Meta推出AI新功能，旨在吸引年轻用户。更新包括动态个人头像，可将静态照片转化为挥手、比心等动画效果，并增强文字帖子的视觉表现。
Facebook推出多项Meta AI创意功能，包括动态头像和文字背景，旨在通过个性化视觉体验吸引年轻用户，应对品牌老龄化问题，与TikTok竞争。
Meta 计划推出付费订阅服务，为 Instagram、Facebook 和 WhatsApp 用户提供增强版 AI 功能及独家生产力工具，核心亮点包括顶级 AI 智能体 Manus。该服务旨在保持基础功能免费，通过付费解锁高级体验，提升用户创造力和分享控制权。
Meta与8家头部媒体达成数据授权协议，将在Meta AI聊天机器人中提供实时新闻问答和文章链接，覆盖全球突发、娱乐及本地新闻。用户提问可获得可点击信源，合作伙伴将获得新增流量和分成。这是Meta自2022年停止新闻付费、2024年取消Facebook新闻标签后，首次大规模为新闻内容支付版权费，覆盖200个国家，全平台即时接入。
免费在线工具，可瞬间去除Instagram、Facebook等Meta视频水印，AI驱动无模糊。
发现、保存、下载和生成在TikTok、Facebook、YouTube等平台上表现出色的广告。
Outsoci是一个为企业和代理商提供的终极引流工具，可以从Facebook、Instagram、TikTok、LinkedIn、YouTube、Google Maps、Reddit和ProductHunt上合法提取和收集电子邮件。
为您的网站添加AI聊天机器人，通过WhatsApp、Facebook Messenger、联系表等与访客交流。
KonradBRG
该模型是基于FacebookAI/xlm-roberta-large在多语言文本上微调得到的笑话评分模型，专门用于评估笑话的质量和幽默程度。在评估集上取得了0.4005的准确率和5.0327的均方根误差。
facebook
SAM 3 是 Meta 推出的第三代可提示分割基础模型，能够利用文本或视觉提示（点、框、掩码）来检测、分割和跟踪图像与视频中的对象。与前代相比，SAM 3 引入了对开放词汇概念所有实例进行详尽分割的能力，支持大量开放词汇提示，在 SA-CO 基准上达到人类表现的 75-80%。
woodBorjo
本模型是基于facebook/mask2former-swin-tiny-coco-instance在qubvel-hf/ade20k-mini数据集上进行微调的实例分割模型。该模型专门针对ADE20K-mini数据集中的场景理解任务进行了优化，在实例分割任务上表现出良好的性能。
sahirp
该模型是基于 Facebook 的 DETR-ResNet-50-DC5 目标检测模型在时尚数据集上进行微调的版本，专门用于时尚物品检测和分类。模型在 Fashionpedia 数据集上进行了优化，能够识别服装、配饰等时尚物品。
MobileLLM-Pro是Meta推出的10亿参数高效设备端语言模型，专为移动设备优化，支持128k上下文长度，提供高质量推理能力。该模型通过知识蒸馏技术训练，在多项基准测试中超越同规模模型，并支持近乎无损的4位量化。
MobileLLM-R1是Meta发布的高效推理模型系列，包含140M、360M和950M三种规模。该模型专门针对数学、编程和科学问题进行优化，在参数规模较小的情况下实现了与大规模模型相当甚至更优的性能。
MobileLLM-R1是Meta发布的高效推理语言模型系列，专注于数学、编程和科学问题解决。该模型在参数规模较小的情况下仍能取得优异性能，提供完整的训练配方和数据源支持复现研究。
MobileLLM-R1是Facebook推出的高效推理模型系列，专注于数学、编程和科学问题解决。该模型在仅使用约2T高质量标记进行预训练的情况下，在多项基准测试中取得了优异性能。
MobileLLM-R1是专注于数学、编程和科学问题的高效推理模型系列，在较少训练数据下实现出色性能，提供完整的训练配方和数据源。
MobileLLM-R1是Meta推出的高效推理模型系列，专注于解决数学、编程和科学问题。该模型提供140M、360M和950M三个规模版本，具有出色的推理能力和可复现性。
MobileLLM-R1是MobileLLM系列中的高效推理模型，专门针对数学、编程和科学问题进行优化，在参数规模更小的情况下实现了更高的准确率，具有低训练成本和高效率的特点。
MapAnything是一个端到端训练的Transformer模型，能够以多种模态作为输入，直接回归场景的分解度量3D几何结构。该模型支持超过12种不同的3D重建任务，包括多图像SfM、多视图立体视觉、单目度量深度估计等。
DINOv3是一系列通用的视觉基础模型，无需微调就能在广泛的视觉任务中超越专门的先进技术。该模型能生成高质量的密集特征，在各种视觉任务中表现出色，显著超越了之前的自监督和弱监督基础模型。
DINOv3是Meta AI开发的一系列通用视觉基础模型，无需微调即可在广泛的视觉任务中超越专门的先进模型。该模型采用自监督学习方式，生成高质量的密集特征，在图像分类、分割、深度估计等多种任务中表现出色。
DINOv3是Meta AI开发的多功能视觉基础模型，无需微调就能在广泛视觉任务中超越专业模型。该模型能生成高质量密集特征，在各种视觉任务中表现出色，显著超越了以往的自监督和弱监督基础模型。
DINOv3是Meta AI开发的一系列通用视觉基础模型，无需微调就能在多种视觉任务中超越专门的先进模型。该模型采用Vision Transformer架构，在16.89亿张网络图像上预训练，能生成高质量的密集特征，在图像分类、分割、检索等任务中表现出色。
DINOv3是一系列通用的视觉基础模型，无需微调就能在广泛的视觉任务中超越专门的先进模型。该模型采用自监督学习方式，生成高质量的密集特征，在各种视觉任务中表现出色，显著超越了以往的自监督和弱监督基础模型。
DINOv3是一系列通用的视觉基础模型，无需微调就能在广泛的视觉任务中超越专门的先进技术。该模型通过自监督学习生成高质量的密集特征，在各种视觉任务中表现出色，显著超越了以往的自监督和弱监督基础模型。
MetaCLIP 2 (worldwide) 是一个基于Transformer架构的多语言零样本图像分类模型，支持全球范围内的视觉语言理解任务，能够实现无需训练即可对图像进行分类的能力。
nvidia
ESM-2 是 NVIDIA 基于 Facebook Research 原始 ESM-2 模型使用 TransformerEngine 库优化的蛋白质语言模型，在数值精度范围内具有相同的权重和输出，适用于蛋白质序列分析任务。
yt-dlp-mcp是一个集成yt-dlp的MCP服务器实现，为LLMs提供视频和音频内容下载功能，支持多种平台如YouTube、Facebook、TikTok等。
这是一个用于搜索和分析Facebook公共广告库的MCP服务器项目，可通过Claude等工具查询企业广告投放情况，包括广告数量、类型、内容分析及竞品对比等功能。
Facebook页面管理MCP服务器
MCP与Facebook idb的集成工具，实现iOS设备自动化管理
SocialAPIs MCP服务器是一个统一社交媒体API，专为AI代理设计，提供Facebook等多平台数据访问功能，支持品牌监控、竞争分析和内容策略等应用场景。
一个MCP服务器实现，提供视频转录功能（如YouTube、Facebook、Tiktok等），可与LLMs集成。
%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)
