全部动态

扎克伯格与Alexandr Wang谈Muse Wonder

@finkd 和 @alexandr_wang 与 @collision 畅聊 Muse Wonder 以及 MSL 的方方面面。 观看完整对话：https://x.com/collision/status/2109714250226905248

Gemini 4 Argon 正式发布，Vals AI 谈基准测试原则

Google 的 Gemini 4 Argon 已正式发布，覆盖编程、知识工作、企业工作流与网络防御，可通过付费 Gemini API 及 Gemini 平台使用，入门 API 价格为每百万输入/输出 token 2/10 美元。

Meta MSL 发布 Muse Wonder 与 Muse Wonder Full：对标 Claude 5.5 的前沿模型

Meta Superintelligence Labs（MSL）发布第二代模型家族 Muse Wonder 与 Muse Wonder Full，第三方评测显示其接近前沿水平。

Biohub 联合 DOE、NIH 及 Google DeepMind 等投入 18 亿美元扩展 Virtual Biology Initiative

Biohub 与美国能源部（DOE）、美国国立卫生研究院（NIH）及新资助伙伴宣布扩展 Virtual Biology Initiative，合计投入 18 亿美元的资金、数据、算力和新测量技术，用于生成可训练预测性生物 AI 模型的开放数据资源。

入选理由这项近 20 亿美元的跨机构投入把开放生物数据的生成与标准化列为重点，研究者可据此判断未来可用的细胞数据资源从何而来。

Meta 等提出 MIRA 与 MIRA-AC，把长周期自主科研拆成显式选题决策

Meta AI、特拉维夫大学和哥伦比亚大学的研究者提出 MIRA，一种分层架构，把长周期科研拆成外循环元推理决策与内循环执行：外循环从持久研究记录中整理证据，产出工作指令或终止决策，内循环用 Codex 执行单次调查。

从 OpenClaw 到 OpenAI dots：AI 智能体为何不再需要人类管理

Ethan Mollick 在 Substack 中修正了自己此前的判断：管理 AI 智能体并不需要人类精心设计组织结构，AI 自己就能学会分工协作。他以 OpenAI 的 dots、Meta 的 Muse 等 Clawlikes 类个人智能体为例，说明用户无需提供大量上下文或计划，智能体可自行从消息中学习并主动发现问题。

Import AI 469：DiG-bench 测科学发现能力、RSI 模拟器与扎克伯格的技术悲观主义

Import AI 第 469 期介绍了新基准 DiG-bench（Discovery in Games），包含 70 款规则与目标均隐藏、需靠交互探索发现的游戏，其中 21 款已公开，由 Thinking About Thinking、牛津大学、普林斯顿大学、KAUST、Swiss AI Lab、Inria、MIT 等机构研究者构建。

Meta 开源模型 SAM 3 与 DINOv3 支撑美国能源部 Genesis Mission 项目 SYNAPS-I 的光束线图像分割

Meta 介绍其开源视觉模型 SAM 3 与 DINOv3 被用于美国能源部 Genesis Mission 旗舰项目 SYNAPS-I 的图像分割流程，该项目由 Berkeley Lab 牵头，联合 Argonne、Brookhaven、Oak Ridge 和 SLAC 国家实验室。

入选理由材料说明开放权重视觉模型如何被实验室微调后接入光束线数据处理，研究者可据此判断这类模型能否迁移到自己的成像分析流程。

Meta 发布 Brain2Qwerty v2，无需手术即可从脑电波实时解码句子

Meta 发布 Brain2Qwerty v2，称这是目前性能最高的端到端流程，可从非侵入式脑记录中实时解码句子，接近此前只有需开颅手术的技术才能达到的准确率。