Meta調整WhatsApp第三方AI機器人政策，在意大利監管壓力下，將允許特定地區開發者通過“按消息計費”模式重新接入服務。此前，Meta爲保護自家AI產品，曾封禁ChatGPT等第三方機器人。
Meta CEO扎克伯格宣佈，2026年將是公司AI藍圖全面落地之年。在完成2025年AI架構重組後，Meta將密集發佈新AI模型與產品，重點推出“代理式商業”智能購物工具，AI智能體可深度理解用戶需求，推動行業創新。
Meta宣佈完成AI架構重建，進入產品交付期，未來數月將推出新模型。公司重組AI實驗室，目標2026年實現“個人超級智能”。
Meta提出基於多模態感知的AI面部表情生成技術，通過分析用戶身體動作、語音等多維度信息，在虛擬互動中實現自然生動的表情生成，克服了傳統方案依賴昂貴硬件或僅同步音頻的侷限，尤其適用於用戶活動複雜、面部遮擋或僅通過身體傳達信息的場景。
免費在線工具，可瞬間去除Instagram、Facebook等Meta視頻水印，AI驅動無模糊。
使用Meta AI進行音頻分離，可通過文本、視覺或時間提示編輯音頻。
基於Meta的SAM 3D模型，可秒將單張圖像轉換成高質量3D模型。
Didoo AI將鏈接轉化為高性能Meta廣告，精準定位買家並持續優化。
Anthropic
$105
輸入tokens/百萬
$525
輸出tokens/百萬
200
上下文長度
Google
$0.7
$2.8
1k
$7
$35
$2.1
$17.5
$21
Alibaba
$6
$24
256
Baidu
-
128
Bytedance
$1.2
$3.6
4
$2
$3.9
$15.2
64
$0.8
$0.15
$1.5
32
Deepseek
$4
$12
Tencent
$1
amd
Llama-3.1-8B-onnx-ryzenai-npu是由AMD基於Meta的Llama-3.1-8B模型開發的優化版本，專門針對AMD Ryzen AI NPU進行優化部署。該模型通過Quark量化、OGA模型構建器和NPU專用後處理技術，在保持高質量文本生成能力的同時，顯著提升了在AMD硬件上的推理效率。
facebook
DINOv3是Meta AI開發的一系列通用視覺基礎模型，無需微調即可在廣泛的視覺任務中超越專門的先進模型。該模型採用自監督學習方式，生成高質量的密集特徵，在圖像分類、分割、深度估計等多種任務中表現出色。
DINOv3是Meta AI開發的多功能視覺基礎模型，無需微調就能在廣泛視覺任務中超越專業模型。該模型能生成高質量密集特徵，在各種視覺任務中表現出色，顯著超越了以往的自監督和弱監督基礎模型。
DINOv3是Meta AI開發的一系列通用視覺基礎模型，無需微調就能在多種視覺任務中超越專門的先進模型。該模型採用Vision Transformer架構，在16.89億張網絡圖像上預訓練，能生成高質量的密集特徵，在圖像分類、分割、檢索等任務中表現出色。
Mungert
基於Meta Llama-3.3-70B-Instruct的大語言模型，經過多階段訓練優化，在推理、聊天等任務上表現出色，支持多種語言，適用於多種AI應用場景。採用神經架構搜索技術優化，能夠在單個H100-80GB GPU上高效運行。
FastFlowLM
這是基於Meta AI的LLaMA 3.1基礎模型的衍生模型，專門針對AMD Ryzen™ AI NPU上的FastFlowLM進行了優化，僅適用於XDNA2架構。模型保留了Meta發佈的核心架構和權重，可能針對特定應用進行了微調、量化或適配。
這是Meta AI發佈的LLaMA 3.2 1B Instruct模型的優化變體，專門針對AMD Ryzen™ AI NPU（XDNA2架構）上的FastFlowLM進行優化。模型保留了原始架構和權重，通過量化、底層調優等技術提升在NPU上的運行效率。
RedHatAI
Llama-4-Scout是Meta推出的Llama 4系列模型之一，採用混合專家（MoE）架構，是原生多模態AI模型，支持文本和圖像輸入，在多語言文本理解和視覺任務方面表現出色。該模型具有17B參數，16個專家，專為商業和研究用途設計。
fahadh4ilyas
Llama 4系列是Meta推出的原生多模態AI模型，採用混合專家架構，支持文本和圖像交互，在多種語言和視覺任務中表現卓越。
Llama 4系列是Meta推出的原生多模態AI模型，支持文本和圖像交互，採用混合專家架構，在文本和圖像理解方面表現卓越。
hirundo-io
Llama 4 Scout是Meta推出的原生多模態AI模型，支持多語言文本和圖像理解，採用混合專家架構，在文本和圖像理解方面具有行業領先性能。
bnb-community
Llama 4系列是Meta開發的多模態AI模型，支持文本與圖像交互，採用混合專家架構(MoE)，在文本和圖像理解領域具有領先性能。
unsloth
Llama 4 Scout是Meta推出的170億參數多模態AI模型，採用混合專家架構，支持12種語言和圖像理解。
chutesai
Llama 4 Maverick是Meta推出的原生多模態AI模型，採用混合專家架構，支持文本和圖像輸入，輸出多語言文本和代碼。
Undi95
Llama 4 Maverick 是 Meta 發佈的多模態 AI 模型，支持文本與圖像理解，採用混合專家架構（MoE），在多語言文本和代碼生成任務中表現優異。
Llama 4 Scout是Meta推出的17B參數/16專家混合的多模態AI模型，支持12種語言和圖像理解，具有行業領先性能。
meta-llama
Llama 4 Maverick是Meta開發的多模態AI模型，採用混合專家架構，支持文本和圖像理解，具有170億激活參數和4000億總參數。
Llama 4系列是Meta開發的多模態AI模型，支持文本和圖像理解，採用混合專家架構。
Llama 4 Scout是Meta開發的多模態AI模型，採用混合專家架構，支持12種語言的文本和圖像交互，具有17B激活參數和109B總參數。
Llama 4 Maverick是Meta推出的170億參數多模態AI模型，採用混合專家架構(MoE)，支持多語言文本和圖像理解，具備128個專家模塊。
MetaMask MCP是一個允許LLM通過MetaMask與區塊鏈交互的MCP服務器，用戶私鑰安全存儲在加密錢包中，AI代理簽名或發送交易時無需接觸私鑰。
MetaTrader 5的MCP服務器，實現AI助手與MT5平臺的交互，支持交易和市場數據分析功能。
MetaTrader MCP Server是一個基於Python構建的模型上下文協議服務器，旨在通過AI大語言模型（LLM）實現MetaTrader平臺的自動化交易。它支持與Claude Desktop、Open WebUI等LLM工具的集成，並提供HTTP服務器接口。
Meta Ads MCP是一個基於Model Context Protocol的服務器，用於通過標準化接口與Meta廣告API交互，使AI模型能夠訪問、分析和管理Meta廣告活動，包括獲取性能數據、可視化廣告創意和提供戰略建議。
一個基於TypeScript的MCP服務器，實現與Metabase API的集成，允許AI助手訪問Metabase中的儀表盤、問題和數據庫資源，並提供查詢執行等功能。
Meta API MCP Server是一個支持多API的網關服務器，通過Model Context Protocol (MCP)協議連接各類API與大型語言模型（如Claude、GPT等），使AI助手能夠直接與API交互並訪問真實數據源。支持從JSON配置文件或Postman集合快速添加API，提供HTTP方法全面支持和多種認證方式。
Metabase AI助手是一個通過模型上下文協議（MCP）連接Claude Desktop/Code與Metabase和PostgreSQL數據庫的AI驅動工具，支持自然語言生成SQL查詢、創建數據模型和儀表板。
MetaMask MCP是一個模型上下文協議服務器，允許大型語言模型通過MetaMask與區塊鏈交互，確保私鑰安全存儲在用戶錢包中，不與AI代理共享。
Vibehacker Metasploit MCP是一個基於FastMCP的接口，用於連接Metasploit框架，使AI代理能夠調用Metasploit的功能，包括漏洞利用、載荷生成、目標掃描和會話管理。
這是一個連接AI助手與Metabase分析平臺的MCP服務器，提供數據訪問、儀表盤管理、查詢執行等功能，支持兩種認證方式，便於AI直接與數據分析平臺交互。
HackerMCP是一個為AI助手設計的模塊，用於訪問和利用常見的滲透測試和安全工具，如Nmap和Metasploit Framework，提供簡單的接口來增強AI系統的安全測試能力。
Meta Ads MCP是一個通過標準化接口讓AI模型訪問和管理Meta廣告API的工具，支持獲取廣告數據、分析創意內容並提供優化建議。
一個連接AI助手與Metabase分析平臺的MCP服務器，提供數據查詢、儀表板訪問等功能，支持兩種認證方式。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
