公司与模型
Meta 的 AI 动态：Llama 与 Muse 系列模型、超级智能实验室与 Meta AI 产品。
11 条精选近 30 天 11 条共收录 60 条
Meta 发布 Muse Spark Open AI 模型，并宣布该模型是同类中首个可在配备最新 MLX 框架的两台 Apple M5 Ultra Mac Studios 上运行的模型。Meta CEO Mark Zuckerberg 和 Apple CEO John Ternus 公开表示双方在此次发布中进行了合作，共同支持该模型在桌面端的高效运行。
推荐理由：原文记录了 Meta 与 Apple 罕见合作，使 Muse Spark Open 模型能在 Mac Studio 上高效运行，展示了端侧大模型部署的新进展。
Meta 发布开源权重模型 Muse Spark Open，现已通过 Modal Auto Endpoints 提供服务。该模型专为智能体编码和长周期任务设计，具备原生多模态理解能力和 1M-token 上下文窗口，支持代码编写调试、多步规划及故障恢复。
推荐理由：原文提供了 Muse Spark Open 在 Modal 上的部署方式、计费模式及关键基准测试分数，便于评估其智能体编码能力与工程落地成本。
Meta 的开源权重模型 Muse Spark Open 已在 Together AI 平台正式可用，作为 Day 0 发布合作伙伴，Together AI 提供该模型的 Serverless API 服务。
推荐理由：原文披露了该开源权重模型的长上下文能力、定价及API调用方式，为评估其在复杂代码库中的实际表现提供了直接依据。
Meta 面向编码优化的开源权重模型 Muse Spark Open 现已在 Amazon SageMaker JumpStart 提供。该模型采用 MoE 架构，总参数 816B（激活 42B），支持 1M token 上下文窗口及文本、图像、音频等多模态输入。
推荐理由：原文给出了模型在 SageMaker JumpStart 的部署入口、两种量化变体及具体实例规格，读者可据此评估私有化部署成本与能力边界。
Meta 发布 Muse Spark Open，这是一个拥有约 816B 总参数、每 token 激活约 42B 参数的混合专家（MoE）多模态模型，支持文本、图像、音频和视频输入，上下文窗口达 1M tokens。
推荐理由：原文给出了816B MoE架构、百万上下文及多模态输入的具体参数，并提供了从本地量化到集群部署的完整工程路径。
vLLM 宣布与 Meta Superintelligence Labs 合作，为开源稀疏混合专家模型 Muse Spark Open 提供 Day 0 支持。
推荐理由：vLLM 官方提供了 Muse Spark Open 的 Day 0 支持，包含多硬件并行策略、DSpark 投机解码配置及 LoRA RL 训练示例，可直接用于生产环境部署。
Meta 发布新人工智能模型 Muse Wonder，扎克伯格表示该模型在部分任务上优于 Anthropic 和 OpenAI 的同类竞品，标志着 Meta 在 AI 前沿领域取得进展。
推荐理由：原文披露了 Muse Wonder 的闭源策略、分级定价及基准表现，并记录了扎克伯格关于 AI 安全与个人超级智能愿景的观点。
Artificial Analysis 发布了针对最新 AI 模型的基准测试结果。该报告由第三方独立机构提供，旨在通过标准化评测展示模型性能表现。
推荐理由：第三方评测机构发布了新模型的基准测试结果，提供了独立于厂商的性能数据参考。
Sierra 与 Meta 联合宣布推出开放标准“Personal Agent Protocol”，定义个人 AI 智能体与企业交互的方式。该协议基于 OAuth 构建会话，支持智能体通过网站、API（如 MCP）或企业自有智能体完成任务，并允许用户控制读写权限。
推荐理由：Meta 与 Sierra 联合发布个人智能体协议，旨在通过标准化接口解决智能体访问企业服务的身份验证与权限控制难题。
404 Media 报道 Meta 在 AI 智能体 Muse 发布前夕发现多个严重安全漏洞，其中至少一个允许用户通过 KVM 逃逸访问 Meta 敏感数据库。Meta 高管称此为“服务加固冲刺”，但内部消息源指出团队为赶工期推出了“半成品保护”。Muse 的每个实例运行在独立虚拟机中，其虚拟机逃逸漏洞在 Meta 赏金计划中被列为最高风险，奖励高达 $300,000。
推荐理由：原文披露了 Muse 发布前因虚拟机逃逸漏洞引发的内部紧急修复，以及该架构设计带来的潜在生产环境安全风险。
Meta 的 Muse agent 通过操作系统层面的安全措施来防御提示注入攻击，而非仅依赖模型自身的训练数据。该智能体假设模型可能被欺骗，因此确保模型从不处理真实凭证，并将工具运行在隔离的 Linux 容器中。
推荐理由：原文介绍了 Meta Muse agent 在操作系统层面构建安全机制的方法，展示了不依赖模型自身训练来防御提示注入攻击的工程思路。