Meta 發布 Muse Ember，這是其最小、最高效的模型，瞄準代理整日從事的重複性工作，例如工具呼叫、程式編寫子任務、路由、擷取與長文件解析。Meta 表示，它在約三分之一的成本下達到 Claude Haiku 5.5 的最佳分數，並勝過所有 GPT-6 Luna 設定，每百萬輸入 token 為 0.10 美元、每百萬輸出 token 為 0.50 美元。它隨附 100 萬 token 的上下文視窗、最高 512K 輸出 token、原生文字、圖像、音訊與影片輸入，即日起在 Muse Code 與 Meta Model API 上以 muse-ember-1.0 提供。
推薦理由：Meta 最小的模型瞄準高頻的代理步驟，而其與 Claude Haiku 5.5 及 GPT-6 Luna 的每任務成本比較，說明了效率主張的來源。
Meta 在美國率先於行動裝置、網頁與 Mac 版的 Muse 應用中推出即時語音對話與表情虛擬人像。使用者點擊電話圖示即可對話，可打斷回應，並可從數百種語音中選擇，以及使用純語音、虛擬人像或全螢幕模式。語音功能即將登陸 AI Glasses 與 Muse Charm。
推薦理由：Meta 的 Muse 應用現已支援即時語音對話與表情虛擬人像，顯示語音與打斷處理正逐步進入消費級 AI 助理。
Meta 正在向使用 Muse 和 Meta AI 的用戶推出其現有模型的專用版本，這些版本使用 Muse Wonder 訓練。專用模型新增了 Active Memory 和 Active Focus，Meta 報告稱，目前的 Muse 模型在其 Personal Superintelligence Index 上得分為 47%，而前一代模型為 38%；在 Active Memory 評估中為 90% 對 76%；在完成出現意外問題的日常任務方面提升了 67%。
推薦理由：Meta 的專用 Muse 和 Meta AI 模型將 Active Memory 與 Active Focus 帶給更多用戶，並在記憶和任務完成評估上報告了提升。
Google 發布了 Meta TorchTitan 的 TPU 分支版本，可透過 TorchTPU 原生的 torch.device("tpu") 後端在 Cloud TPU 上執行 PyTorch 訓練，並附帶 TPU 原生核心與逐步最佳化指南。在 TPU v7x（Ironwood）上，Llama 3 405B 在 128 到 1,024 顆晶片之間維持約 57% MFU，Qwen3 235B 在單一 1,024 晶片切片上達到 32.42% MFU，FLUX.1 在 1,024 顆晶片上達到 19.4% MFU，弱擴展效率為 93%。該分支位於 https://github.com/google-pytorch/torchtitan/，另有 Transformers 建模後端與 agent 上手技能，可將同一訓練器延伸至其他檢查點。
推薦理由：Google 與 Meta 合作把 TorchTitan 移植到 TPU，並給出從 FLUX.1 到 Qwen3 235B 的逐級調優路徑與 MFU 數字，可作為 PyTorch 團隊評估 TPU 訓練可行性的參考。
Meta 發布了 Muse Spark Open 的權重，這是一個原生多模態的開放權重模型，總參數 816B（活躍參數 42B），上下文視窗達 1M token，定位於程式編寫與代理式工作。它是同類模型中首個能在桌面上運行的模型，使用兩台 Apple M5 Ultra Mac Studio 搭配 MLX 框架；並可透過 Baseten、Fireworks AI、Groq、Modal、Nebius、OpenRouter 與 Together AI 等 API 合作夥伴取得，權重則發布於 Hugging Face、Amazon SageMaker AI、Google Cloud Model Garden 與 Microsoft Foundry Models。Meta 表示，該模型隨附 SGLang 中可自動調校的 Helion GPU 核心，在 NVIDIA 與 AMD GPU 上帶來 1.03–3.95 倍的核心層級加速，在 AMD MI350 上則有 3% 的端到端加速。
推薦理由：Meta 發布了一個 816B 參數多模態模型的開放權重，該模型可在兩台 Mac Studio 上運行，為開發者提供了針對長時程程式編寫與代理式任務的本地選項。
Meta 釋出了 Muse Spark Open 的權重，Modal 現在透過其 Auto Endpoints 以按 token 計費的方式提供該模型。該模型針對代理式編碼與長程任務，具備原生多模態理解、100 萬 token 上下文視窗、多步驟規劃、依序工具使用與失敗復原能力。Meta 回報，搭配 Terminus 2 代理在 Terminal-Bench 2.1 上得分 76.4，並在其偏好的測試框架下以 xhigh 推理強度在 DeepSWE 1.1 上得分 60。
推薦理由：Meta 的開放權重模型 Muse Spark Open 現已在 Modal 上提供，讓團隊能以按 token 計費的方式試用一款具備 100 萬 token 上下文視窗的代理式編碼模型。
Meta 推出 Muse Wonder 系列，包含 Muse Wonder 與 Muse Wonder Full，並稱其在個人與專業代理任務、記憶與程式設計方面達到最先進的效能。Muse Wonder 即日起可透過 Meta Model API 與 Muse Code 使用，Muse Wonder Full 即日起開放給 Muse Code 訂閱者使用。這些模型結合了 Active Memory（可跨對話保留上下文並擷取任務相關細節）與 Active Focus（可持續推進長期目標，並在重要動作前進行確認）；Meta 表示兩者皆在其千兆瓦規模的 Prometheus 資料中心訓練而成。
推薦理由：Meta 的 Muse Wonder 系列宣稱在代理、記憶與程式設計基準測試上取得最先進的結果，並以 Active Memory 與 Active Focus 作為其建構的兩大核心能力。
Meta 發表了六篇數學論文，這些論文是與數學家合作完成的，他們透過一般的 meta.ai 聊天介面，在 Thinking Mode 中使用 Muse Spark 1.1 和 1.2，沒有使用自訂的研究框架。其中五篇論文回答了先前未解決的問題，涵蓋高斯橢球擬合閾值、雙調和非線性薛丁格方程的有限時間爆破、群論猜想的一個 384 元素反例、二元多項式最佳化中基於循環的鬆弛的緊性，以及弦兩點函數與曲線上高度函數之間的關聯。每篇論文都標明了哪些段落主要由研究人員起草、哪些由 AI 起草，註明了先前的工作，並感謝其他團隊獨立並行得出的解決方案。
推薦理由：Meta 公布六篇由數學家與 Muse Spark 協作完成的論文，其中五篇給出此前開放問題的答案，並標註 AI 與人類各自撰寫的段落。
Cursor 在 2 張 80-GB A100 GPU 上測量 Llama-2-70B 的推論，發現就提示詞 token 而言，它比 GPT-3.5 便宜超過 3 倍，但在小批次規模下，生成 token 則貴得多。提示詞處理每 1K token 約 $0.00042，而 GPT-3.5 為 $0.0015；生成在批次大小為 1 時達到每 1K token $0.066，只有在大批次下才接近 GPT-3.5 的價格，而大批次會把首 token 時間推遲到數秒。Cursor 建議對分類與重排序這類提示詞密集的任務使用開源模型，對生成密集的工作負載則使用閉源 API。
推薦理由：Cursor 測得的成本與延遲數據顯示了自託管 Llama-2-70B 何時優於 GPT-3.5、何時不然，為開源模型服務決策提供了可複用的框架。