Meta签署长期采购协议，采购低碳水泥、钢材、货运及再生塑料
Meta已签署一系列长期采购承诺，涵盖水泥、钢材、货运和再生塑料，旨在推动其数据中心供应链中的清洁制造实现商业化规模。这些交易包括从Sublime Systems采购至少18万吨低碳水泥、从瑞典Stegra采购近零排放钢材、与Nevoya扩大在加利福尼亚州和亚利桑那州I-10沿线的零排放货运路线，以及与MacroCycle Technologies每年采购5000吨再生PET。
#Meta
Meta Newsroom · AIAI 评分1818 Meta Engineering BlogAI 评分4040 Meta 智能投放：为广告排序分配算力的机器学习系统
Meta 详细介绍了 Intelligent Delivery，这是一个由机器学习驱动的系统，它在广告服务栈中分配算力，以趋向系统级最优，在 2017 年至 2026 年上半年间模型与系统进步的基础上，贡献了约 10% 的增量排序性能。其 Resource Core Model 使用 6B 稀疏参数和 20M 稠密参数来预测每个请求的边际效用，Meta 称其在离线基准测试中将高影响力广告请求的识别率提升了约 20%。该系统还依赖多层分配机制和日益智能体化的 AI，以适应模型和硬件的变化。
Meta Engineering BlogAI 评分5858 Meta详细说明Your Algorithm如何将自然语言偏好转化为Facebook Feed和Reels推荐
Meta发布了一篇工程概述，介绍Your algorithm——一套AI工具，让Facebook用户用自然语言说明自己希望在Feed和Reels中看到什么，并提供一个可编辑页面列出“感兴趣”和“不感兴趣”的主题。每次更改都由一个较小的LLM验证，用嵌入和搜索关键词丰富，并保存到一个共享存储中，Feed和Reels都会读取该存储，同时一个微调过的LLM重排器会移除与新添加的“不感兴趣”主题匹配的内容。Meta表示，补充性的尾部加载和客户端缓存失效使更改更快生效，并且一个单独的LLM评判器会在上线前对Lately Summary等输出进行评分。
Meta Engineering BlogAI 评分5858 Meta 详解 TLX：面向生产级 ML 的 Triton 硬件原生 GPU 编译器扩展
Meta 详细介绍了 TLX（Triton 低级扩展），这是 Triton 的一个扩展，在保留 Triton 张量编程模型的同时，增加了显式的 warp-group 和 cluster 级编排。TLX 已在 Meta 全公司投入生产使用：在数千块 NVIDIA Blackwell GPU 上用于 GEM 训练时，端到端 MFU 达到 20-25%；用于 RecSys 推理时，计算密集型网络延迟最多降低三分之二；一个分布式分组 GEMM 内核已部署于大规模 LLM 预训练。Meta 表示，TLX 面向 NVIDIA Hopper 和 Blackwell 以及 AMD Mi300 和 Mi350x，并正在开发更多架构支持、自动 warp-group 推断以及一个 torch.compile 后端。
Meta Engineering BlogAI 评分4040 Meta 为 LLDB 扩展厂商中立的加速器插件架构，用于 CPU-GPU 调试
Meta 在 lldb-server 中构建了一套厂商中立的加速器插件架构，使 LLDB 能在单个会话中调试跨 CPU 和 GPU 的应用程序。该设计将 CPU 和 GPU 表示为独立的 LLDB 目标，各自拥有自己的架构、线程、寄存器和地址空间，同时由插件将厂商设备调试 API 转换为 LLDB 概念。仅当应用使用受支持的 GPU 运行时，GPU 支持才会激活，因此纯 CPU 调试仍走现有的原生路径，不会增加额外开销。
Meta Newsroom · AIAI 评分3838 Meta 在全球范围内为 Instagram 青少年账户扩展 AI 年龄检测
Meta 正在全球范围内扩展其 AI 技术，用于在 Instagram 上识别疑似青少年用户，并将其纳入青少年账户保护范围，即使这些用户注册时填写的是成年人出生日期。该公司表示，全球将有数百万更多青少年获得内置保护，限制谁可以联系他们、他们看到的内容以及他们在应用上的使用时间。Meta 还正在 Facebook 上推出这项技术，并计划今年晚些时候在 Threads 上推出。
Meta AI Research Blog精选AI 评分7878 Meta 发布 Muse Ember，其最小、最高效的智能体任务模型
Meta 发布了 Muse Ember，这是其最小、最高效的模型，面向智能体全天执行的重复性工作，例如工具调用、编码子任务、路由、抽取和长文档解析。Meta 称其在约三分之一成本下达到 Claude Haiku 5.5 的最佳分数，并击败 GPT-6 Luna 的所有配置，价格为每百万输入 token 0.10 美元、每百万输出 token 0.50 美元。该模型配备 100 万 token 上下文窗口、最高 51.2 万输出 token，原生支持文本、图像、音频和视频输入，即日起在 Muse Code 和 Meta Model API 上以 muse-ember-1.0 提供。
推荐理由：Meta 最小的模型瞄准高吞吐的智能体步骤，其与 Claude Haiku 5.5 和 GPT-6 Luna 的每任务成本对比说明了效率主张的来源。
Meta Newsroom · AIAI 评分5858 Meta 在其 Muse 应用中推出 spaces，用于用户构建个性化体验
Meta 在 Muse 应用中引入 spaces，这是一种互动方式，用户可通过描述诸如礼物追踪器、每日单词游戏或 DIY 规划板等想法，来构建更个性化的 Muse。用户可用 Muse 调整每个 space，将其放入侧边栏或主标签页，隐藏或安排其显示时间，并连接应用，使演唱会日期和价格变动等细节在后台更新。从今天起，所有提供 Muse 的地方均可使用 spaces，Meta 表示正在探索分享选项，并推出利用从 Muse Wonder 中获得的经验训练的专用模型版本。
Meta Newsroom · AI精选AI 评分6262 Meta 在 Muse 应用中推出实时语音和表情虚拟形象
Meta 正在美国率先于移动端、网页端和 Mac 端的 Muse 应用中推出实时语音对话和表情虚拟形象。用户点击电话图标即可通话，可以打断回复，并可从数百种声音以及纯语音、虚拟形象或全屏模式中进行选择。语音功能即将登陆 AI Glasses 和 Muse Charm。
推荐理由：Meta 的 Muse 应用现已支持带表情虚拟形象的实时语音对话，显示出语音和打断处理正进入消费级 AI 助手。
Meta AI Research Blog精选AI 评分6060 Meta 推出搭载 Active Memory 与 Active Focus 的专用 Muse 和 Meta AI 模型
Meta 正在向使用 Muse 和 Meta AI 的用户推出其现有模型的专用版本，这些版本使用 Muse Wonder 训练。专用模型新增了 Active Memory 和 Active Focus，Meta 报告称，当前 Muse 模型在其 Personal Superintelligence Index 上得分为 47%，而上一代模型为 38%；在 Active Memory 评估中为 90% 对 76%；在完成出现意外问题的日常任务方面提升了 67%。
推荐理由：Meta 的专用 Muse 和 Meta AI 模型将 Active Memory 与 Active Focus 带给更多用户，并报告在记忆和任务完成评估上有所提升。
Meta Engineering BlogAI 评分3434 Meta F3 Lightning 将广告机器学习特征发布速度提升约 3.6 倍
Meta 推出了 F3 Lightning，这是构建在其 Facebook Feature Framework（F3）之上的基础设施层，它将特征发布与共享执行解耦，使 20,000 多个广告排序特征中的每一个都能独立编译、验证、部署和回滚。与之前的 F3 相比，同类提取特征现在进入生产环境的速度提升了约 3.6 倍，且基础设施计算成本没有增加。
Meta Newsroom · AIAI 评分2525 Meta与INCA合作，扩大加拿大盲人和低视力人群使用AI眼镜的渠道
Meta已与INCA合作，后者是一家成立于1918年的加拿大非营利组织，旨在帮助更多加拿大盲人、聋盲人和低视力人群从AI眼镜中受益。Meta的资金将支持INCA在四个领域开展工作：倾听社区声音、支持开展线下演示和同伴培训的社区倡导者、将社区反馈传递给Meta的无障碍和产品团队，以及提供无障碍学习指南和培训资源。Meta还通过INCA的“Opening the Doors to Work”项目捐赠AI眼镜，用于帮助求职者。
Meta Newsroom · AIAI 评分2525 Meta与CNIB合作，将AI眼镜带给加拿大盲人和低视力人群
Meta已与成立于1918年的非营利组织CNIB合作，将AI眼镜带给更多加拿大盲人、聋盲人或低视力人群。Meta的资金将支持CNIB在四个领域开展工作：社区倾听、由社区倡导者主导的同伴培训、与Meta的无障碍和产品团队分享见解，以及提供无障碍指南和培训材料。Meta还通过CNIB的“Come to Work”项目捐赠AI眼镜，面向正在探索就业的人群。
Meta Engineering BlogAI 评分5858 Meta详细说明“Catching JiTTests”的生产部署，采用人在回路审查
Meta已将Catching JiTTests——其基于LLM的即时测试生成方法——从研究原型转入生产基础设施，并在FSE 2026论文《Just-in-Time Catching Test Generation at Meta》中公布了结果。该系统利用空闲算力在夜间运行，针对高风险diff，通过dodgy-diff和意图感知工作流生成测试，并在结果送达工程师之前，用LLM-as-Judge集成加上基于规则的RubFake评估器过滤误报。截至撰写时，589名工程师（占触达人数的64%）参与了结果互动，结果显示真阳性率为60%；在2026年上半年，该系统在diff阶段捕获了74个严重隐私缺陷，并将隐私SEV降低了20%。
Meta Newsroom · AIAI 评分2222 Meta与美国五所大学合作，加速医学与科学突破
Meta正与五所美国大学——加州理工学院、俄亥俄州立大学医学院、路易斯安那州立大学、印第安纳大学和UTHealth Houston——合作，并提供200万美元资助，支持利用其模型在医学、物理学、化学、生物学、计算机科学和数学领域开展研究。项目包括：基于Meta开放权重SAM模型构建的计算机视觉系统，用于检测婴儿气管造口管移位；多模态AI帮助对话代理适应痴呆症患者；以及从常规CT扫描和医疗记录预测心力衰竭风险的开放权重模型。
Meta Engineering BlogAI 评分4040 Meta Andromeda：Meta 下一代广告检索引擎每秒处理 10 亿条广告
Meta 详细介绍了其个性化广告检索引擎 Andromeda 的下一代版本，该引擎在生产环境中每秒对超过 10 亿条广告进行评分——相比 2024 年的系统吞吐量提升 100 倍。新架构将受 LLM 启发的混合专家模型引入检索环节，以约 300 分之一的推理 FLOPs 接近排序级模型性能，在单块 NVIDIA GH200 GPU 上每秒可处理超过 100 亿条广告。自 2025 年以来，Andromeda 已在 Facebook 上带来 2.4% 的转化率提升。
Meta Engineering BlogAI 评分3434 Meta PrivacyLib：数据访问边界上的隐私控制
Meta 详细介绍了 PrivacyLib，这是一个嵌入其数百个数据处理与数据系统客户端的通用库，在数据访问点强制执行隐私要求，每秒执行数十亿次检查。系统只需集成一次，新的隐私能力便以插件模块形式发布，取代了以往可能需要数月的逐系统实现方式。一个 Agent Observability 模块通过将智能体上下文传递给 PrivacyLib，来追踪内部 AI 智能体的数据访问。
Meta AI Research BlogAI 评分3030 Meta支持五所美国大学的AI研究，以加速医学和科学突破
Meta正在支持五所美国大学的研究——加州理工学院、俄亥俄州立大学医学院、路易斯安那州立大学、印第安纳大学和UTHealth Houston——为其提供最新Muse模型的使用权限、研究人员协作和资金支持。研究人员将使用Muse Spark Open、Muse Wonder、Muse Spark、30B开放权重的Muse Glimmer，以及SAM、V-JEPA、DINO、UMA和SeamlessM4T。项目涵盖医学、物理学、化学、生物学、计算机科学和数学，大学保留对所有患者和临床数据的控制权。
Google Developers Blog精选AI 评分6060 Google 将 TorchTitan 接入 TorchTPU，并发布 TPU 模型优化手册
Google 发布了 Meta TorchTitan 的 TPU 分支版本，该版本通过 TorchTPU 原生的 torch.device("tpu") 后端在 Cloud TPU 上运行 PyTorch 训练，配备 TPU 原生内核和分步优化手册。在 TPU v7x（Ironwood）上，Llama 3 405B 在 128 至 1,024 芯片范围内保持约 57% MFU，Qwen3 235B 在单个 1,024 芯片切片上达到 32.42% MFU，FLUX.1 在 1,024 芯片上以 93% 弱扩展效率达到 19.4% MFU。该分支位于 https://github.com/google-pytorch/torchtitan/，此外还有 Transformers 建模后端和 agent 接入技能，可将同一训练器扩展到其他检查点。
推荐理由：Google 与 Meta 合作把 TorchTitan 移植到 TPU，并给出从 FLUX.1 到 Qwen3 235B 的逐级调优路径与 MFU 数字，可作为 PyTorch 团队评估 TPU 训练可行性的参考。
Meta AI Research Blog精选AI 评分8888 Meta 发布 Muse Spark Open：一个 816B 开放权重多模态模型，可在两台 Mac Studio 上运行
Meta 发布了 Muse Spark Open 的权重，这是一个开放权重的原生多模态模型，总参数 816B（激活参数 42B），上下文窗口为 1M token，定位面向编程和智能体任务。它是同类模型中首个借助 MLX 框架、在两台 Apple M5 Ultra Mac Studio 上于桌面端运行的模型，并可通过 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 和 Together AI 等 API 合作伙伴获取，权重已在 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 和 Microsoft Foundry Models 上提供。Meta 表示，该模型在 SGLang 中附带可自动调优的 Helion GPU 内核，在 NVIDIA 和 AMD GPU 上实现 1.03-3.95 倍的内核级加速，在 AMD MI350 上实现 3% 的端到端加速。
推荐理由：Meta 发布了一个 816B 参数多模态模型的开放权重，该模型可在两台 Mac Studio 上运行，为开发者提供了一个用于长程编程和智能体任务的本地选项。
Modal Blog精选AI 评分7878 Meta 发布 Muse Spark Open 权重，并已在 Modal Auto Endpoints 上线
Meta 发布了 Muse Spark Open 的权重，Modal 现已通过其 Auto Endpoints 以按 token 计费的方式提供该模型。该模型面向智能体编程和长周期任务，具备原生多模态理解、100 万 token 上下文窗口、多步规划、顺序工具调用和故障恢复能力。Meta 报告称，在 Terminus 2 智能体下 Terminal-Bench 2.1 得分为 76.4，在使用其首选 harness、xhigh 推理强度下 DeepSWE 1.1 得分为 60。
推荐理由：Meta 的开源权重模型 Muse Spark Open 现已在 Modal 上提供服务，让团队能够以按 token 计费的方式试用一款具备 100 万 token 上下文窗口的智能体编程模型。
Meta AI Research Blog精选AI 评分8282 Meta 发布 Muse Wonder 和 Muse Wonder Full 前沿模型，面向个人与专业智能体
Meta 推出 Muse Wonder 系列，包括 Muse Wonder 和 Muse Wonder Full，称其在个人与专业智能体任务、记忆和编程方面达到最先进性能。Muse Wonder 即日起通过 Meta Model API 和 Muse Code 提供，Muse Wonder Full 即日起面向 Muse Code 订阅用户提供。这些模型将 Active Memory（跨对话携带上下文并检索任务相关细节）与 Active Focus（持续处理长期目标并在重要操作前确认）相结合；Meta 表示两者均在其千兆瓦级 Prometheus 数据中心训练。
推荐理由：Meta 的 Muse Wonder 系列声称在智能体、记忆和编程基准上取得最先进结果，其构建围绕 Active Memory 和 Active Focus 两项能力。
Meta AI Research Blog精选AI 评分7171 Meta 分享六篇与数学家和 Muse Spark 合著的数学论文
Meta 发布了六篇数学论文，这些论文由数学家通过常规 meta.ai 聊天界面在 Thinking Mode 下使用 Muse Spark 1.1 和 1.2 协作完成，未使用自定义研究脚手架。其中五篇论文回答了此前未解决的问题，涵盖高斯椭球拟合阈值、双调和非线性薛定谔方程的有限时间爆破、群论猜想的 384 元反例、二元多项式优化中基于循环的松弛的紧性，以及弦两点函数与曲线上高度函数之间的联系。每篇论文都标明了哪些段落主要由研究人员撰写、哪些由 AI 撰写，致谢了先前工作，并承认了其他团队的独立并行解决方案。
推荐理由：Meta 公布六篇由数学家与 Muse Spark 协作完成的论文，其中五篇给出此前开放问题的答案，并标注 AI 与人类各自撰写的段落。
Meta AI Research BlogAI 评分3838 Meta 更新超级智能扩展框架，加入训练安全与开放权重规则
Meta 发布了其超级智能扩展框架的更新，将失控要求扩展至覆盖训练和评估期间的 AI 遏制。在任何强化学习运行之前，Meta 将检查模型是否可能危及其环境，若存在风险则要求采取沙箱化、记录和监控的缓解措施。此次更新还明确了开放权重模型在发布后如何被修改，并新增了一个董事会 AI 委员会来审查未来的框架变更。
Vapi BlogAI 评分2222 Mistral 与 Llama 3：语音 AI 应用的完整对比
Mistral 和 Llama 3 在语音 AI 的设计理念上存在分歧：Mistral 的 7B 到 Mistral Small 3.1（24B）模型偏向低延迟效率，而 Llama 3 从 8B 扩展到 70B，以获得更强的推理能力和多语言覆盖。Mistral Small 3.1 的首 token 时间达到 0.29 秒，速度为每秒 150-166 个 token；Mistral Small 24B 在 ARC-C、GPQA 和 MMLU 上优于 Llama 3.1 8B Instruct；而 Llama 3.1 405B 在 MMLU 上得分 85.2%，在 GSM8K 上得分 96.8%。
Cursor Changelog精选AI 评分6262 Cursor 分析 Llama-2-70B 推理成本与延迟，并与 GPT-3.5 对比
Cursor 在 2 块 80 GB A100 GPU 上测量了 Llama-2-70B 的推理，发现对于提示词 token，它比 GPT-3.5 便宜 3 倍以上，但在小批量下生成 token 的成本要高得多。提示词处理成本约为每 1K token 0.00042 美元，而 GPT-3.5 为 0.0015 美元；而在批量大小为 1 时，生成成本达到每 1K token 0.066 美元，只有在大批量下才接近 GPT-3.5 的定价，而这会将首 token 时间推至数秒。Cursor 建议对分类和重排序等提示词密集型任务使用开源模型，对生成密集型工作负载使用闭源 API。
推荐理由：Cursor 测量的成本和延迟数据展示了自托管 Llama-2-70B 何时优于 GPT-3.5、何时不优于，为开源模型服务决策提供了一个可复用的框架。