跳到正文
  1. Google Developers Blog79

    TorchTPU 如何接入 TorchTitan 并优化 Cloud TPU 上的模型训练

    Google 将 TorchTPU 集成进 TorchTitan,提供在 Google Cloud TPU 上使用 PyTorch 训练模型的 TorchTitan TPU fork,代码位于 github.com/google-pytorch/tor…。

    推荐理由:文章把 TorchTPU 上的 PyTorch 训练优化拆成可复用配置,并用 Llama 3、Qwen3 和 FLUX.1 的实测结果说明各环节的收益。

  1. Meta AI Blog67

    Meta 的 SAM 3 与 DINOv3 如何驱动 Genesis Mission 首批项目

    Meta 的 SAM 3 与 DINOv3 被 Genesis Mission 旗下、由 Berkeley Lab 主导的 SYNAPS-I 项目用于 X-ray 和中子科学数据的实时图像分割。

    推荐理由:文章展示了 SYNAPS-I 如何将 SAM 3 与 DINOv3 微调后部署在 300 A100 GPUs 上,把葡萄藤微 CT 图像的分割分析从每个时间步一个月压缩至约 15 分钟。

  1. Meta AI Blog84

    Meta 发布 Muse Spark 1.1,并开放 Meta Model API 公开预览

    Meta Superintelligence Labs 发布 Muse Spark 1.1,这是一款面向 Agent 任务的多模态推理模型,并通过 Meta Model API 向开发者开放公开预览。

    推荐理由:原文展示了 1 million tokens 上下文、工具调用和多智能体编排能力,并开放 Meta Model API 公开预览,读者可据此了解 Muse Spark 1.1 在复杂 Agent 工作流中的使用方式。

  1. Meta AI Blog86

    Meta 发布 Muse Image 并预览 Muse Video

    Meta Superintelligence Labs 发布 Muse Image,并预览 Muse Video。

    推荐理由:文章交代了 Muse Image 的工具调用、自我优化和多参考合成机制,以及 Muse Video 的预览状态与开放范围,便于理解这次发布的能力边界。

  1. Meta AI Blog79

    Meta 发布 Brain2Qwerty v2 研究,非侵入式脑信号句子解码准确率达 61%

    Meta 发布 Brain2Qwerty v2 研究,端到端管线可从非侵入式脑信号实时解码句子,词准确率达到 61%。系统基于 9 名志愿者约 22,000 个句子和 MEG 记录训练,最佳参与者的词准确率达到 78%,超过一半句子的解码结果仅含一个或更少词错误。

    推荐理由:研究将非侵入式脑信号实时句子解码做到 61% 词准确率,并公开训练代码与 v1 数据集,为复现和后续研究提供具体基础。

已经到底了