AI at Meta@AIatMeta· 03:33精选AI 评分7070Meta 发布 Muse Glimmer 技术报告,这是一个 30B 开源权重模型,面向消费级硬件上的智能体任务。该模型在单张消费级 GPU 的 Mac 或 PC 上以 4-bit 精度运行可达实用速度,并在工具调用和多步规划上领先同规模开源模型。报告涵盖模型架构、蒸馏配方和量化等内容。论文#论文/研究#Agent#开源生态推荐理由:技术报告公开了 30B 开源权重模型的架构、蒸馏配方与量化方案,可供关注端侧智能体的读者参考。
AI at Meta@AIatMeta· 02:44AI 评分5050Meta 构建了一个由 Muse Spark 1.3 和 Muse Wonder 驱动、人类主导的研究支架,接入 500 万份回顾性去标识电子健康记录及公开数据,由医学专家团队用它生成假设、执行代码并起草论文,同时保留对科学决策的完全决定权。该探索已产出 10 篇研究论文,覆盖心脏病学、肿瘤学、传染病和急诊医学等领域。论文#论文/研究#数据/训练#Meta
Aran Komatsuzaki@arankomatsuzaki· 00:28AI 评分4242Meta 推出 RoboJEPA 将 JEPA 预测器从 22M 扩展到 8B 参数(迄今训练的最大模型),使用覆盖 12 种机器人形态的数据,并研究潜在预测误差如何预测下游规划性能 https://arxiv.org/abs/2610.10515论文#论文/研究#具身智能#Meta
AI at Meta@AIatMeta· 03:11AI 评分5858Meta 公布六篇论文,内容来自数学家过去数月通过 meta.ai 普通聊天界面与 Muse Spark 1.1、1.2 的 Thinking Mode 协作求解尚无现成路径的开放问题,未使用定制研究脚手架。合作遵循同一套原则:由数学家主导研究,再由另一组数学家评审,每篇论文标注哪些段落主要由人类或 AI 起草,并注明所依据的先前研究;若有其他团队独立宣布同一问题的解法,也会一并致谢。论文#论文/研究#数据/训练#Meta
AI at Meta@AIatMeta· 02:25AI 评分4040Meta 预览内部评测框架 WildArtifactBench,用于评估智能体在多种交付格式下完成复杂真实任务的能力。该框架不依赖严格的标准答案评分,而是采用人类与智能体偏好评判给出的胜率和 Elo 分数,从而扩大对实际多模态工作流的任务覆盖。Meta 已从中开放 10 个任务,用于衡量多模态智能体的实际实用价值。论文#论文/研究#评测/基准#Agent