跳到正文

#Meta

RSS
今日 3 則
11月10日週二
  1. Rohan Paul55

    Meta 發布旗下最小模型 Muse Ember,並稱其智慧程度媲美 Claude Haiku 5.5,成本約為後者的三分之一。 適用工作:工具呼叫、程式設計子任務,以及路由與資料擷取AI 助理。 定價:上下文最多 200K tokens 時,每 1M tokens 的輸入費用為 $0.10、輸出費用為 $0.50;超過 200K tokens 時,輸入為 $0.30、輸出為 $1.50。 成本比較:Claude Haiku 對少於 100K tokens 的提示採相同費率;原文指出,Ember 的成本優勢主要來自每項任務使用較少 tokens。

  2. The Verge · AI61

    Instagram 推出 Effect Builder,讓使用者用 AI 提示詞製作限時動態濾鏡

    Instagram 推出 Effect Builder,讓使用者透過 AI 提示詞為限時動態製作自訂濾鏡,並可預覽生成效果及透過後續提示要求修改。 - 可附上風格參考圖片,也能讓 Instagram AI 改寫提示詞;作者測試發現,改寫後的詳細指示所生成的濾鏡,與原始簡短提示詞的結果幾乎相同。

  3. aihot85

    Meta 發布 Muse Ember,主打AI 助理高頻任務

    Meta 發布 Muse Ember(muse-ember-1.0),定位為適合AI 助理高頻重複工作的高效率模型,涵蓋工具呼叫、程式子任務、路由、資訊擷取與長檔案解析。

    推薦理由:Meta 以多項AI 助理、程式與多模態基準比較 Muse Ember,並列出任務成本與 API 價格,可用來評估高頻工作流程的模型選擇。

  4. Vercel Blog48

    Muse Ember 開放於 Vercel AI Gateway 使用

    Meta 的 Muse Ember 現已可透過 Vercel AI Gateway 使用,這款輕量推理模型面向 AI 助理執行流程中大量重複的工作,例如程式撰寫子任務、工具呼叫與檔案分析。 輸入與推理:支援文字、圖片與影片輸入,提供 1M-token 上下文視窗;推理強度可從 minimal 調整至 max。 串接方式:可透過 AI SDK、Chat Completions、Responses 與 Anthropic Messages API 呼叫,也能由連線 AI Gateway 的程式碼AI 助理使用。模型名稱為 meta/muse-ember。 費用與管理:AI Gateway 依照供應商定價,不加價,也不對推論收取平臺費用,包含 Bring Your Own Key(BYOK)請求;另提供用量與成本追蹤、自訂報表、Zero Data Retention 支援、API 金鑰預算、路由規則、重試與故障轉移設定。

  5. TechCrunch · AI78

    Meta 發布輕量級 Agent 執行模型 Muse Ember

    Meta Superintelligence Lab 發布輕量級模型 Muse Ember,主打複雜推理執行,以及 Agent 常見的工具呼叫、程式設計子任務、路由、資訊擷取與長檔案解析。

    推薦理由:Muse Ember 的每百萬輸入 token 定價為 0.10 美元,報導並比較其成本與同類模型,呈現 Meta 將輕量模型用於大量重複 Agent 任務的產品定位。

  6. AI at Meta71

    Meta 推出最小且效率最高的模型 Muse Ember,定位於複雜推理執行與日常AI 助理工作。 工作流程:可跨應用程式延續工作流程、依序呼叫工具、執行測試並進行目標式程式碼修正。 輸入與上下文:支援 1M-token 上下文視窗,並原生理解文字、影像、音訊與影片,可處理大型檔案集合及多樣輸入。

    推薦理由:Muse Ember 將跨應用工作流程、工具串接與程式修正納入模型能力,並支援多種輸入形式,可從中瞭解其定位與適用工作範圍。

  7. Dev.to Top Tech43

    AI 時代如何成形?誰掌握 AI 的運作與發展關鍵?

    文章回顧 AI 如何從早期研究發展成能生成內容、搜尋、寫程式與使用工具的系統,並探討研究、算力、資金與人力如何共同形塑產業,以及誰掌握其運作與發展。 - 技術演進:神經網路、訓練資料與 GPU 算力的結合推動 AI 發展;2012 年的 AlexNet 展現這種組合在影像分類上的效果。

  8. Meta Engineering76

    Meta 擴充 LLDB,以單一偵錯工作階段除錯跨 CPU 與 GPU 的應用程式

    Meta 建立 lldb-server 加速器外掛架構,讓 LLDB 在同一個偵錯工作階段中協調分別表示 CPU 與 GPU 的兩個 target。架構保留兩者各自的架構、執行緒、暫存器與記憶體空間,並由硬體專屬後端連線裝置偵錯 API。

    推薦理由:文章說明如何以兩個獨立 LLDB target 表示 CPU 與 GPU,並透過 lldb-server 外掛協調偵錯,呈現跨硬體共用偵錯流程的設計取捨。

11月9日週一