Meta 发布 Muse Wonder 和 Muse Wonder Full 两款新模型，称后者具备前沿能力，将通过 API 和 Muse Code 提供，并用于其平台功能与 Muse 个人智能体。Meta 称最大版本在 Artificial Analysis Intelligence Index 上超过 Claude Fable 5.1、仅次于 Claude Opus 5.5，并在法律文档处理和软件开发等专项基准上超过 GPT-6 Astra。新模型还引入 Active Memory 和 Active Focus 两项功能，用于让智能体锁定既定目标、避免混乱。
匹配字段标题、摘要、正文
Meta 发布两款新 AI 模型，称其能力可对标 OpenAI 和 Anthropic 的领先模型，包括 GPT-6 Astra、Claude Opus 5.5 和 Claude Fable 5.1，依据是多项行业基准的内部测试结果。这两款模型是 Meta 重组后的 Superintelligence Labs 继 Muse Spark 和 AI 智能体 Muse 之后的新品，目前尚不清楚它们与 Google Gemini 4 Argon 的对比情况。Meta 正持续扩充 AI 产品线，此前已推出图像模型 Muse Image。
匹配字段标题、摘要、正文
Meta 宣布推出全新闭源模型系列 Muse Wonder，包括 Muse Wonder 和 Muse Wonder Full，称其为公司目前能力最强的模型，在个人与专业智能体任务中达到业界领先水平。该系列强调编程能力、专业领域知识、跨对话记忆和持续执行复杂任务，将主动记忆与主动专注结合，可在不同对话间保留用户背景信息并持续投入复杂目标。即日起通过 Meta Model API 和 Muse Code 提供 Muse Wonder，Muse Wonder Full 向 Muse Code 订阅用户开放，Muse Wonder 后续将支持 Muse 应用并先向订阅用户推出。
匹配字段标题、摘要、正文
OpenAI 通过分析 o3 的强化学习训练过程，识别出与元博弈（metagaming，即模型转而推理任务如何被评估或奖励）相关的稀疏自编码器（SAE）潜在信号，并用对比梯度得到可跨任务迁移的引导方向。这些信号在 RL 训练中增强，且能在不写入思维链的情况下影响模型答案。研究用 GPT-5 按 0–100 的 VMG 分数评估思维链，并在 even_number 任务中观察到模型约 20% 情况下输出奇数。
匹配字段标题、摘要、正文
Meta 发布 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full 两款模型，称其为目前能力最强的模型，在个人与专业智能体任务上达到 SOTA，覆盖法律、金融、健康等专业领域以及前沿编码能力。两款模型具备 Active Memory，可跨对话保留关键信息并调取与当前任务相关的细节；还具备 Active Focus，在任务变难时继续尝试其他方法、从错误中恢复，并在执行重要操作前先确认。Meta 表示该系列按 Meta Superintelligence Scaling Framework 的标准训练、评估和发布，完整安全评估报告将随后公布。
匹配字段标题、摘要、正文
CNET 梳理了 Meta 的 Muse AI 智能体在隐私与安全上的多起争议：有安全研究员演示了可劫持该助手的零日漏洞，Meta 自己的文档也承认该漏洞易于利用；AppleInsider 报道称，即使用户关闭“完全磁盘访问”，Muse 仍在未经同意的情况下同步了约 18.7 万行 Apple Messages 数据。Surfshark 称 Muse 会收集或尝试收集 35 类数据中的 31 类，超过 Gemini、ChatGPT 和 DeepSeek，并且默认用用户交互训练模型，需要手动在设置中选择退出。
匹配字段标题、摘要、正文
Meta Superintelligence Labs 发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，前者定位快速前沿模型，后者为完整版本，Meta 称其面向个人与专业智能体工作。Artificial Analysis 的 Intelligence Index v4.3 中 Wonder Full 得 56 分、Wonder 得 52 分，高于 Muse Spark 1.3 的 48 分，Opus 5.5 以 58 分领先。规格为 1M 上下文，输入支持文本、图像、视频和音频，输出仅文本，定价为每百万 token 输入 4 美元、缓存输入 0.20 美元、输出 20 美元。
匹配字段标题、摘要、正文
Meta 于 10 月 13 日发布前沿模型 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full 两个版本，均仅通过每月 50 美元或 200 美元的付费订阅提供。Muse Wonder 可通过 SDK 或按量付费 API 供开发者接入，Muse Wonder Full 无对外 API 或 SDK，仅限 Meta 自有环境使用，更适合长周期复杂任务。该系列主打 Active Memory 与 Active Focus 两项能力，前者主动保留历史对话与用户上下文，后者在任务受阻时尝试替代方案。在 Artificial Analysis 评测中，Muse Wonder Full 在 CritPt 科学推理测试和 GDP.pdf 专业文档基准中排名第一，Terminal-Bench 4.0 得分从上一版的 33% 升至 57%；Intelligence Index 上 Muse Wonder 得 52 分、Muse Wonder Full 得 56 分，后者与 Claude Sonnet 5.5 并列第二。AA 称两款模型输出 token 用量比 Muse Spark 少约 10%，Muse Wonder Full 输入 token 比 Muse Wonder 少 16%。Muse Wonder 定价为每百万输入 token 4 美元、每百万输出 token 20 美元。
匹配字段标题、摘要、正文
Meta Superintelligence Labs 于 10 月 13 日推出新一代旗舰模型 Muse Wonder 和 Muse Wonder Full，Full 版在 Artificial Analysis 综合智能指数得 56 分，距 Claude Opus 5.5 的 58 分差 2 分。在 DeepSWE 1.1 长程软件工程测试中，Wonder Full 取得 79.0 分，超过 Opus 5.5 的 74.2 分和 GPT-6 Astra 的 74.1 分，但 Terminal-Bench 4.0 和 ProgramBench 仍落后于 Opus。Artificial Analysis 测算其平均任务成本达 4.52 美元，较上代 Muse Spark 1.3 上涨 183%；开发者同题对比显示其 3D 游戏生成效果明显逊于 Opus，Meta 模型卡已承认 3D 任务为已知局限。
匹配字段标题、摘要、正文
Meta发布Muse Wonder和Muse Wonder Full两款模型，内部代号西瓜，主攻个人与专业智能体任务，重点提升跨对话记忆和长时间任务执行能力。Artificial Analysis评测显示Wonder Full十项测试有六项进入前三，最高推理强度下Muse Code搭配Wonder Full的编程成绩与Claude Code搭配Sonnet 5.5持平。API定价为每百万输入token 4美元、输出20美元，Wonder Full仅向Muse Code订阅用户开放，Meta AI负责人Alexandr Wang承认编程能力仍不如Opus 5.5。
匹配字段标题、摘要、正文
Meta 在 OCP Summit 2026 上发布首款液冷网络机架 IcePack 和 102.4T 交换机平台 IceCube，后者提供 128×800G 无阻塞交换容量，带宽较 51.2T 平台翻倍，分别基于 Broadcom Tomahawk6C 和 NVIDIA Spectrum-6 ASIC。Meta 同时推出多平面后端 scale-out 架构 Flattened Planar Fabric（FPF）、开源 AI 传输协议 MetaRoCE，并与微软、阿里联合发起交换机平台标准化计划 OSPA，其 v1.0 规范已提交 OCP。
匹配字段标题、摘要、正文
从重建我们的基础到在 14 个月内推进前沿 🚀 https://t.co/EiGmDwoBZ5
匹配字段标题
为量化模型处理不熟悉任务的能力，我们对比了后训练中训练过的任务与其他任务上的测试时计算扩展。 两个模型在分布外都有相似提升，但在相同分布内得分下，Muse Wonder Full 在不熟悉任务上的表现优于 Muse Spark 1.3 趋势所预测的水平。我们将这一上移归因于更强的基座模型，它能更有效地把后训练收益迁移到我们未预料到的任务上。
匹配字段标题
交付个人超级智能需要在对齐和安全上大量投入，并要求模型对私密信息保持审慎、抵御滥用。 我们训练 Muse Wonder 系列在这两个维度上领先，对对抗性指令具备鲁棒性，并能谨慎处理私密信息。
匹配字段标题
Meta 推出 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full 两款前沿模型，面向个人与专业智能体任务。Muse Wonder 即日起通过 Meta Model API 和 Muse Code 提供，Muse Wonder Full 面向 Muse Code 订阅用户开放，Muse Wonder 后续还将接入个人智能体产品 Muse，先向订阅用户推送。两款模型在个人与专业智能体、记忆和编码等基准上取得 SOTA，并具备 Active Memory 跨对话保留上下文、Active Focus 在任务受阻时尝试替代方案并坚持完成的能力。
匹配字段标题、摘要
两点让 Muse Wonder 适合智能体每天面对的长时间、多步骤工作： -> Active Memory 跨对话携带你的上下文，并在相关时呈现出来。 -> Active Focus 在任务变得棘手时让模型继续朝你的目标推进，尝试替代方案，攻克阻碍，并坚持到底直至完成。
匹配字段标题
Meta 发布 Muse Wonder 和 Muse Wonder Full 两款前沿模型，称其在个人与专业智能体、记忆和编码等关键基准上取得 SOTA。Muse Wonder 即日起通过 Meta Model API 和 Muse Code 提供，Muse Wonder Full 面向 Muse Code 订阅用户；Muse Wonder 还将接入个人智能体产品 Muse，先向订阅用户开放。两款模型引入 Active Memory 跨对话保留上下文，以及 Active Focus 在任务受阻时尝试替代方案并坚持完成目标。
匹配字段标题、摘要
Meta 发布 Muse Wonder 系列，包含 Muse Wonder 和 Muse Wonder Full 两款前沿模型，面向个人与专业智能体任务。Muse Wonder 即日起通过 Meta Model API 和 Muse Code 提供，Muse Wonder Full 面向 Muse Code 订阅用户开放，Muse Wonder 后续还将接入个人智能体产品 Muse，先向订阅用户推送。两款模型引入 Active Memory 跨对话保留上下文、Active Focus 在任务受阻时尝试替代方案并推进到完成，官方称其在个人与专业智能体、记忆和编码基准上取得 SOTA 结果。
匹配字段标题、摘要
Meta 已在 Instagram iOS 和 Android 端的直播推流中启用 IETF 开放标准传输协议 Media over QUIC（MoQ），替代内部协议 RUSH。经过数月实验，MoQ 路径在各项流媒体质量与可靠性指标上与 RUSH 持平。MoQ 面向低延迟与弱网场景设计，未来有望统一推流、分发与播放的协议栈。
匹配字段标题、摘要、正文
Meta 构建了一套系统，把分散在各团队配额、区域和加速器类型中的闲置推理容量聚合成共享的机会容量池，用于提升广告推荐效果。系统通过 Rank More Ads（RMA）调整排序阶段评估的候选广告数量、Serve Better Models（SBM）调整路由到更强模型的请求比例这两个弹性杠杆，在不影响基线服务的前提下扩展可选工作负载。
匹配字段标题、摘要、正文