Новости про Meta
828 материалов с упоминанием Meta: релизы, бенчмарки, цены и доступность. Профиль компании и её модели — на странице Meta.
-
Qwen3.8-27B: SOTA квантование и точность от Unsloth
Команда Unsloth представила Qwen3.8-27B — новую открытую модель с динамическим квантованием 2.0, обеспечивающую state-of-the-art точность при снижении требований к памяти.
-
DMD-классификация: новый метод защиты LLM от токсичности
Исследователи представили метод обнаружения вредоносных ответов LLM через анализ динамики эмбеддингов промптов и ответов с использованием операторов Копмана.
-
Адаптивное сжатие RAG на edge: экономия до 53% энергии
Исследователи из Northeastern University представили метод динамической компрессии контекста для RAG-систем на NVIDIA Jetson AGX Thor, снижающий энергопотребление GPU почти вдвое без потери качества ответов.
-
Linux 7.3: Разработчики перегружены AI-патчами, но используют LLM для защиты
В ядро Linux 7.3 интегрированы сетевые обновления, но мейнтейнеры жалуются на поток AI-генерированного кода. Meta предоставила ресурсы для использования LLM в качестве фильтра.
-
Провал обмана: почему детекторы лжи в LLM не работают за пределами обучающей выборки
Исследование Jollen Dai показало, что линейные зонды, обнаруживающие обман в моделях Llama и Gemma, теряют эффективность при переносе на другие типы данных, а в некоторых случаях выдают обратные результаты.
-
Muse V2: Локальный LLM-чат в ComfyUI с поддержкой видео и аудио
Вышла версия 2.0 узла ComfyUI-Muse, интегрирующая многопоточный чат с локальными LLM прямо в граф. Теперь поддерживается загрузка моделей без сторонних серверов, а также прикрепление аудио и видео.
-
Skala 1.1: ИИ-функционал DFT побил GMTKN55 и вошел в CP2K
Microsoft Research выпустила Skala 1.1 — ИИ-функционал, превосходящий лучшие гибридные методы по точности при стоимости meta-GGA. Модель интегрирована в CP2K и готовится к запуску в Psi4, ORCA и VASP.
-
NVIDIA представила Generative RecSys: HSTU, Semantic IDs и nv-embedding-cache
NVIDIA открыла репозиторий recsys-examples, внедряя генеративные рекомендательные системы на базе трансформеров. Новые инструменты решают проблемы масштабируемости, холодного старта и задержек в реальном времени.
-
Кто платит за open weights, когда лаборатории убирают малые модели?
Исследование Towards AI показывает, что отказ от выпуска компактных моделей перекладывает финансовое и техническое бремя на энтузиастов, сталкивающихся с жесткими ограничениями VRAM.
-
Meta запускает Pocket: AI-игры и «вайб-кодинг» для США
Meta вывела на рынок США экспериментальное приложение Pocket, позволяющее создавать интерактивные мини-игры с помощью текстовых запросов. Проект опирается на технологию «вайб-кодинга» и команду Gizmo.
-
Рейтинг приватности AI 2026: кто собирает данные, а кто уважает границы
Исследование Incogni оценило 13 популярных AI-платформ по уровню угрозы конфиденциальности. Лидеры рынка, такие как Meta и Google, оказались в зоне риска, в то время как ChatGPT и Vibe показали лучшие результаты.
-
Meta AI для Mac: голосовое управление и модель Muse Spark
Meta представила нативное приложение AI для macOS с системным диктованием и анализом экрана через модель Muse Spark, а также расширила функционал для бизнеса.
-
Ornith-1.5: Самообучающаяся модель, бьющая Claude Opus 4.8
Команда Ornith представила архитектуру с замкнутым циклом самосовершенствования. Флагман Ornith-1.5-397B достиг результатов уровня Claude Opus 4.8, а мобильная версия 9B обходит аналоги в 3-4 раза больше.
-
MoE-маршрутизаторы не кэшируются: провал обучения локальности для Qwen3
Исследование с предварительной регистрацией доказало: обучение маршрутизаторов MoE для повышения локальности данных снижает промахи кэша, но критически ухудшает качество модели (perplexity).
-
LoRA против Zero-Shot: как обучить LLM распознавать ненависть на Roman Urdu
Исследование arXiv:2608.18142 показывает, что адаптация больших языковых моделей через PEFT (LoRA) повышает F1-меру обнаружения токсичности с 0.56 до 0.93 на датасете из 72 000 комментариев.
-
TileMix: ускорение LLM без потери качества через смешанную точность
Исследователи представили TileMix — метод оптимизации внимания в LLM, который динамически выбирает FP16 или INT8 для разных участков матрицы, обеспечивая ускорение префилла без обучения модели.
-
LiquidAI выпустила LFM2.5 Q4_0: 97% качества BF16 на edge-устройствах
LiquidAI представила модели LFM2.5, обученные через квантование-осознанную дистилляцию (QAD). Новые чекпоинты Q4_0 сохраняют 97% точности от BF16, превосходя стандартное пост-тренировочное квантование по скорости и качес
-
KernelArc: AI-агенты захватили топ SOL-ExecBench на NVIDIA H100/B200
Новая система KernelArc от исследователей из Meta и других лабораторий демонстрирует, как многоагентный поиск превосходит ручную оптимизацию GPU-ядер, заняв первые места в ключевых задачах LLM.
-
Apple AirPods с камерами: Siri, а не слежка. Разбор утечек macOS 26.7
Apple готовит AirPods Pro 4 с визуальным интеллектом. Камеры не снимают видео, а служат «глазами» для Siri. Разбираем технические детали и риски для репутации.
-
Книги на конвейере: как Amazon VGT3 уничтожает редкие издания для обучения ИИ
Расследование 404 Media выявило склад Amazon VGT3 в Лас-Вегасе, где книги массово разрушаются (разрезаются корешки) для сканирования и обучения моделей ИИ, включая проекты Anthropic.
-
RepoRewind: 3D-визуализация Git-истории с локальным AI
Разработчики представили RepoRewind — инструмент, превращающий скучные логи Git в интерактивную 3D-модель кодовой базы с возможностью анализа истории через локальные LLM.
-
Как LLM считывают ваш пол и достаток по одному эмодзи
Исследование показывает, что языковые модели формируют стереотипы о пользователе после первого сообщения, реагируя на стиль речи, орфографию и даже выбор смайликов.
-
JEPA — это скрытая марковская модель: новое состояние-пространственное объяснение
Исследователь Юнчао Хуанг доказал, что вероятностная архитектура JEPA (VJEPA) структурно идентична скрытой марковской модели (HMM), что дает ей строгое математическое обоснование.
-
Meta Muse Glimmer: 30B-модель для локальных AI-агентов на NVIDIA
Meta выпустила плотную модель Muse Glimmer (30B параметров) с контекстом 120K+, оптимизированную для локального запуска AI-агентов на GPU NVIDIA. Производительность достигает 20K токенов/сек на Blackwell Ultra.
-
Evoke: 60-параметровая LLM с производительностью Llama 3.1
Новая модель Evoke от Evoke World демонстрирует результаты, сопоставимые с Llama 3.1 8B, при этом имея всего 60 миллионов параметров, что делает её идеальной для edge-устройств.
-
Meta выпустила Muse Glimmer: 30B-модель для локальных AI-агентов
Meta открыла исходный код мультимодальной модели Muse Glimmer (30B параметров) под лицензией Apache 2.0. Модель оптимизирована для локального запуска агентов, поддерживает видео и демонстрирует лидерство в бенчмарках аге
-
Open-модели 2026: Китай доминирует, США оптимизируют, метрики скачаний vs лайков
Отчет Hugging Face за лето 2026 года: китайские лаборатории выпускают модели до 2.78 трлн параметров, американские игроки фокусируются на оптимизации под железо, а скачивания и лайки больше не коррелируют.
-
Lemonade SDK 11.6: Muse-Glimmer 30B, TheNoise и поддержка старых Instinct
AMD выпустила Lemonade SDK 11.6 с нативной поддержкой модели Muse-Glimmer 30B, экспериментальным бэкендом TheNoise для ROCm и расширенным списком совместимых видеокарт Instinct.
-
Meta выпустила Glimmer: Zuckерберг за открытость, но мощные модели закрыты
Meta выпустила открытую модель Glimmer, но сохранила доступ к более мощному Muse Spark только через API. Это отражает двойственную стратегию компании: демократизация против контроля.
-
DiG-bench: Новый тест на способность ИИ к научному открытию
Команда исследователей представила DiG-bench — бенчмарк из 70 игр, где ИИ должен самостоятельно выявлять скрытые правила, имитируя процесс научного открытия.