Meta 簽署低碳水泥、鋼鐵、貨運與再生塑膠的長期採購協議
Meta 已簽署一系列涵蓋水泥、鋼鐵、貨運與再生塑膠的長期採購承諾，以在其資料中心供應鏈中將清潔製造推向商業規模。這些交易包括向 Sublime Systems 採購至少 180,000 噸低碳水泥、向總部位於瑞典的 Stegra 採購近零排放鋼鐵、與 Nevoya 在加州和亞利桑那州沿 I-10 公路擴大零排放貨運路線，以及與 MacroCycle Technologies 每年採購 5,000 噸再生 PET。
#Meta
Meta Newsroom · AIAI 評分1818 Meta Engineering BlogAI 評分4040 Meta 智慧投遞：為廣告排序分配運算資源的機器學習系統
Meta 詳細介紹了「智慧投遞」（Intelligent Delivery），這是一套由機器學習驅動的系統，會在其廣告投放堆疊中分配運算資源，以達到整體系統的最佳化，並在 2017 年至 2026 年上半年期間，於模型與系統進展的基礎上額外貢獻約 10% 的排序效能提升。其資源核心模型（Resource Core Model）使用 60 億稀疏參數與 2,000 萬稠密參數來預測每個請求的邊際效用，Meta 表示，在離線基準測試中，該系統將高影響力廣告請求的識別能力提升了約 20%。該系統也依賴多層次分配機制與日益具備代理能力的 AI，以隨著模型與硬體變化進行調適。
Meta Engineering BlogAI 評分5858 Meta 詳解 Your Algorithm 如何將自然語言偏好轉化為 Facebook Feed 與 Reels 推薦
Meta 發布了一篇工程概述，介紹 Your algorithm——一套 AI 工具，讓 Facebook 使用者以自然語言表達他們希望在 Feed 和 Reels 中看到的內容，並提供一個可編輯的單一頁面，列出「感興趣」與「不感興趣」的主題。每次變更都會由一個較小的 LLM 驗證，並以嵌入向量與搜尋關鍵字豐富化，再儲存到 Feed 與 Reels 都會讀取的共享儲存區；同時，一個微調過的 LLM 重排序器會移除與新增「不感興趣」主題相符的內容。Meta 表示，補充的尾部載入與客戶端快取失效機制可讓變更更快生效，而另一個獨立的 LLM 評審會在發布前對 Lately Summary 等輸出進行評分。
Meta Engineering BlogAI 評分5858 Meta 解釋 TLX：為生產環境 ML 打造、硬體原生的 GPU 編譯器擴充，延伸 Triton
Meta 詳細說明 TLX（Triton Low-Level Extensions），這是 Triton 的擴充，加入明確的 warp-group 與 cluster 層級編排，同時保留 Triton 的張量程式設計模型。TLX 已在 Meta 全面投入生產環境運行，在數千顆 NVIDIA Blackwell GPU 上為 GEM 訓練達到 20-25% 端到端 MFU，為 RecSys 推論將運算密集型網路延遲最多降低三分之二，並有一個分散式分組 GEMM 核心部署於大規模 LLM 預訓練。Meta 表示 TLX 鎖定 NVIDIA Hopper 與 Blackwell，以及 AMD Mi300 與 Mi350x，並正著手支援更多架構、自動 warp-group 推論與 torch.compile 後端。
Meta Engineering BlogAI 評分4040 Meta 以廠商中立的加速器外掛架構擴充 LLDB，實現 CPU-GPU 除錯
Meta 在 lldb-server 中建構了一套廠商中立的加速器外掛架構，讓 LLDB 能在單一工作階段中除錯橫跨 CPU 與 GPU 的應用程式。此設計將 CPU 與 GPU 表示為各自獨立的 LLDB target，各自擁有架構、執行緒、暫存器與位址空間，並由外掛將廠商的裝置除錯 API 轉譯為 LLDB 概念。GPU 支援僅在應用程式使用受支援的 GPU runtime 時才會啟用，因此純 CPU 除錯仍走既有的原生路徑，不會增加額外負擔。
Meta Newsroom · AIAI 評分3838 Meta 在全球 Instagram 擴大 AI 年齡偵測至青少年帳號
Meta 正在全球擴大其 AI 技術，以偵測 Instagram 上疑似青少年的使用者，並將其納入青少年帳號保護機制，即使他們註冊時填寫的是成人出生日期。該公司表示，全球將有數百萬更多青少年獲得內建保護，限制誰能聯絡他們、他們看到的內容，以及他們在應用程式上的使用時間。Meta 也正在 Facebook 上推出這項技術，並計劃今年稍晚在 Threads 上推出。
Meta AI Research Blog精選AI 評分7878 Meta 發布 Muse Ember，其最小、最高效的代理任務模型
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 Newsroom · AIAI 評分5858 Meta 在其 Muse 應用程式中推出 spaces，供使用者打造個人化體驗
Meta 在 Muse 應用程式中推出 spaces，這是一種互動方式，讓使用者能透過描述想法（例如禮物追蹤器、每日文字遊戲或 DIY 規劃板）來打造更個人化的 Muse。使用者可以用 Muse 調整每個 space，將其放在側邊欄或主分頁、隱藏或排定時間，並連結應用程式，讓演唱會日期和價格變動等細節在背景更新。即日起，所有提供 Muse 的地方都能使用 spaces，Meta 表示正在探索分享選項，並推出以 Muse Wonder 的學習成果訓練的專用模型版本。
Meta Newsroom · AI精選AI 評分6262 Meta 在 Muse 應用中推出即時語音與表情虛擬人像
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 AI Research Blog精選AI 評分6060 Meta 推出搭載 Active Memory 與 Active Focus 的專用 Muse 及 Meta AI 模型
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。
Meta Engineering BlogAI 評分3434 Meta F3 Lightning 將廣告 ML 特徵發布速度提升約 3.6 倍
Meta 推出 F3 Lightning，這是在其 Facebook Feature Framework（F3）之上建構的基礎設施層，將特徵發布與共用執行解耦，使 20,000 多個廣告排序特徵中的每一個都能獨立編譯、驗證、部署和回滾。相較於先前的 F3，同類萃取特徵現在進入生產環境的速度約快 3.6 倍，且基礎設施運算成本並未增加。
Meta Newsroom · AIAI 評分2525 Meta 與 INCA 合作，擴大加拿大盲人及低視力人士使用 AI 眼鏡的機會
Meta 已與 INCA 合作，這是一家成立於 1918 年的加拿大非營利組織，旨在幫助更多加拿大盲人、聾盲及低視力人士受益於 AI 眼鏡。Meta 的資金將支持 INCA 在四個方面的工作：傾聽社群聲音、支持負責舉辦線下演示和同儕培訓的社群倡導者、將社群回饋納入 Meta 的無障礙與產品團隊，以及提供無障礙學習指南和培訓資源。Meta 還透過 INCA 的「Opening the Doors to Work」計畫捐贈 AI 眼鏡，幫助求職者。
Meta Newsroom · AIAI 評分2525 Meta 與 CNIB 合作，為失明及低視力加拿大人帶來 AI 眼鏡
Meta 已與成立於 1918 年的非營利組織 CNIB 合作，將 AI 眼鏡帶給更多失明、失明兼失聰或低視力的加拿大人。Meta 的資助將支持 CNIB 在四個領域的工作：社區傾聽、由社區倡導者帶領的同儕培訓、與 Meta 的無障礙及產品團隊分享見解，以及無障礙指南與培訓材料。Meta 也透過 CNIB 的 Come to Work 計畫捐贈 AI 眼鏡，供探索就業的人士使用。
Meta Engineering BlogAI 評分5858 Meta 詳細說明「Catching JiTTests」的生產部署，並採用人在迴路中審查
Meta 已將 Catching JiTTests（其基於 LLM 的即時測試生成方法）從研究原型推進至生產基礎設施，並在 FSE 2026 論文《Just-in-Time Catching Test Generation at Meta》中發表了結果。該系統利用閒置算力在夜間運行，針對有風險的 diff，透過 dodgy-diff 與意圖感知工作流程生成測試，並在結果送達工程師之前，以 LLM-as-Judge 集成加上基於規則的 RubFake 評估器過濾誤報。截至撰寫本文時，已有 589 名工程師（佔觸達人數的 64%）參與了這些結果，結果顯示真陽性率為 60%；在 2026 年上半年，該系統在 diff 階段捕獲了 74 個嚴重的隱私缺陷，並將隱私 SEV 降低了 20%。
Meta Newsroom · AIAI 評分2222 Meta與五所美國大學合作，加速醫學與科學突破
Meta正與五所美國大學合作——加州理工學院、俄亥俄州立大學醫學院、路易斯安那州立大學、印第安納大學與UTHealth Houston——並提供200萬美元，支持利用其模型在醫學、物理、化學、生物、電腦科學與數學領域的研究。項目包括一個基於Meta開放權重SAM模型構建的電腦視覺系統，用於檢測嬰兒氣管導管移位；多模態AI幫助對話代理適應失智症患者；以及從常規CT掃描與醫療記錄預測心臟衰竭風險的開放權重模型。
Meta Engineering BlogAI 評分4040 Meta Andromeda：Meta 新一代廣告檢索引擎每秒處理 10 億則廣告
Meta 詳細介紹了新一代 Andromeda——其個人化廣告檢索引擎，在生產環境中每秒可評分超過 10 億則廣告，相較 2024 年系統吞吐量提升 100 倍。新架構將受 LLM 啟發的混合專家模型引入檢索，以約少 300 倍的推論時 FLOPs 達到接近排序級別的模型效能，在單張 NVIDIA GH200 GPU 上每秒可處理超過 100 億則廣告。自 2025 年以來，Andromeda 已為 Facebook 帶來 2.4% 的轉換率提升。
Meta Engineering BlogAI 評分3434 Meta PrivacyLib：資料存取邊界上的隱私控制
Meta 詳細介紹了 PrivacyLib，這是一個內嵌於其數百個資料與處理系統用戶端的通用程式庫，在資料存取點強制執行隱私要求，每秒執行數十億次檢查。系統只需整合一次，新的隱私功能便以外掛模組形式發布，取代了過去可能耗時數月的各系統獨立實作。一個 Agent Observability 模組透過將代理上下文傳遞給 PrivacyLib，來追蹤內部 AI 代理的資料存取。
Meta AI Research BlogAI 評分3030 Meta 支持五所美國大學的 AI 研究，以加速醫學與科學突破
Meta 正支持五所美國大學的研究——加州理工學院、俄亥俄州立大學醫學院、路易斯安那州立大學、印第安納大學與 UTHealth Houston——提供其最新 Muse 模型的使用權、研究人員合作與資金。研究人員將使用 Muse Spark Open、Muse Wonder、Muse Spark、30B 開放權重模型 Muse Glimmer，以及 SAM、V-JEPA、DINO、UMA 與 SeamlessM4T。研究項目涵蓋醫學、物理、化學、生物、電腦科學與數學，所有病患與臨床數據的控制權仍歸各大學所有。
Google Developers Blog精選AI 評分6060 Google 將 TorchTitan 接入 TorchTPU，並發布 TPU 模型最佳化手冊
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 AI Research Blog精選AI 評分8888 Meta 發布 Muse Spark Open，一個可在兩台 Mac Studio 上運行的 816B 開放權重多模態模型
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。
Modal Blog精選AI 評分7878 Meta 的 Muse Spark Open 權重已釋出，並可在 Modal Auto Endpoints 上使用
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 AI Research Blog精選AI 評分8282 Meta 推出 Muse Wonder 與 Muse Wonder Full 前沿模型，適用於個人與專業代理
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 AI Research Blog精選AI 評分7171 Meta 分享六篇與數學家及 Muse Spark 合著的數學論文
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。
Meta AI Research BlogAI 評分3838 Meta 更新超級智慧擴展框架，納入訓練安全與開放權重規則
Meta 發布了對其超級智慧擴展框架的更新，將失控要求擴展至涵蓋訓練與評估期間的 AI 遏制。在任何強化學習執行之前，Meta 將檢查模型是否可能危害其環境，若有可能，則要求採取沙箱化、記錄和監控的緩解措施。此次更新還闡明了開放權重模型在發布後如何被修改，並新增了一個董事會 AI 委員會來審查未來的框架變更。
Vapi BlogAI 評分2222 Mistral 與 Llama 3：語音 AI 應用的完整比較
Mistral 與 Llama 3 在語音 AI 的設計理念上分歧：Mistral 的 7B 到 Mistral Small 3.1（24B）模型偏好低延遲效率，而 Llama 3 從 8B 擴展到 70B，以換取更強的推理與多語言能力。Mistral Small 3.1 在每秒 150-166 個 token 下達到 0.29 秒首個 token 時間，且 Mistral Small 24B 在 ARC-C、GPQA 與 MMLU 上勝過 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精選AI 評分6262 Cursor 分析 Llama-2-70B 推論成本與延遲，並與 GPT-3.5 對比
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。