Meta 的 AI 動態：Llama 開源模型系列、超級智能實驗室與元宇宙之外的 AI 豪賭。
Meta 發佈 Muse Image，並預覽 Muse Video；兩者均為 Meta Superintelligence Labs 開發的媒體生成模型。Muse Image 可調用網絡搜尋和編碼工具、自我修訂，並支援精準編輯與多參考圖像構圖；Meta 稱增加推理時計算可提升生成質素。
推薦理由：文中比較 Muse Image 的推理時計算策略，指出把資源投入刻意推理比 Best-of-N 更能持續提升圖像品質，工具調用亦可補足單靠推理的不足。
Meta 發佈多模態推理模型 Muse Spark 1.1，稱其較 Muse Spark 在工具與電腦操作、編碼及多模態理解方面均有重大提升。模型可協調多個子智能體並管理 1 million tokens 的上下文窗口；開發者現可透過公開預覽中的 Meta Model API 使用，Meta AI app 和 meta.ai 亦提供 Thinking 模式。
推薦理由：Muse Spark 1.1 聚焦智能體工作流，涵蓋多智能體協作、電腦操作與 1 million tokens 上下文，並透過 Meta Model API 開放公開預覽。
Meta 發佈 Muse Glimmer，一款由 Muse 蒸餾而來、面向本地智能體應用的多模態 30B 模型，採用 Apache 2.0 授權。模型由 2B ViT-style 視覺編碼器和 28B 文字解碼器組成，支援圖像、影片輸入及多模態工具調用。
推薦理由：文章把 Muse Glimmer 的本地智能體定位、30B 架構與 transformers、llama.cpp、vLLM 等入口連起來，提供從本地推理到託管部署的實作參考。
Manus 宣佈即將加入 Meta，並表示會繼續透過 app 和網站提供產品及訂閲服務，公司亦會繼續在新加坡營運。按 12 月初統計，自上線以來 Manus 已處理超過 147 萬億個 token，並建立超過 8000 萬台虛擬電腦。首席執行官肖弘表示，與 Meta 攜手可讓 Manus 在不改變運作方式和決策機制的前提下，在更強大、更可持續的基礎上發展。
推薦理由：公告交代 Manus 加入 Meta 後產品服務及新加坡營運安排，並列出上線以來的使用規模，呈現組織變動與現有服務延續的關係。
Meta 與 Hugging Face 合作推出 OpenEnv Hub，供開發者建立、分享和探索可用於訓練與部署的智能體環境。OpenEnv 以沙盒封裝任務所需工具、API、憑證及執行上下文，並提供清晰語義與隔離控制；團隊同時發布 OpenEnv 0.1 Spec（RFC）徵求社羣意見。
推薦理由：OpenEnv 將智能體任務所需的工具、API、憑證與執行上下文封裝成可分享環境，並銜接訓練和部署，呈現環境規格化的實際用途。
Meta 發佈 Llama Guard 4 多模態安全模型，以及兩款用於偵測提示詞注入和越獄的 Llama Prompt Guard 2 分類器，參數量分別為 86M 和 22M。
推薦理由：文章交代 Llama Guard 4 的圖文審核範圍與單張 24 GB VRAM GPU 部署條件，並附 Llama Prompt Guard 2 分類器規格及使用示例。
Hugging Face 將 Llama 4 Maverick (~400B) 與 Scout (~109B) 的權重上架 Hub，並宣佈 Transformers 與 TGI 支援。
推薦理由：文章整理了長上下文所用的 NoPE、分塊注意力與 temperature tuning 設計，讓讀者瞭解 Llama 4 延伸上下文窗口的架構取捨。
Meta 發佈 Llama 3.2，共有 10 個開放權重模型，包括 5 個多模態模型和 5 個純文字模型，涵蓋 11B、90B 視覺模型及面向裝置端的 1B、3B 純文字模型。
推薦理由：Llama 3.2 涵蓋 11B、90B 視覺模型與 1B、3B 裝置端純文字模型，並列出 Transformers、llama.cpp 等運行示例，可作為選擇部署路徑的參考。
Meta 發佈 Llama 3.1，提供 8B、70B、405B 三種規模的 base 與 instruct 模型，均支援 128K tokens 上下文和 8 種語言。Instruct 版本加入工具調用能力，並支援自訂 JSON 函數；授權亦允許以模型輸出改進其他 LLM。Hugging Face 同時列出 Transformers、TGI 等整合，以及各型號在推理和微調時的記憶體需求。
推薦理由：文章將 8B、70B、405B 的部署定位、128K tokens 上下文及記憶體需求一併列出，可比較不同規模模型的使用取捨。
Meta 發佈開源大語言模型 Llama 3，提供 8B、70B 兩種參數規模，各有 base 與指令微調版本。模型上下文窗口為 8K tokens，另有以 Llama 3 8B 微調的 Llama Guard 2；授權允許再分發、微調和衍生作品，並要求衍生模型名稱以 Llama 3 開頭，衍生作品或服務標示 Built with Meta Llama 3。
推薦理由：文章梳理了 Llama 3 的型號、授權要求，以及 Hugging Face 上的推理部署和微調入口，呈現從模型取得到實際使用的主要路徑。
Code Llama 推出 7B、13B 和 34B 參數版本，是以 Llama 2 為基礎、專攻編碼任務的模型家族。基礎模型以 500 billion tokens 的程式碼資料訓練，另有 Python 專用版和指令微調版；模型採用與 Llama 2 相同的社羣授權，可商用。
推薦理由：文章並列 7B、13B、34B 參數規模、Python 與指令微調變體，以及 Hugging Face 接入方式，便於比較模型選擇和部署路徑。
Meta 發佈 Llama 2 開放存取大語言模型系列，涵蓋 7B、13B 和 70B 參數規模，採用允許商業用途的社羣授權。Hugging Face Hub 上架 12 個模型，並整合 Transformers、Text Generation Inference 和 Inference Endpoints。
推薦理由：文中把 Llama 2 的商用授權與 Hugging Face 上的推理、部署和 QLoRA 微調方法連在一起，呈現從取得模型到接入開發流程的實用路徑。
Hugging Face 發佈 StackLLaMA，這是一個以 LLaMA 7B 為基礎、經 RLHF 微調、用於回答 Stack Exchange 問題的模型；完整訓練流程納入 Hugging Face TRL library。文章逐步示範監督式微調、獎勵模型訓練及 PPO 強化學習，並介紹 Stack Exchange 數據的偏好評分與 LoRA 等記憶體效率方法。
推薦理由：文章串聯 SFT、偏好獎勵模型與 PPO 三階段，並示範以 8-bit 載入和 LoRA 降低 RLHF 微調的記憶體需求，呈現可復用的訓練流程。