跳到正文

#Meta

RSS
今日 3 則
11月11日週三
  1. Hacker News (official RSS)64

    AI 代理程式如何改變 ML 編譯器的核心角色

    作者分析 AI 代理程式直接最佳化推論核心後,ML 編譯器的價值如何從產生程式轉向支援搜尋、分析與驗證。 - 共享基礎與驗證:TVM 相關研究主張,以穩定的中介表示法(IR)及檢查工具支援分析和驗證;Together Compiler(TKCC)則指出,開放原始碼存取雖增加程式碼理解成本,也能讓代理程式探索更高效能的最佳化。

  2. iTnews Australia67

    澳洲 eSafety 否認網路法案將導致平臺普遍審查言論

    澳洲網路監管機關 eSafety 否認《Digital Duty of Care》法案會促使平臺普遍審查言論,並指出平臺商業模式鼓勵最大化使用者參與。 - 法案要求:網路公司須主動檢查並阻止潛在使用者傷害,違者最高可罰 $109 million;法案也將讓使用者選擇停用演演算法推薦,只看自己追蹤帳號的貼文。

  3. Meta Engineering81

    Meta 如何打造 TLX,讓工程師更容易安排 GPU 工作

    GPU 硬體進步很快,但工程師常得在容易寫的程式工具和能細部控制硬體的寫法之間取捨。Meta 打造 TLX,讓工程師沿用 Triton 寫運算,再安排不同工作群組如何搬資料、計算和同步,讓資料搬移與運算能重疊進行。Meta 分享的案例包括推薦系統訓練、推論,以及大型語言模型訓練;其中一項推薦系統推論最佳化,讓特定模型的計算延遲最多降低三分之二。這些案例呈現 TLX 如何把新款 GPU 的功能用在實際工作中。

    推薦理由:TLX 的實際案例說明,讓工程師直接安排 GPU 工作與資料搬移,如何改善推薦系統推論和大型語言模型訓練。

  4. Meta Engineering74

    Meta 推出 Your algorithm,讓使用者自訂 Facebook Feed 與 Reels 推薦

    Meta 推出 Your algorithm,讓使用者以自然語言新增或排除興趣,調整 Facebook Feed 與 Reels 的推薦內容。 - 偏好管理:介面列出「Interested In」與「Not Interested In」清單;使用者可新增、移動或移除專案,變更會套用至 Feed 與 Reels。

    推薦理由:Meta 說明明確興趣如何進入推薦流程,以及新增與排除偏好如何透過排序、快取更新和 LLM 檢查影響 Feed 與 Reels。

  5. TechCrunch · AI64

    Meta 將 AI 助理 Muse 帶上 Apple Watch 與 Android Wear OS

    Meta 宣佈將 AI 助理 Muse 帶上 Apple Watch 與 Android Wear OS,使用者現在可直接透過智慧手錶以語音通話、文字訊息或聽寫與助理互動。 Muse 上個月推出 iPad 專用 App;這次擴充套件讓使用者可在更多 Apple 裝置上使用。 Muse 可連結帳戶管理電子郵件、會議與帳單,也能處理預約、訂購雜貨、設定目標及購物等任務。

  6. LMSYS Org Blog83

    SGLang 團隊用 megakernel 讓 Muse Spark Open 在 Blackwell GPU 上達到每秒 1,109 個 token

    GPU 執行模型時,工作被拆成許多小步驟,步驟之間的等待會讓部分晶片閒著。LMSYS 團隊為 Muse Spark Open 寫了一種叫 megakernel 的大型 GPU 程式,把每一層的多項工作合在一起,讓不同部分能趁空檔先處理下一件事。在 Blackwell GPU 上,單次請求的解碼速度從每秒 517 個 token 提升到 1,109 個 token;團隊也把草稿模型的執行步驟從 175 次減到 8 次。這種做法目前只支援搭配猜測解碼的單一請求,團隊接下來打算擴充到多個請求。

    推薦理由:文章拆解 megakernel 如何合併 GPU 工作、減少等待,並以 Muse Spark Open 的實測展示效能變化,能看出低延遲推論的工程取捨。

11月10日週二
  1. Hacker News (official RSS)35

    不要購買 AR 眼鏡:作者警告廣告與彈出視窗可能進入現實世界

    作者主張不要購買 AR 裝置,認為若 AR 眼鏡普及,現有網路與 App 的廣告、彈出視窗及暗黑模式可能延伸到現實場景,並讓使用者長時間暴露在注意力經濟之中。 - 作者的擔憂:AR 眼鏡設計為全天配戴;作者推測 Apple、Google 與 Meta 可能打造供企業在任意位置展示介面、廣告和彈出視窗的框架。

  2. Simon Willison79

    Meta AI 推出 Muse Ember,主打小型高效率與複雜推理

    Meta AI 推出小型高效率模型 Muse Ember,面向複雜推理與AI 助理日常重複執行的工作,包括工具呼叫、程式撰寫子任務、路由、資料擷取與長檔案解析。

    推薦理由:文章比較 Muse Ember 與 GPT-6 Luna、Claude Haiku 5.5 在不同提示長度下的價格,並以每項任務成本與推理層級補充評估模型效率的方式。

  3. MarkTechPost81

    Meta 發布 Muse Ember,支援 1M-token 上下文的代理模型

    Meta Superintelligence Labs 發布 Muse Ember,這款託管式多模態推理模型面向 AI 助理中的重複任務,支援 1M-token 上下文與最多 512K 輸出 tokens。

    推薦理由:Muse Ember 在 AA Intelligence Index 與 Claude Haiku 5.5 分數相近,報導也比較兩者每項任務成本與各項基準表現,可供評估代理工作負載的取捨。

  4. Dev.to Top Tech80

    Meta 發布 Muse Ember,主打低成本處理高頻AI 助理工作

    Meta 於 2026 年 11 月 9 日推出小型模型 Muse Ember,主打以低成本處理AI 助理工作流程中的高頻、重複任務,並已在 Meta Model API 和 Muse Code 上提供。

    推薦理由:本文整理 Muse Ember 的定價、基準分數與部署限制,並清楚標示資料來自 Meta 或 Artificial Analysis,可據此評估其高頻AI 助理工作負載的成本取捨。

  5. Dev.to Top Tech82

    Meta Muse Ember 如何以低成本處理AI 助理的重複任務

    Meta Muse Ember 主打以較低成本處理AI 助理反覆執行的工具呼叫、程式子任務、路由、資料擷取與長檔案解析,並非定位為前沿模型。 - 價格與規格:輸入每百萬 token $0.10、快取輸入 $0.004、輸出 $0.50;上下文視窗為 1M tokens,最大輸出 512K tokens。

    推薦理由:文章以成本與基準比較說明 Muse Ember 的定位,並指出它適合處理重複的AI 助理工作步驟,較難的工程任務則由更強模型承擔。

  6. Dev.to Top Tech75

    AI 撰寫的測試全數通過,變異測試卻揭露近半變異未被察覺

    作者在 451 個測試全數通過後,對專案中的 10 個檔案執行變異測試,發現測試未察覺其中近半數變異,並據此檢視測試實際驗證了哪些行為。 - 初次結果:工具產生 550 個變異,其中 273 個被測試攔截、161 個存活、116 個沒有測試涵蓋;作者指出,這只代表該樣本中的變異未被察覺,不能推論一半的測試毫無價值。