Meta AI
共 21 篇文章
Muse Spark 1.1 正式发布
Meta 发布 Muse Spark 1.1,一款面向智能体任务的多模态推理模型,在工具与计算机使用、编程和多模态理解方面较上一代大幅提升,并通过公开预览版的 Meta Model API 向开发者开放。
Muse Image 与 Muse Video 正式亮相
Meta Superintelligence Labs 发布图像生成模型 Muse Image 并预览视频生成模型 Muse Video——这是该实验室开发的首批媒体生成模型。Muse Image 具备智能体式工具调用、自我精修与测试时计算扩展能力,支持精准编辑与多参考图合成,在 Arena 排行榜上位列第二;Muse Video 支持原生音频,在文生视频人类偏好 Elo 中排名第三。
从脑电波到文字:Brain2Qwerty 为无需手术的沟通开辟新路径
Meta 发布 Brain2Qwerty v2,这是首个能够从非侵入式脑记录中实时解码完整句子的端到端系统,词准确率达 61%(最佳参与者达 78%),远超此前非侵入式方法的 8%,并开源了 v1/v2 训练代码与 v1 数据集。
Muse Spark 简介:迈向个人超级智能的规模化扩展
Meta 超级智能实验室发布 Muse 系列首个模型 Muse Spark——一个原生多模态推理模型,支持工具使用、视觉思维链与多智能体编排;通过预训练、强化学习和测试时推理三个维度的高效扩展,其以比 Llama 4 Maverick 低一个数量级以上的算力达到同等能力,Contemplating 模式在 Humanity's Last Exam 上取得 58%。
扩展我们构建与测试最先进 AI 的方式
Meta 发布大幅更新的高级 AI 扩展框架,以及针对 Muse Spark 的首份安全与准备报告,阐述了其风险评估、部署决策依据与多层防护机制。文章强调安全方法必须随模型能力同步扩展,并展示了让模型从底层就具备安全推理能力的新进展。
SAM 3.1:借助多路复用与全局推理实现更快、更易用的实时视频检测与跟踪
Meta 发布 SAM 3.1,作为 SAM 3 的直接替代版本:引入对象多路复用机制,单次前向传播即可跟踪多达 16 个对象,将中等对象数量视频的吞吐量从 16 FPS 提升至 32 FPS,并通过全局推理提升拥挤场景下的检测与跟踪精度。
TRIBE v2 简介:一个为理解人脑如何处理复杂刺激而训练的预测式基础模型
Meta 发布作为人类神经活动数字孪生的下一代模型 TRIBE v2,基于 700 余名志愿者的数据训练,可预测大脑对几乎任何视觉、声音和语言刺激的高分辨率 fMRI 响应,分辨率较同类模型提升 70 倍并支持零样本泛化;模型权重、代码、论文与交互式演示均已开放。
两年四款 MTIA 芯片：为数十亿用户扩展 AI 体验
Meta 介绍其自研 AI 芯片家族 MTIA 在两年内迭代四代（MTIA 300/400/450/500），工作负载覆盖从推荐排序训练扩展到生成式 AI 推理，并阐述高速迭代、推理优先与 PyTorch 原生三大策略，以更低成本为数十亿用户支撑 AI 体验。
SAM Audio 亮相:首个用于音频分离的统一多模态模型
Meta 发布 SAM Audio,首个统一多模态音频分离模型,可通过文本、视觉提示或时间段标记从复杂混音中分离任意声音;配套发布技术引擎 Perception Encoder Audiovisual(PE-AV)、首个真实场景音频分离基准 SAM Audio-Bench 和自动评审模型 SAM Audio Judge。
ExecuTorch 在 Reality Labs 的落地:为 Meta 全系设备上的端侧 AI 提供动力
Meta 介绍开源轻量推理引擎 ExecuTorch 在 Reality Labs 产品线中的应用:它以 PyTorch 原生流程省去模型转换环节,支撑 Meta Quest 头显、Ray-Ban Meta 与 Meta Ray-Ban Display 眼镜等设备在端侧高效运行深度估计、实时翻译、手部追踪等 AI 功能。
SAM 3D 发布:面向物理世界图像的强大 3D 重建
Meta 发布 SAM 3D,包含物体与场景重建模型 SAM 3D Objects 和人体与形态估计模型 SAM 3D Body 两个前沿模型,通过大规模数据标注引擎与'合成数据预训练+真实数据后训练'的多阶段训练方案,将单张自然图像转化为精细的 3D 重建,并在人类偏好测试中对其他领先模型取得至少 5:1 的胜率。相关数据、基准、模型权重与推理代码同步开放,并已应用于 Facebook Marketplace 的 View in Room 功能。
Omnilingual ASR:为 1600 多种语言推进自动语音识别
Meta 发布 Omnilingual ASR 模型套件,为 1600 多种语言提供自动语音识别能力,并在前所未有的规模上达到最先进质量;该框架采用社区驱动设计,只需少量上下文样本即可扩展到全新语言。同时开源了 7B 参数的 Omnilingual wav2vec 2.0 语音表征模型、覆盖 350 种服务不足语言的 Omnilingual ASR 语料库,以及语言探索演示。
Agents Rule of Two：一种实用的 AI 智能体安全方法
Meta 提出 Agents Rule of Two 安全框架：在鲁棒性研究能够可靠检测并拒绝提示注入之前，智能体在会话内最多只能同时满足处理不可信输入、访问敏感系统或私人数据、对外通信或改变状态这三项性质中的两项。文章用 Email-Bot 等示例说明该框架如何阻断数据外泄攻击，并讨论其局限与未来方向。
智能体 AI 的基石:从内核到集群
在 PyTorch Conference 2025 上,Meta 发布了 ExecuTorch 1.0、Torchforge、Monarch、TorchComms、Helion 和 OpenEnv 六个 PyTorch 原生开源项目,覆盖内核编写、分布式通信与执行、强化学习后训练、智能体框架和边缘部署,构成智能体 AI 的完整技术栈。
DINOv3:空前规模下的视觉自监督学习
Meta 发布自监督学习视觉模型 DINOv3,将训练数据扩展到 17 亿张图像、模型规模提升至 7B 参数,首次让单个冻结的视觉骨干网络在目标检测、语义分割等密集预测任务上超越专用方案,并在图像分类等多个基准上达到或超过 SigLIP 2、Perception Encoder 等最强模型。Meta 还开源了从 ViT-B 到 ViT-7B 的模型家族及 ConvNeXt 架构变体,采用商业许可发布,以推动计算机视觉与多模态生态的创新。
用 Seamless Interaction 建模自然的对话动态
Meta FAIR 推出面向双人对话的音频视觉行为动作模型家族 Dyadic Motion Models,可将语音生成自然的表情、手势与倾听行为,并同时发布超过 4,000 小时、4,000 名参与者的 Seamless Interaction Dataset 及配套技术报告与评估方法。
推出 V-JEPA 2 世界模型与物理推理新基准
Meta 发布了基于视频训练的世界模型 V-JEPA 2,在视觉理解与预测上达到业界最优,并支持在新环境中对陌生物体进行零样本机器人规划。Meta 还同时发布了三个新基准,用于评估现有模型从视频中进行物理世界推理的能力,结果显示当前模型与人类表现仍有明显差距。
走进 Aria Gen 2:探索设备背后的前沿技术
Meta 深入介绍 Aria Gen 2 研究眼镜的内部技术:更轻便舒适的可穿戴设计、120 dB HDR 全局快门相机与四目 CV 相机、新增环境光传感器/接触式麦克风/心率(PPG)传感器、亚毫秒级时间对齐,以及 VIO、眼动追踪和手部追踪等端侧实时机器感知能力。
分享支持分子性质预测、语言处理与神经科学的全新突破与研究资源
Meta FAIR 发布了多项新研究成果:包括推动分子发现的 Open Molecules 2025(OMol25)数据集与 Meta 通用原子模型(UMA),适合机器学习项目的 Adjoint Sampling 扩散过程学习方法,以及与罗斯柴尔德基金会医院合作开展的、旨在解码人类语言习得机制的联合研究。
分享全新开源防护工具以及 AI 隐私与安全方面的新进展
Meta 面向开源 AI 社区发布新一代 Llama 防护工具(Llama Guard 4、LlamaFirewall、Llama Prompt Guard 2),推出帮助防御方在安全运营中运用 AI 的 CyberSecEval 4 基准与 Llama Defenders Program,并首次预览让 AI 相关请求在私密状态下处理的 Private Processing 技术。
Llama 3.2:以开放、可定制的模型革新边缘 AI 与视觉能力
Meta 发布 Llama 3.2,包含 11B/90B 视觉模型与可部署在边缘和移动设备上的 1B/3B 轻量文本模型,并推出首批官方 Llama Stack 发行版和新的 Llama Guard 3 安全防护,进一步推动开放、可定制的 AI 生态。