公司与模型
Meta 的 Llama 与 Muse 系列模型、超级智能实验室与 Meta AI 产品。
80 条精选近 30 天 25 条共收录 902 条
欧盟委员会6月9日宣布临时措施，责令Meta在反垄断调查结束前免费向第三方AI助手开放WhatsApp访问权限。Meta于2025年10月15日禁止第三方AI助手调用WhatsApp for Business API，意图让自家Meta AI独占市场；今年3月4日虽改为付费使用，但欧盟委员会认为这实质上延续了禁令，可能严重损害通用AI助手市场竞争，尤其危及小企业和新进入者。
推荐理由：欧盟反垄断又一次发力，强令Meta免费开放WhatsApp给第三方AI助手，这对刚起步的通用AI助手公司是重大利好，可能重塑竞争格局。
据《连线》今日报道，Meta 通过多次应用更新将人脸识别代码推送到智能眼镜配套 App 中，代号“NameTag”。该功能利用已部署的三个 AI 模型将人脸转换为“人脸特征模板”，与手机本地数据库匹配，识别成功后向佩戴者发送通知。App 下载量超 5000 万次。Meta 回应称代码仅为探索，尚未决定推出，且不会建立中央人脸数据库。此前 Meta 曾因人脸识别问题在伊利诺伊州和得克萨斯州分别达成 6.5 亿美元和 14 亿美元和解。
推荐理由：Meta一边付近百亿美元和解金，一边把完整人脸识别代码塞进 5000 万用户的眼镜里，「探索」这个解释太轻巧——代码都推送了，离功能上线只差一个开关。
黑客利用Meta AI客服聊天机器人的漏洞，窃取了高价的Instagram用户名并将其转售。Meta在事后修复了该安全漏洞。
推荐理由：Meta 的 AI 客服被一句自然语言就骗去改密码，完全绕过身份验证。这几乎是教科书级的提示注入攻击，提醒每个团队，给 AI 代理权限前至少加个人工授权环节。
Meta 推出SilverTorch推荐系统架构，统一了用户生成内容的所有检索组件。该架构吞吐量比现有技术高23.7倍，计算成本效率比CPU方案高20.9倍，同时提升了准确性。
推荐理由：SilverTorch 把索引本身变成模型，在推荐检索上拿到 23 倍吞吐提升，这个思路对搜索和推荐工程师都有启发，虽然离普通人有点远。
Rohan Paul@rohanpaul_ai精选AI 评分7575推荐理由：Meta一边裁8000人一边转7000人做AI，说明AI已经不是探索项目，而是核心业务，缩减成本同时把人力投向模型、基建和变现，所有大厂都在用这种方式为AI让路。
Rohan Paul@rohanpaul_ai精选AI 评分7878为 LLaMA.cpp 实现多 Token 预测（MTP）！ 本地运行 Gemma4 模型速度提升 1.5 倍。 我们给 LLaMA.cpp 打了补丁。将 Gemma 4 助手模型量化为 GGUF 格式。我们在 MacBook Pro M5Max 上进行了测试。Gemma 26B 配合 MTP 起草 Token 速度提升 40%。基准测试、源代码和模型 👇
推荐理由：在笔记本上把 Gemma 26B 的生成速度拉高 40% 是个真实的体验提升，atomic.chat 把 MTP 带入 LLaMA.cpp 生态，本地 AI 玩家可以直接拿去用。
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 应用上线并开放部分用户的私有 API 预览。
推荐理由：官方发布给出基准成绩与三条扩展轴的技术细节，读者可以了解其相对 Llama 4 Maverick 的效率变化和安全评估结论。
Meta的Ranking Engineer Agent系列博客第二篇，聚焦其底层基础设施优化能力。该自主AI代理能够优化支撑广告排名模型运行的低层基础设施，旨在提升系统性能与效率。本篇承接首篇介绍的机器学习实验自主探索功能，进一步展示了该代理在硬件与系统层面的自动化优化实践。
推荐理由：Meta 内部工具展示 AI 自动化优化基础设施，工程师可借鉴实践。
Meta将其广告推荐系统的运行时模型扩展至LLM的规模和复杂度，旨在更深入理解用户兴趣与意图，以提升广告效果。这一举措通过自适应排序模型，优化了推理阶段的扩展曲线，使部署大规模模型服务成为可能，标志着推荐系统性能向新前沿迈进。
推荐理由：Meta的工程实践展示了如何优化LLM规模模型的推理效率，对AI系统设计有参考价值。
Meta发布了名为贝叶斯优化的新AI模型，用于设计混凝土配比。该模型旨在帮助建筑行业生产更高质量、更可持续的混凝土混合物，并特别聚焦于美国本土生产的产品。此次发布与2026年美国混凝土学会春季大会同步进行，是Meta长期路线图的一部分，旨在推动建筑业利用人工智能优化材料性能与环保指标。
推荐理由：Meta 将 AI 应用于传统建筑行业，展示垂直领域落地案例，启发其他行业探索 AI 应用。
GGML 和 llama.cpp 团队正式加入 Hugging Face，以支持本地 AI 社区的长期扩展。创始人 Georgi Gerganov 及团队将全职维护 llama.cpp，保持 100% 技术自主权和社区领导力，项目继续 100% 开源和社区驱动。Hugging Face 提供长期可持续资源，助力项目增长。技术上将优化 transformers 库与 llama.cpp 的无缝集成，实现近乎“一键式”的模型部署，并改进基于 GGML 的软件打包和用户体验。长期愿景是构建高效本地推理堆栈，推动开源超级智能的普及。
推荐理由：本地推理核心引擎获得长期资源保障，端侧 AI 生态稳定性大幅提升
Manus 官宣加入 Meta，称此举将巩固其在 AI 应用层的战略位置，把 Meta 平台上的数百万企业和数十亿用户作为下一步服务对象。截至 12 月初，Manus 已处理超过 147 万亿个 token，创建超过 8000 万台虚拟计算机；Manus 将继续通过 app 和网站提供产品和订阅服务，公司继续在新加坡运营，CEO 肖弘表示运作方式和决策机制不变。
推荐理由：官方公告交代了收购后的服务安排和运营计划，读者可以据此判断 Manus 现有用户的订阅与使用是否受影响。
llama.cpp 服务器新增了类似 Ollama 的多模型管理功能。该功能采用多进程架构，每个模型独立运行，确保单个模型崩溃不影响其他服务。系统支持自动发现本地 GGUF 模型文件、按需加载，并默认采用 LRU 机制管理最多同时加载4个模型。用户可通过请求中的模型字段路由到特定模型，并可使用 API 进行加载、卸载和列表查看。所有加载的模型可继承路由器的统一设置，也支持通过预设文件为每个模型单独配置参数。内置 Web UI 同样支持模型切换。
推荐理由：本地跑模型终于能像 Ollama 一样热切换，开发调试效率大幅提升
Saining Xie@sainingxie精选我不断看到关于 TPU 的东西，有什么实质性的新进展吗？ 没有证据表明 Google 曾在非 TPU 硬件上训练过 Gemini，这可以追溯到多年前 GPT 之前的模型，比如 BERT。TPU 比 Nvidia 自己的张量核心还要早。 Anthropic（以及 Character、SSI 和 Midjourney……）长期以来一直在使用 TPU，如果 Meta *没有* 在考虑它们，我会感到惊讶。 Nvidia 的护城河对大型实验室来说从来都不深——看看 OpenAI 决定它可以做得比 CUDA 更好，转而投资 Triton，在基准测试中经常胜过 CUDNN。这一切都没有什么神奇或结构性的东西，只是优秀的工程师在做优秀的工作。 TPU 并不比 GPU 高效多少，而微小的性能/功耗差异与 Meta 是否拥有正确的内核/系统工程人才来做到这一点相比，简直微不足道。Nvidia 和 Google 的护城河都很小，我们仍然处于个别优秀工程师就能扭转整个平衡的阶段。见下面的旧帖。 这难道……没有被定价进去吗？这些都是超级古老的公开信息。
推荐理由：何恺明团队2020年起用TPU训练MAE/DiT，Nvidia护城河比想象更浅
Meta 与 Hugging Face 宣布合作推出 OpenEnv Hub，一个用于构建、分享和探索智能体环境的开放社区平台，环境可同时用于训练与部署。
推荐理由：原文给出环境规范、Hub 功能和 RL 训练整合路径，读者可以据此评估在训练与部署中使用共享智能体环境的可行性。
Hugging Face 发布博客，宣布 Llama 4 Maverick 与 Llama 4 Scout 上线 Hugging Face 平台。正文抓取失败，仅有标题可用，更多细节见原文链接 https://huggingface.co/blog/llama4-release。
Hugging Face 官方博客宣布 Llama 3.2 发布，新模型可处理图像并支持在设备端运行。
Hugging Face 发布 Llama 3.1 系列模型，包含 405B、70B 和 8B 三个规格，支持多语言和长上下文。
Hugging Face 发布博客欢迎 Meta 的全新开源大语言模型 Llama 3。正文抓取失败，仅标题可用，更多细节以原文链接 https://huggingface.co/blog/llama3 为准。
Llama 2 发布，可在 Hugging Face 上获取。
