跳到正文

#Meta

RSS
今日 3 則
10月18日週日
10月17日週六
  1. david888podcast80

    KVM 虛擬化封包穿透漏洞曝光,Meta 更新條款引發全網 AI 訓練爭議

    KVM 虛擬化封包穿透漏洞(CVE-2026-99999)被研究團隊攻破,導致宿主機與客機間資料外洩風險上升。 - CVE-2026-99999 允許攻擊者透過特製網路封包在 KVM 虛擬機器與宿主機之間實現逃逸,影響數百萬沙箱實例。

    推薦理由:本研究揭示 KVM 封包穿透漏洞的實際利用與防禦對策,對雲端安全與虛擬化環境具有重要啟示,提醒雲服務商加強沙箱隔離與漏洞修補。

  2. Where’s Your Ed At (Ed Zitron)60

    Premium:創投正自毀

    Premium 報導指出,《JOBS Act》削減上市規範,導致創投估值被過度膨脹,進而形成市場泡沫。 - JOBS Act 2012:允許私營公司擁有 2,000 名股東且不計算員工,避免必須公開報告,促使公司延遲上市。

10月16日週五
  1. vLLM Official Blog72

    vLLM 中 Kimi K3 高效最佳化:快速且負責任的推進

    vLLM 團隊利用代理協助開發,為 NVIDIA GB300 上的 Kimi K3 建構統一的 CuTe DSL 解碼路徑,實現 842 tokens/s 的解碼速率(比原版快 1.73 倍)並提升 P90 互動性至 403.2 tokens/s。

    推薦理由:本文說明如何利用代理開發加速 Kimi K3,並提供可複製的驗證流程,對想提升 GPU 端推理效能的工程師具有實務參考價值。

  2. Hugging Face Transformers Releases92

    Transformers v5.20.0 釋出多模態模型與分散式加速功能

    Transformers 5.20.0 釋出,新增多模態模型並加強分散式推理與量化支援。 - Muse Spark Open:Meta 816B 引數,1,048,576 token 上下文,支援文字、影像、音訊、影片輸入,專為代理編碼任務設計,提供 BF16 / NVFP4 檢查點。

    推薦理由:新版本提供多模態模型與高效分散式支援,開發者可直接整合至現有工作流程,並享受改進的量化與推理加速。

  3. Hugging Face Blog82

    Meta 發布 Muse Spark Open:開源權重多模態混合專家模型

    Meta 推出 Muse Spark Open,816B 引數的多模態混合專家模型,支援文字、影像、音訊與影片輸入,並具備程式設計與工具呼叫能力。 - 模型規模:總引數 816B,每個 token 活躍 42B,可使用 1M token 上下文視窗。

    推薦理由:Meta公佈的 Muse Spark Open 816B 引數模型,支援多模態程式設計與長上下文,對開發者可直接整合,並提供多種推理與工具呼叫介面。

10月15日週四
  1. Together AI Official Blog74

    Meta Muse Spark Open 模型在 Together AI 正式上線

    Meta Muse Spark Open 現已於 Together AI 正式上線,作為 Day 0 發表夥伴提供完整支援,專為長時間執行的AI 助理程式設計、電腦操作與多模態任務而設計。

    推薦理由:原文給出模型核心能力與價格,讀者可據此評估是否將其整合至現有的長上下文或AI 助理工作流程中。

  2. LMSYS Org Blog76

    SGLang 和 Miles 加入 Muse Spark Open 支援,並公佈多平臺效能測試

    大型多模態模型要在不同硬體上執行,常得處理長提示詞、圖片影片輸入和模型運算量大的問題。SGLang 和 Miles 加入 Muse Spark Open 支援,涵蓋推論、微調與多輪強化學習訓練;模型可讀取文字、圖片、影片和音訊,並支援 1M token 的上下文視窗。文章也列出 NVIDIA、AMD、Intel 和 TPU 平臺的支援進度,以及多組程式開發工作負載測試。在 8 張 B300 GPU 的 OpenHands 測試中,單一對話每位使用者每秒產生 543 個 token;128 個對話同時執行時,則為每位使用者每秒 61 個 token。這些數字來自特定硬體與測試設定,可用來瞭解不同工作量下的速度變化。

    推薦理由:文章整理 Muse Spark Open 在多種硬體上的支援方式與實測結果,並說明長提示詞和多輪程式開發工作如何影響推論速度。

10月14日週三
10月13日週二
  1. MIT Technology Review · AI53

    開放模型有實際好處,風險是否更高?

    開放模型的安全與公平問題成為熱議焦點,本文從多方觀點評估其優缺點與可行策略。 - 優勢:可下載、可微調、促進研究與商業創新,降低成本並提升資料隱私。 - 風險:缺乏安全過濾、易被重新訓練以執行危害行為,且硬體成本高使得實際使用受限。 - 平衡策略:採取分階段開放、加強模型防篡改與社群安全審查,兼顧民主化與風險管控。