Meta 发布 Muse Wonder 与 Muse Wonder Full 模型
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder（代号 Watermelon）与 Muse Wonder Full，前者通过 Meta Model API 和 Muse Code 开放，后者仅限 Muse Code 订阅用户使用。
推荐理由：汇总 Meta Muse Wonder 系列的发布细节与第三方评测数据，可对照其与前沿模型在智能体任务上的位置。
Meta / Llama
全部主题Meta 的 AI 动态：Llama 开源模型系列、超级智能实验室与元宇宙之外的 AI 豪赌。
22条精选相关主题xAI / Grok开源生态行业动态
最新精选
第 1–20 条 · 共 22 条Latent Space精选AI 评分8282 爱范儿精选AI 评分7979 Meta 发布 Muse Wonder 与 Wonder Full 模型，主打个人智能体与编程
Meta 发布此前代号为 Watermelon 的 Muse Wonder 和 Muse Wonder Full，主攻个人与专业智能体任务，重点提升跨对话记忆、长时间任务执行和编程能力。
推荐理由：Meta 发布 Muse Wonder 系列并开放订阅与 API，结合首批用户实测反馈，可观察其在编程与 3D 生成任务上的真实表现与成本。
The Decoder精选AI 评分7979 Meta 发布 Muse Wonder 系列前沿模型，Muse Wonder Full 进入第一梯队
Meta 发布前沿模型 Muse Wonder 两个版本，Muse Wonder Full 在 Artificial Analysis Intelligence Index v4.3 得分 56，Muse Wonder 得分 52，前代 Muse Spark 1.3 为 48；Terminal-Bench 4.0 从 33% 升至 57%。
推荐理由：Meta 新模型在智能体与编码评测上大幅抬升，同时暴露知识性短板和成本上升，可供读者横向比较前沿模型定位。
TechCrunch · AI精选AI 评分7777 Meta 发布首个前沿模型 Muse Wonder 与 Muse Wonder Full
Meta 的 Superintelligence Lab 发布 Muse Wonder 和 Muse Wonder Full，这是其首个前沿模型系列。官方测试称二者基准分数与 Fable 5.1、GPT-6 Astra 相当，编码等复杂任务表现更好。
推荐理由：Meta 首次发布前沿模型，给出定价、API 开放范围与对标基准，可观察其在大模型竞争中的位置。
雷峰网精选AI 评分8585 雷峰早报：OpenAI 全面上线 GPT-6，Manus 融资超 33 亿元
OpenAI 面向全球所有 ChatGPT 免费及付费用户全面上线 GPT-6，正式取代 GPT-5.6 SOL 与 GPT-5.6 LUNA，并集成 Astra 安全技术改进。Manus 母公司蝴蝶效应完成超 5 亿美元新一轮融资，由博裕投资、IDG 资本领投，腾讯、红杉中国、真格基金继续加持。蔡崇信在意大利都灵 Wave by Vento 大会上表示，开源是欧洲发展 AI 的最佳选择。
Latent Space精选AI 评分8282 Opus 5.5 本周发布，在解释视频生成上表现突出
Anthropic 本周发布 Opus 5.5，在 SimpleBench 上以 88.4% 领先，被多位评测者视为 Anthropic 迄今最强视觉模型，成本约为 Fable 5.1 的 40%。
推荐理由：汇总一周内多个前沿模型与基础设施的实际评测和部署信号，可用来对照各家模型在编码与检索场景的取舍。
Meta Engineering精选AI 评分6363 Meta 发布首款内置网卡的训练芯片 MTIA 300
Meta 发布 MTIA 300，这是其自研 MTIA 系列中首款面向排序和推荐模型训练优化的芯片，在芯片封装内集成两个网络 chiplet，各含 6 个定制 800 Gbps RDMA NIC，总 I/O 带宽达 1.2 TB/s，无需经过 PCIe 总线。
推荐理由：Meta 给出 MTIA 300 的内置网卡与卸载式集合通信设计，可对比传统 GPU 集群的通信瓶颈。
Meta Engineering精选AI 评分6262 Meta 如何在 WhatsApp 以端到端加密与可验证性构建 Scam Alert
Meta 在 WhatsApp 上构建了可选的 Scam Alert 功能，用端侧机器学习模型在本地对来自非联系人的消息做诈骗概率分类，消息内容不会离开设备，也不会被自动上报。
推荐理由：原文给出 WhatsApp 端侧反诈告警的隐私架构与可验证设计，读者可了解端侧模型在加密通信场景的完整工程路径。
NVIDIA Developer Blog精选AI 评分6464 Meta 开源 Muse Glimmer：30B 稠密模型，面向本地智能体工作流
Meta 重返开源生态，发布 Muse Glimmer，一个 30B 开源权重稠密模型，上下文窗口超过 120K，面向本地 AI 智能体工作。该模型针对 NVIDIA 边缘、桌面和工作站 AI 平台优化，可在单 GPU 上达到 20K tokens/sec，让常驻智能体在本地处理数据并执行复杂任务。
推荐理由：Meta 回归开源发布 30B 本地智能体模型，并给出单 GPU 吞吐数字和运行平台范围。
Hugging Face Blog精选AI 评分8282 Meta 发布 Muse Glimmer：30B 本地智能体多模态开源模型
Meta 发布多模态模型 Muse Glimmer，从 Muse 蒸馏到 30B 参数，采用 Apache 2.0 许可，面向本地智能体场景，可用于编码、文档分析和个人助理。
推荐理由：材料给出 30B 多模态模型在智能体与编码基准上的完整对比表和本地部署路径，可判断其端侧适用边界。
Hugging Face Blog精选AI 评分6161 Hugging Face 旗下 OpenEnv 转为委员会治理并明确为智能体 RL 互操作层
Hugging Face 宣布 OpenEnv 转为由 Meta-PyTorch、Reflection、Unsloth、Modal、Prime Intellect、Nvidia、Mercor、Fleet AI、Microsoft 等组成的委员会协调，项目地址移至 huggingface/OpenEnv。
推荐理由：原文交代了 OpenEnv 转向委员会治理并明确自身为协议层而非奖励框架，读者可据此判断开放智能体 RL 的协作边界。
Google DeepMind精选AI 评分7474 Google 将 SynthID 与 C2PA 内容验证扩展到 Search、Gemini 和 Chrome
Google 宣布扩展内容透明度与验证工具，把 SynthID 的图片、视频、音频验证从 Gemini app 扩展到 Search，并将在未来几周进入 Chrome，Gemini 中该功能已被使用 5000 万次。
推荐理由：Google 把 SynthID 与 C2PA 验证铺到 Search、Gemini 和 Chrome，并开放云端检测 API，读者可了解内容溯源工具的实际入口与合作方。
Hugging Face Blog精选AI 评分6060 Meta 与 Hugging Face 联合发布 OpenEnv Hub 智能体环境共享中心
Meta 与 Hugging Face 宣布合作推出 OpenEnv Hub，一个供开发者构建、分享和探索智能体环境（agentic environments）的开放社区中心，这些环境定义了智能体执行任务所需的工具、API、凭证和执行上下文，可用于训练和部署。
推荐理由：Meta 与 Hugging Face 联合推出的智能体环境共享中心，给出环境规范与训练部署一体的路径。
Hugging Face Blog精选AI 评分7272 Meta 发布 Gaia2 基准与 ARE 智能体评测环境
Meta 发布 GAIA 的后续基准 Gaia2 以及开源框架 Meta Agents Research Environments（ARE），用于运行、调试和评测智能体。
推荐理由：Meta 发布 Gaia2 基准与 ARE 环境源码，给出多模型在模糊、噪声与时间推理任务上的实测结果，便于对照自身智能体能力。
Hugging Face Blog精选AI 评分8787 Llama 4 Maverick 与 Scout 上线 Hugging Face，两款 MoE 多模态模型开放权重
Meta 发布 Llama 4 Maverick（约 400B 总参数、17B 激活）和 Llama 4 Scout（约 109B 总参数、17B 激活）两款原生多模态 MoE 模型，权重已上线 Hugging Face 的 meta-llama 组织，含 base 与 instruct 版本，需先接受 Llama 4 社区许可协议。
推荐理由：Meta 同日发布 Llama 4 Maverick 与 Scout 两款 MoE 多模态模型，并给出架构细节与 Hugging Face 侧集成方式。
Hugging Face Blog精选AI 评分8282 Llama 3.2 发布：支持视觉与端侧运行
Meta 发布 Llama 3.2，共 10 个开放权重模型，包含 5 个多模态模型和 5 个纯文本模型。Llama 3.2 Vision 提供 11B 和 90B 两个规模，均有 base 与指令微调版本，视觉模型上下文长度为 128k tokens；文本模型新增 1B 和 3B 两种规格，面向端侧场景，训练使用最多 9 万亿 tokens。
推荐理由：文章给出 10 个开放权重模型与端侧量化运行路径，便于评估多模态开源方案的落地条件。
Hugging Face Blog精选AI 评分8585 Llama 3.1 发布 405B、70B 与 8B 版本，支持多语言与长上下文
Hugging Face 上线 Meta Llama 3.1 系列，包含 8B、70B、405B 三个尺寸的基础与指令微调共六个模型，另发布 Llama Guard 3 和 Prompt Guard。
推荐理由：官方梳理了 Llama 3.1 三个尺寸的显存需求、量化方案和微调入口，便于据此评估部署成本。
Hugging Face Blog精选AI 评分7878 Meta 发布 Llama 3 开源大模型，8B 与 70B 双规格上线 Hugging Face
Meta 发布 Llama 3，包含 8B 和 70B 两种参数规模，各有 base 与 instruct 微调版本，并同步推出基于 Llama 3 8B 微调的安全模型 Llama Guard 2，共 5 个开放权重模型上线 Hugging Face。
推荐理由：梳理 Llama 3 四款模型的规格、tokenizer 变化与 Hugging Face 生态集成方式，便于评估其部署与微调成本。
Hugging Face Blog精选AI 评分8585 Meta 发布 Code Llama：Llama 2 的代码专用版本并接入 Hugging Face 生态
Meta 发布 Code Llama，这是基于 Llama 2 初始化、在 5000 亿 token 代码数据上训练的开源代码模型系列，提供 7B、13B、34B 三个参数版本，另有 Python 专用版（额外 1000 亿 token）和指令微调版，采用与 Llama 2 相同的许可协议并允许商用。
推荐理由：梳理 Code Llama 三个参数版本、Python 与 Instruct 变体的训练构成及生态集成方式，方便对照选型。
Hugging Face Blog精选AI 评分6161 用 TRL 的 DPO 方法微调 Llama 2
Hugging Face 的 TRL 库现已支持 Direct Preference Optimization（DPO），可直接用偏好数据优化语言模型，省去奖励模型和 RL 优化两步。
推荐理由：TRL 官方给出 DPO 原理与可复用代码，读者可照着在自有偏好数据上完成对齐训练。