 昨日发布的 Muse Spark 模型及其新定价体系：标准档 muse-spark-1.3 输入 $1.25/m、输出 $4.25/m tokens 且不用于训练。
推荐理由：作者用两档价差算出 Meta 对训练数据的每 token 定价，为理解以数据换补贴的商业模式提供一个可核算的框架。
Meta AI：Blog（网页）AI 评分2525 Alta Daily 如何用 Meta Segment Anything 重塑数字衣橱
AI 时尚应用 Alta Daily 基于 Meta 的 Segment Anything Model（SAM）完成服装分割与数字化，已处理超 2000 万张图片。
Meta AI：Blog（网页）精选AI 评分8080 Meta Superintelligence Labs 发布 Muse Spark 多模态推理模型
Meta Superintelligence Labs 发布 Muse 系列首个模型 Muse Spark，为原生多模态推理模型，支持工具使用、视觉思维链和多智能体编排，已在 meta.ai 和 Meta AI 应用上线，并向部分用户开放私有 API 预览。
推荐理由：官方披露了预训练效率、RL 与测试时推理三条扩展路径的具体结果，以及 Apollo Research 关于评估意识的独立发现，可据此了解其技术栈现状。
Meta AI：Blog（网页）AI 评分4646 Meta 发布 Advanced AI Scaling Framework，并公布 Muse Spark 安全与准备报告
Meta 发布升级版 Advanced AI Scaling Framework，取代原 Frontier AI Framework，新增"失控风险"评估，并首次推出 Safety & Preparedness Reports。
Meta AI：Blog（网页）AI 评分6161 Meta AI 发布 Brain2Qwerty v2：非侵入式脑信号实时解码句子，词准确率达 61%
Meta AI 推出 Brain2Qwerty v2，可从非侵入式脑记录（MEG）实时解码完整句子，词准确率 61%，远高于其他非侵入式方法的 8%，最佳参与者达 78%。
Meta AI：Blog（网页）AI 评分7474 Meta 发布 Muse Image 并预览 Muse Video
Meta Superintelligence Labs 发布 Muse Image 并预览 Muse Video，均为该实验室首批媒体生成模型。
Meta AI：Blog（网页）AI 评分5050 Meta 的 SAM 3 与 DINOv3 支撑 Genesis Mission 首批 SYNAPS-I 科学成像项目
Meta 介绍其开源模型 Segment Anything Model 3（SAM 3）和 DINOv3 成为由能源部 Genesis Mission 旗下 SYNAPS-I 项目分割管线的核心。
Meta AI：Blog（网页）AI 评分3232 Meta AI 模型 DINOv3 与 SAM 如何助力匹兹堡大学改造辅助机器人
Meta 的 DINOv3 与 SAM 正被匹兹堡大学 RAMMP 项目用于辅助机器人，在电池供电的边缘设备上实现实时环境感知。RAMMP 的感知系统基于 RF-DETR，并用 DINOv2 嵌入微调、由 SAM 自动标注训练数据，实现 360 度环境感知与自适应物体检测。团队已把基于 DINO 的图像传感器查询功能集成进首个原型，可检测自动门按钮、杯子和路缘，目前正转向语音与触控输入。
Meta AI：Blog（网页）AI 评分7171 Meta Superintelligence Labs 发布 Muse Spark 1.1 多模态推理模型并开放 Meta Model API 公测
Meta Superintelligence Labs 发布 Muse Spark 1.1，一个面向智能体任务的多模态推理模型，在工具与计算机使用、编码和多模态理解上较 Muse Spark 有明显提升，支持 100 万 token 上下文管理和多智能体编排。
Baseten Base Labs：模型研究AI 评分99 Llama 3.3 70B Instruct
Baseten Base Labs 模型研究页面列出 Llama 3.3 70B Instruct，正文仅给出一段 chat.completion 格式的 API 返回示例，其中 model 字段为空，completion_tokens 为 145、prompt_tokens 为 38、total_tokens 为 183。
- Alexandr Wang@alexandr_wangAI 评分88
- Alexandr Wang@alexandr_wangAI 评分99
- Alexandr Wang@alexandr_wangAI 评分1414
muse 笑死我了 @SingularityRes： Muse 和团队上周末！
引用Singularity Research@SingularityResMuse and team over the past weekend!
- Alexandr Wang@alexandr_wangAI 评分77
- Alexandr Wang@alexandr_wangAI 评分1414
https://x.com/alexandr_wang/status/2105012754339758286
引用KawzInvests@KawzInvestsMuse > Dot
- Alexandr Wang@alexandr_wangAI 评分77
NVIDIA AI@NVIDIAAIAI 评分4848工程师之间的合作最棒了 🙌 恭喜 @AIatMeta 推出 Muse Realtime Avatar！我们与他们的团队合作，让模型更高效，这样虚拟形象在你与它对话时就能跟上节奏。
引用AI at Meta@AIatMeta@finkd just unveiled Muse Realtime Avatar, our real-time embodiment technology that turns Muse Realtime Voice into expressive, interactive avatars. Muse Realtime Avatar enables an entirely new range of interactions in @Muse, starting with real-time conversations. 🧵👇 #MetaConnect
Meta Engineering Blog（RSS）AI 评分4949 Meta 将 Private Processing 机密计算引入 AI 眼镜
Meta 把用于 WhatsApp 和 Meta AI 应用的 Private Processing 机密计算基础设施扩展到 AI 眼镜，让流式转录、上下文搜索和长期回忆等云端 AI 负载在机密虚拟机（CVM）内运行，Meta 自身也无法读取用户数据。该方案基于 CPU 与 GPU 的 TEE 硬件隔离，客户端通过远程证明校验软件镜像，并叠加不可定向性与加密存储。
Gary Marcus：The Road to AI We Can Trust（RSS）AI 评分5353 Gary Marcus 回顾 Facebook M 失败史，质疑 Meta Muse 能否走出老路
Gary Marcus 撰文对比 Meta 新智能体 Muse 与 Facebook 2015 年的 Project M，指出两者都瞄准餐厅预订、戏票等任务。Project M 因运行成本高只开放给约 1 万用户，后被曝幕后有人工代答，2018 年 1 月被取消，AI 实际处理的请求不超过 30%；Marcus 认为 Zuckerberg 正在重复当年的错误，并质疑其对隐私的态度。
Meta Engineering Blog（RSS）AI 评分4646 ZGateway：Meta 为 ZippyDB 引入代理层的经验
Meta 推出 ZGateway，作为统一 ZippyDB 客户端流量的无状态代理层，承载约 40% 的 ZippyDB 流量，可处理超过 10 亿次/秒的操作，平均用例仅增加约 6% 计算开销。
Meta Engineering Blog（RSS）AI 评分6363 Meta 工程博客详解组织级第二大脑：让 AI 智能体从领域专家身上学习
Meta 工程团队构建了一个面向合规领域的 AI 智能体，作为组织级“第二大脑”，通过结构化知识文件与可组合 recipes 分离知识与推理，并以自动化自我改进闭环将专家反馈编译为经回归测试的更新，无需模型重训。
Meta Engineering Blog（RSS）AI 评分5656 Meta 发布 MetaRoCE：面向 AI 规模以太网的开源 RDMA 传输协议
Meta 发布 MetaRoCE，一个为 AI 工作负载在商品化以太网上从零设计的 RDMA 传输协议，将通过 OCP 开放规范、参考软件实现和合规测试套件。
Meta Engineering Blog（RSS）AI 评分5252 Meta 发布首款内置 NIC 与通信卸载引擎的自研训练芯片 MTIA 300
Meta 在工程博客发布自研训练芯片 MTIA 300，这是 MTIA 家族中首款针对推荐与排序模型训练优化的加速器。
Meta Engineering Blog（RSS）AI 评分5656 WhatsApp 推出端侧 Scam Alert 功能，在端到端加密下实现可验证的诈骗提醒
WhatsApp 推出可选的 Scam Alert 功能，在设备端运行机器学习模型，对非联系人消息进行诈骗概率分类，消息内容不出设备、不自动上报。模型下载经 Cloudflare Ed25519 签名与第三方 append-only 透明账本校验，遥测数据经 TEE、OHTTP 与差分隐私聚合处理；该功能已在 Beta 有限推出，并扩展了 Bug Bounty 计划。
Hugging Face：Blog（RSS）精选AI 评分7979 Meta 发布开源多模态模型 Muse Glimmer-30B，面向本地智能体场景
Meta 发布 30B 参数多模态开源模型 Muse Glimmer，由 Muse 蒸馏而来，采用 Apache 2.0 许可，主打本地智能体用途如编码、文档分析和个人助理。
推荐理由：发布方提供了架构细节、完整基准对比和多种部署路径，读者可以据此评估它在本地智能体场景的适配性。
Meta Engineering Blog（RSS）AI 评分4747 Meta 广告排序的多阶段序列模型：从用户序列到 LLM 式缩放定律
Meta 为广告排序提出多阶段序列模型，将离线用户建模与在线排序解耦，并引入稠密 tokenization 与 target-aware attention，使序列模型呈现可预测的 LLM 式缩放定律。该平台已带来 Instagram 转化率 6%、Facebook 转化率 3%、Facebook 广告点击 3.5% 的累计提升，并成为 Meta 生成式广告推荐模型 GEM 的核心组件。