Meta 在 Muse 应用中推出 spaces 功能，用户描述一个想法即可生成个性化体验，例如节日礼物追踪、每日单词游戏或 DIY 项目规划板。spaces 可添加到侧边栏、移入主标签页、隐藏或定时出现，连接常用应用后能在后台自动更新内容。该功能即日起在 Muse 可用的所有地区开放，Meta 还在探索空间分享功能，并为 Muse 推出借鉴 Muse Wonder 训练所得的专用模型版本。
推荐理由：原文给出 spaces 的场景示例和放置方式，读者可以据此判断这个个性化功能是否适合纳入自己的日常使用。
MIT Technology Review 发文判断智能体网络已经到来，Meta 的 Muse、OpenAI 的 Dots 和 Anthropic 的 Claude Duet 等智能体正被接入用户邮箱与银行账户，开始改写以人类为中心的互联网。
推荐理由：原文将当下智能体大规模上网与二十年前无人问津的语义网设想对照，解释大语言模型为何让自主智能体真正具备了上网执行任务的能力。
Google 在 TPU 上推出基于 TorchTPU 的原生 PyTorch 推理引擎 vLLM-TorchTPU 与 SGLang-TorchTPU，分别与 Inferact 和 RadixArk 合作开发，项目已在 GitHub 开源。
推荐理由：为习惯 PyTorch 的开发者提供不经 JAX 后端直接在 TPU 上运行 vLLM 和 SGLang 的方式，并附公开基准的成本与吞吐数据。
Google 发布 TorchTitan TPU，借助新推出的 TorchTPU 原生后端（torch.device("tpu")），PyTorch 训练脚本只需少量设备初始化改动即可在 Cloud TPU 上训练，分支仓库为 https://github.com/google-pytorch/torchtitan/，由 Google 与 Meta 共同加入 TPU 原生执行。
推荐理由：原文给出按顺序执行的 TPU 训练优化清单，并用三个模型的案例标出每步改动换来的 MFU 或吞吐提升，便于迁移到自己的训练任务。
Meta Superintelligence Labs 于 7 月 9 日发布 Muse Spark 1.1，定位为面向智能体任务的多模态推理模型，在工具与计算机使用、编码和多模态理解上较 Muse Spark 有明显提升，支持 100 万 token 上下文管理和多智能体编排。
推荐理由：官方发布给出了智能体、编码、多模态能力要点，百万 token 上下文和 Meta Model API 公测入口对评估可用性有直接参考。
Meta 发布图像生成模型 Muse Image 并预览视频生成模型 Muse Video，二者是 Meta Superintelligence Labs 开发的首批媒体生成模型。
推荐理由：图像模型以智能体方式调用搜索和代码工具，并用测试时算力换质量，读者可据此对比现有图像生成产品的技术路线差异。
Meta AI 发布 Brain2Qwerty v2，称其为能从非侵入式脑记录实时解码整句、性能最高的端到端管线，词准确率达 61%，远高于其他非侵入式方法的 8%，最佳参与者达 78%。
推荐理由：原文给出非侵入式解码与手术植入方案的准确率对比，读者可以据此判断数据规模扩大后这条无创路线还能走多远。