Meta因AI数据中心排放激增重新评估2030净零目标
Meta正重新评估2030年净零排放目标的时间安排与阶段性里程碑,称AI基础设施需求增长快于预期。
推荐理由:材料将Meta的2030净零时间表与排放增长数据并置,呈现AI数据中心扩张对大型科技公司减排承诺的现实压力。
Meta正重新评估2030年净零排放目标的时间安排与阶段性里程碑,称AI基础设施需求增长快于预期。
推荐理由:材料将Meta的2030净零时间表与排放增长数据并置,呈现AI数据中心扩张对大型科技公司减排承诺的现实压力。
Meta 员工内部聊天显示,他们在测试 Muse 时担心该 AI 智能体会访问用户未预期开放的加密私信、混淆账户上下文,并执行非预期操作;Meta 称许多异常消息源于已修复漏洞造成的模型幻觉。
推荐理由:内部测试记录与跨平台复现实验相互印证,呈现了 AI 智能体在权限解释、私信访问和误操作责任上的具体风险。
AI at Meta 发布 Muse Ember,并将其带到 GoogleCloud;Muse Wonder 和 Muse Spark 1.3 也一同被带到 GoogleCloud。Muse Ember 是其最小且高效的模型,支持 1M-token 上下文窗口,以及文本、图像、音频和视频的原生理解,可跨应用串联工作流、按序调用工具、运行测试并定向修复代码。
推荐理由:原文同时交代了 Muse Ember 的模型定位、1M-token 上下文窗口和多模态输入,以及跨应用调用工具、测试与定向修复代码的智能体工作流。
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。
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。
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。
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。
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。