已发布信号

技术信号

浏览已发布的 AI 技术信号,决定先读哪一条。

4 条技术信号
排序
模型 · 第 2026-10-15 号立即关注

Meta 开源 Muse Spark Open:816B 多模态 MoE

Meta 发布开放权重模型 Muse Spark Open,总参数约 8160 亿、每 token 激活约 420 亿,采用 256 选 8 的 MoE 路由,支持文本、图像、音频、视频输入与最长 100 万 token 上下文,提供 BF16 与面向 NVIDIA Blackwell 的 NVFP4 两种 checkpoint,面向智能体编码任务训练。

为什么重要这是目前开放权重阵营里体量最大的多模态 MoE 模型之一,且明确面向智能体编码训练,意味着团队可以在自己的基础设施上评估一个能同时读代码、截图和录屏的模型。但它把部署门槛推到了多节点 H200 或单节点 B200 的量级,选型时必须先算显存与许可,而不是只看激活参数。

适合 评估自托管开放权重模型的基础设施与平台团队、做编码智能体、需要多模态输入的工程团队

模型 · 第 2026-08-21 号值得跟踪

Muse Glimmer 开源:30B 压进消费级显卡,报错不停下

Meta 发布 Muse Glimmer:300 亿参数、Apache 2.0 开放权重,专为常驻本地的智能体工作流设计。4 位动态量化把 55GB 以上的显存需求压到 17 至 20GB,配合 DFlash 推测解码在 M5 Max 与 RTX 5090 上把吞吐提到最多 3.1 倍。真正值得注意的不是尺寸,而是它把「工具调用失败之后怎么办」写进了训练目标:API 或终端命令报错时,模型诊断故障并另找路径,而不是终止执行。

为什么重要端侧智能体此前的瓶颈不是「能不能装下」,而是「装下之后还剩不剩得下上下文」。Muse Glimmer 把量化、推测解码和感知编码器的内存开销一起算进了 24 至 32GB 这个消费级预算里,并且首日就有 llama.cpp、MLX、Ollama、vLLM 等运行时支持——这让「本地跑一个能用的智能体」第一次不需要先做一轮工程适配。

适合 在自己机器或工作站上跑智能体、不想把数据交给云 API 的开发者、需要为 24 至 32GB 显存预算选模型的端侧工程师

平台 · 第 2026-08-12 号值得跟踪

Meta 重回开放权重:一封长文、一个独立董事会,和一组本地部署的数字

Muse Glimmer 以 Apache 2.0 开放权重的同时,Meta 宣布重回开放路线:扎克伯格发表长文反对能力集中,公司设立独立董事会逐项审核每次模型发布,并披露了让本地部署成立的量化与推测解码数字。Muse Spark 1.2 的权重据称随后开放。

为什么重要开放权重这次带着两样东西一起来:一组让消费级设备真的跑得动的工程数字,和一个把发布决定从 CEO 手里拿走的治理安排。后者能不能算数,要看它否决过什么。

适合 在做开源与闭源模型选型的技术决策者、关注本地部署可行性的工程团队

模型 · 第 2026-08-10 号值得跟踪

Meta Muse Glimmer:30B 蒸馏开源模型,专为本地智能体设计

Meta 发布 Muse Glimmer——从 Muse 蒸馏到 300 亿参数、Apache 2.0 许可的多模态模型,目标是本地跑的智能体。工具调用与检索类基准领先同级开源模型,但在桌面与终端操作上输给 Qwen3.6-27B;生态当天跟进,硬件支持却分了档。

为什么重要开放权重的智能体模型第一次把「本地跑得动」和「工具调用够强」做进了同一个 30B 模型,而且它公开承认自己在桌面与终端操作上落后——这让选型可以按任务形状做,而不是按总分做。

适合 在本地或私有环境部署智能体的工程团队、正在评估开放权重能否替代闭源 API 的技术决策者

键盘快捷键

j/k
下一条 / 上一条信号
Enter/o
打开当前信号
s
加入或移出稍后读
x
标为已读或取消
?
打开这份说明
Esc
关闭说明

在输入框里打字,或按着 Ctrl、Alt、⌘ 时,这些键照常使用。