Meta AI · Llama · Muse

1. Meta AI, Llama und Muse sind drei verschiedene Ebenen

Meta AI ist der Endnutzerassistent in Meta-Produkten. Llama bezeichnet die seit 2023 veröffentlichte offene beziehungsweise open-weight Foundation-Modellfamilie. Muse ist seit 2026 die neue Modellfamilie von Meta Superintelligence Labs für Meta AI, Agenten, Coding und Medien.

Wer nur von „Meta AI“ spricht, kann daher Oberfläche, Modell, Toolzugriff, Personalisierung oder ein verbundenes Meta-Produkt meinen.

2. Meta/Facebook forscht seit Jahren an KI

Vor Llama und Meta AI arbeitete Facebook AI Research beziehungsweise FAIR an Computer Vision, Sprachverarbeitung, Übersetzung, Empfehlungssystemen, PyTorch, selbstüberwachtem Lernen und multimodalen Modellen.

Llama ist deshalb keine isolierte Chatbot-Erfindung, sondern Teil einer langen Forschungs- und Infrastrukturgeschichte.

3. FAIR – Facebook AI Research

FAIR wurde 2013 gegründet und etablierte Meta als großes offenes KI-Forschungslabor.

Viele Werkzeuge und Forschungsergebnisse wurden offen veröffentlicht und prägten später Metas Argumentation für offene Foundation-Modelle.

4. PyTorch als Infrastrukturwurzel

PyTorch entwickelte sich aus Metas Forschungsumfeld zu einem der wichtigsten Frameworks für Deep Learning.

Die offene PyTorch-Strategie wurde später häufig als historisches Vorbild für Llama genannt.

5. OPT als Vorläufer

2022 veröffentlichte Meta die OPT-Modellfamilie für Forschung an großen Sprachmodellen.

OPT war ein wichtiger Vorläufer der späteren Llama-Strategie, blieb aber technisch und lizenzseitig eine andere Modellgeneration.

6. Galactica als warnendes Vorläuferbeispiel

Meta veröffentlichte 2022 Galactica als wissenschaftsorientiertes Sprachmodell und zog die öffentliche Demo nach Kritik an überzeugend formulierten falschen Inhalten zurück.

Die Episode zeigt früh, wie stark wissenschaftlich klingende Halluzinationen Vertrauen gefährden können.

7. Open Science als Leitmotiv

Meta begründet viele Modellveröffentlichungen mit der Idee, Forschung und Innovation durch zugängliche Gewichte und Werkzeuge zu beschleunigen.

„Offen“ muss dennoch genau beschrieben werden: offene Gewichte, Open Source, Lizenzbedingungen, Trainingsdaten und vollständige Reproduzierbarkeit sind unterschiedliche Dinge.

8. Open Weight ≠ vollständig Open Source

Bei vielen Llama-Versionen sind Modellgewichte verfügbar, während Trainingsdaten, gesamte Trainingspipeline und Lizenzbedingungen nicht vollständig frei im klassischen Open-Source-Sinn sind.

Die Seite verwendet deshalb bevorzugt den technisch präziseren Begriff open-weight, wenn die Lizenz nicht den üblichen Open-Source-Definitionen entspricht.

9. Lizenz ist Teil der Technikgeschichte

Ein herunterladbares Modell kann trotzdem Nutzungsbedingungen, Acceptable-Use-Regeln oder zusätzliche Pflichten besitzen.

Für lokale und kommerzielle Nutzung wird daher immer die konkrete Modelllizenz geprüft.

10. Meta AI ist nicht Llama

Meta AI kann Llama-Modelle verwenden, aber die Produktoberfläche ergänzt Websuche, Bildmodelle, Personalisierung, soziale Inhalte, Memory und App-Integrationen.

Ein lokal ausgeführtes Llama-Modell besitzt diese Meta-AI-Produktfunktionen nicht automatisch.

11. Meta AI ist auch nicht Muse

Seit 2026 wird Meta AI zunehmend von Muse-Spark-Modellen angetrieben.

Der Produktname Meta AI bleibt bestehen, obwohl sich die zugrunde liegende Foundation-Modellfamilie von Llama zu Muse verschiebt.

12. Llama und Muse

Llama bleibt eine bedeutende offene Modellfamilie und Entwicklerbasis. Muse ist die neue Frontier-/Agentenfamilie von Meta Superintelligence Labs.

Der Wechsel ist keine simple Umbenennung: Muse Spark wurde als grundlegend überarbeiteter neuer Trainings- und Produktpfad vorgestellt.

13. Sozialer Kontext als Meta-Spezialität

Meta besitzt mit Facebook, Instagram, WhatsApp, Messenger und Threads einen riesigen sozialen Produktkontext.

Meta AI kann deshalb – je nach Region und Berechtigung – öffentliche Inhalte, Profile, Interaktionen und persönliche Präferenzen stärker einbeziehen als ein isolierter Modellserver.

14. Persönlichkeit und Datenschutz gehören zusammen

Je stärker Meta AI Inhalte, Likes, Profile, frühere Gespräche oder verbundene Apps nutzt, desto persönlicher kann die Antwort werden.

Damit wächst gleichzeitig die Bedeutung von Einwilligung, Memory-Kontrolle, Werbepersonalisierung und regionalen Datenschutzregeln.

15. AI Glasses als eigene Produktoberfläche

Ray-Ban Meta, Oakley Meta und Meta Ray-Ban Display verbinden Meta AI mit Kamera, Mikrofon, Lautsprechern und Umgebungswahrnehmung.

Ein Glasses-Assistent ist technisch ein anderer Daten- und Sicherheitskontext als ein Webchat.

16. 2026 ist ein Übergangsjahr

Am 1. September 2026 existieren Llama 4, Muse Spark 1.2, Muse Glimmer, Muse Image und weitere Meta-AI-Produkte nebeneinander.

Die aktuelle Meta-KI-Landschaft lässt sich deshalb nicht mit einer einzigen linearen Modellnummer beschreiben.

17. 24. Februar 2023: LLaMA

Meta stellte LLaMA als Foundation-Modellfamilie mit Größen bis 65 Milliarden Parametern für Forschung vor.

Die erste Generation war nicht als offenes kommerzielles Allzweckprodukt gedacht, sondern wurde unter einer nichtkommerziellen Forschungslizenz auf Antrag verteilt.

18. LLaMA – Large Language Model Meta AI

Die ursprüngliche Schreibweise war LLaMA.

Spätere Generationen wurden als „Llama“ geschrieben; historische Originalbezeichnungen bleiben zeitgenössisch erhalten.

19. LLaMA 7B, 13B, 33B und 65B

Die Familie zeigte, dass relativ kleinere Modelle bei guter Daten- und Trainingsstrategie mit deutlich größeren Modellen konkurrieren können.

Parameterzahl allein ist kein vollständiges Maß für Qualität.

20. Training auf öffentlich verfügbaren Daten

Meta beschrieb die LLaMA-Trainingsmischung als weitgehend auf öffentlich zugänglichen Daten basierend.

Die vollständige Reproduzierbarkeit der Trainingsdaten war dennoch nicht gegeben.

21. Forschungszugang

Meta verlangte bei LLaMA 1 zunächst einen genehmigten Zugang für Forschung, Zivilgesellschaft, Regierung und ausgewählte Industrie-Forschungslabore.

Das unterscheidet sich deutlich von der späteren breiteren Llama-2-Lizenz.

22. Unkontrollierte Verbreitung der LLaMA-1-Gewichte

Kurz nach der Veröffentlichung zirkulierten die Gewichte außerhalb des vorgesehenen Zugangssystems.

Die Episode zeigte praktisch, dass veröffentlichte Modellgewichte nach einmaliger Verbreitung kaum wieder kontrolliert werden können.

23. Lokale LLM-Welle

LLaMA 1 wurde zu einer wichtigen Grundlage für Quantisierung, lokale Inferenz und Community-Finetunes.

Projekte rund um llama.cpp machten deutlich, dass leistungsfähige LLMs nicht zwingend nur über große Cloud-APIs nutzbar sein müssen.

24. GGML/GGUF-Ökosystem

Lokale Laufzeitformate und Quantisierung reduzierten Speicherbedarf und ermöglichten Llama-Derivate auf PCs und Macs.

Quantisierung spart Speicher und Bandbreite, kann aber Genauigkeit und Toolzuverlässigkeit verändern.

25. Instruction-Finetunes der Community

Auf LLaMA entstanden zahlreiche Instruction-Finetunes und Forschungsprojekte.

Ein Community-Modell kann andere Daten, Safety-Eigenschaften und Lizenzbedingungen besitzen als das Meta-Basismodell.

26. 18. Juli 2023: Llama 2

Meta und Microsoft veröffentlichten Llama 2 als nächste Generation mit deutlich breiterer Forschungs- und kommerzieller Nutzung.

Die Modellgewichte und Startcode wurden in Pretrained- und Chat-Varianten angeboten.

27. Microsoft als bevorzugter Partner

Microsoft wurde beim Llama-2-Start als Preferred Partner genannt und brachte Llama auf Azure und Windows-nahe Entwicklerwege.

Die offene Modellstrategie schloss damit Partnerschaften mit großen Cloudanbietern ausdrücklich ein.

28. Llama 2: 7B, 13B und 70B

Die Familie deckte lokale und serverseitige Einsatzgrößen ab.

70B bot die höchste allgemeine Modellqualität, verlangte aber erheblich mehr Speicher und Rechenleistung.

29. 40 Prozent mehr Trainingsdaten

Meta beschrieb Llama 2 als auf deutlich mehr Daten als Llama 1 trainiert und mit verdoppelter Kontextlänge.

Mehr Daten bedeuten nicht automatisch weniger Halluzinationen.

30. Llama 2 Chat

Die Chatvarianten wurden mit Instruction-Daten und menschlichem Feedback auf hilfreichere und sicherere Dialoge abgestimmt.

Basismodell und Chatmodell sind deshalb nicht austauschbar.

31. RLHF bei Llama 2

Llama 2 Chat nutzte Reinforcement Learning from Human Feedback und über eine Million menschliche Annotationen.

RLHF optimiert Verhaltenspräferenzen, nicht automatisch Faktenwahrheit.

32. Llama-2-Community-Lizenz

Die Lizenz erlaubte breitere kommerzielle Nutzung, enthielt aber eigene Bedingungen und war keine Standard-Apache- oder MIT-Lizenz.

Für sehr große Plattformen und bestimmte Nutzungsszenarien gelten zusätzliche Anforderungen.

33. Responsible Use Guide

Meta veröffentlichte neben Modellgewichten Sicherheits- und Implementierungsleitlinien.

Bei open-weight Modellen liegt ein größerer Teil der System-Safety-Verantwortung beim Betreiber.

34. 24. August 2023: Code Llama

Code Llama war eine auf Llama 2 aufgebaute Modellfamilie für Codegenerierung und Codeverständnis.

Varianten deckten allgemeines Coding, Python und Instruction Following ab.

35. Code Llama 7B, 13B, 34B und später 70B

Die Familie bot unterschiedliche Größen und Spezialisierungen.

Code Llama 70B wurde im Januar 2024 nachgereicht.

36. Code Infilling

Einige Code-Llama-Varianten konnten fehlende Codeteile zwischen vorhandenem Präfix und Suffix ergänzen.

Infilling ist besonders nützlich für Editor- und Repositoryworkflows.

37. SeamlessM4T und andere Meta-Modelle

Parallel zu Llama veröffentlichte Meta spezialisierte offene Modelle für Übersetzung, Sprache und multimodale Aufgaben.

Nicht jede Meta-KI-Funktion stammt deshalb aus einem Llama-Modell.

38. 27. September 2023: Meta AI startet in Beta

Meta kündigte Meta AI für WhatsApp, Messenger und Instagram an; später folgten Smart Glasses und weitere Oberflächen.

Der frühe Assistent basierte auf einem angepassten Modell mit Llama-2-Technik und zusätzlichen Meta-Forschungskomponenten.

39. Bing als frühe Echtzeitsuche

Meta AI nutzte zum Start eine Suchpartnerschaft mit Bing für aktuelle Informationen.

Die Suchquelle war eine externe Toolschicht und nicht Bestandteil der Llama-2-Gewichte.

40. Emu für Bilder

Der frühe Meta-AI-Stack nutzte separate generative Bildtechnik, darunter Emu.

Textmodell und Bildmodell waren getrennte Komponenten.

41. 28 KI-Charaktere

Meta startete zusätzlich thematische KI-Charaktere mit unterschiedlichen Rollen und prominenten Gesichtern.

Persönlichkeit, Avatar und zugrunde liegendes Sprachmodell sind getrennte Produktkomponenten.

42. AI Studio als Zukunftsplan

Schon 2023 kündigte Meta Werkzeuge an, mit denen Creator und Unternehmen eigene AIs erstellen können.

AI Studio wurde 2024 breiter veröffentlicht und 2026 in dieser Form wieder eingeschränkt.

43. Meta AI in Gruppenchats

Der Assistent konnte direkt in WhatsApp- oder Messenger-Gruppen erwähnt werden.

Nur mit dem Assistenten geteilte Inhalte werden Teil der KI-Interaktion; private Gruppenkommunikation ist nicht automatisch Trainingsinput.

44. Soziale Einbettung

Meta AI wurde von Beginn an nicht nur als eigenständiger Chat, sondern als Funktion in sozialen Feeds, DMs und Gruppen gedacht.

Diese Integration unterscheidet Meta AI grundlegend von reinen Webchat-Produkten.

45. 18. April 2024: Llama 3

Meta veröffentlichte Llama 3 zunächst als 8B- und 70B-Modelle in Pretrained- und Instruction-Varianten.

Meta AI wurde gleichzeitig auf Llama-3-Technik umgestellt und international ausgeweitet.

46. Neuer Tokenizer

Llama 3 erhielt einen effizienteren Tokenizer mit größerem Vokabular.

Tokenizeränderungen beeinflussen Kontextverbrauch, Sprachabdeckung und Inferenzkosten.

47. Größerer Trainingsbestand

Meta trainierte Llama 3 auf wesentlich mehr Daten als frühere Generationen.

Die Datenpipeline wurde stärker auf Qualität, Mehrsprachigkeit und Filtering ausgerichtet.

48. Instruction Tuning

Die Instruct-Modelle kombinierten Supervised Fine-Tuning, Preference-Optimierung und Safety-Daten.

Das Basismodell ist für eigene Post-Training-Experimente geeigneter, die Instruct-Variante für direkten Dialog.

49. meta.ai als Weboberfläche

Meta AI wurde zusätzlich über eine eigene Weboberfläche zugänglich.

Damit war der Assistent nicht mehr nur an WhatsApp, Instagram, Messenger oder Facebook gebunden.

50. Meta AI in Suchfeldern

Meta integrierte den Assistenten in Such- und Feedkontexte seiner Apps.

Such- und Empfehlungsdaten erweitern Antworten, bergen aber auch das Risiko, Social-Media-Meinungen mit Fakten zu vermischen.

51. Schnelle Bilderzeugung

Meta AI erzeugte Bilder zunehmend bereits während der Texteingabe.

Interaktive Generierung ändert die Bedienung, nicht die Notwendigkeit einer Bildprüfung.

52. Llama 3 und globale Meta-AI-Ausweitung

Meta AI wurde 2024 in weitere Länder und Sprachen gebracht.

Europa blieb aufgrund regulatorischer Fragen zunächst zurück.

53. 2024: Verzögerung in Europa

Meta verschob den breiten EU-Start von Meta AI und multimodalen Llama-Funktionen wegen Datenschutz- und Regulierungsfragen.

Regionale Verfügbarkeit ist deshalb ein zentraler Teil der Meta-AI-Geschichte.

54. EU-Trainingsdebatte

Meta plante, öffentliche Beiträge und Kommentare erwachsener Nutzer in Europa für Foundation-Modelle einzubeziehen und bot Widerspruchsmöglichkeiten an.

Private Nachrichten mit Freunden und Familie wurden von Meta ausdrücklich nicht als allgemeines Trainingsmaterial beschrieben.

55. 23. Juli 2024: Llama 3.1

Llama 3.1 brachte 8B, 70B und erstmals 405B mit 128K Kontext, acht unterstützten Sprachen und verbessertem Tool Use.

405B wurde als erste offene Frontierklasse der Llama-Familie positioniert.

56. Llama 3.1 405B

Das 405B-Modell wurde auf mehr als 15 Billionen Tokens und über 16.000 H100-GPUs trainiert.

Die Größe machte Self-Hosting teuer, erlaubte aber Distillation und Synthetic-Data-Workflows für kleinere Modelle.

57. 405B bleibt dense

Meta setzte bei Llama 3.1 auf einen klassischen Decoder-only-Transformer statt Mixture of Experts.

MoE kam erst mit Llama 4 in die Hauptfamilie.

58. FP8 für 405B-Inferenz

Meta quantisierte das große Modell für Produktionsinferenz auf FP8.

Quantisierung senkt Speicher- und Rechenbedarf und muss auf Qualitätsverlust geprüft werden.

59. 128K Kontext

Die gesamte 3.1-Familie erhielt eine stark verlängerte Kontextlänge.

Kontextfenster und dauerhaftes Memory bleiben unterschiedliche Konzepte.

60. Tool Use

Meta positionierte 3.1 ausdrücklich für Agenten- und Tool-Calling-Anwendungen.

Ein Foundation-Modell kann Toolaufrufe vorschlagen; die Anwendung muss Rechte und Ausführung kontrollieren.

61. Llama Stack

Mit Llama 3.1 schlug Meta standardisierte Schnittstellen für Inferenz, Tools, RAG, Safety und Agentenanwendungen vor.

Das Ziel war ein portabler System-Stack rund um verschiedene Llama-Deployments.

62. Llama Guard 3

Llama Guard 3 wurde als multilingualer Input-/Output-Safety-Classifier veröffentlicht.

Ein Guard-Modell ist eine zusätzliche Schutzschicht, nicht Teil der eigentlichen Modellwahrheit.

63. Prompt Guard

Prompt Guard klassifiziert Inputs auf Prompt Injection und Jailbreakversuche.

Erkennung kann False Positives und False Negatives haben und braucht anwendungsspezifische Tests.

64. CyberSecEval 3

CyberSecEval erweitert Sicherheitsbewertungen unter anderem auf Phishing, offensive Cyberoperationen und bildbasierte Prompt Injection.

Evaluation ist ein Messwerkzeug und keine automatische Runtime-Sperre.

65. 405B in Meta AI

Meta erlaubte in ausgewählten Regionen die Nutzung des 405B-Modells für schwierige Mathematik- und Codingfragen.

Consumer-Routing und lokale Downloads sind getrennte Nutzungsformen.

66. Imagine Me

Meta AI führte personalisierte Bildgenerierung ein, bei der Nutzer sich selbst in neuen Szenen darstellen lassen konnten.

Persönliche Bildmodelle verarbeiten biometrisch und identitätsnah wirkende Inhalte besonders sensibel.

67. Meta AI wird mehrsprachiger

Meta erweiterte 2024 die Sprachunterstützung unter anderem um Deutsch, Französisch, Hindi, Italienisch, Portugiesisch und Spanisch.

Sprachsupport der App ist nicht identisch mit Trainingssprachabdeckung eines Foundation-Modells.

68. 29. Juli 2024: AI Studio

AI Studio erlaubte Nutzern und Creatorn, eigene KI-Charaktere mit Name, Persönlichkeit, Ton und Avatar zu erstellen.

Es basierte auf Llama-3.1-Technik, blieb aber eine Endnutzer-/Creatorplattform und keine Foundation-Modell-Trainingsumgebung.

69. 25. September 2024: Llama 3.2

Meta veröffentlichte mit Llama 3.2 erstmals offizielle Vision-Modelle sowie besonders kleine Textmodelle für Edge- und Mobilgeräte.

Die Familie teilte sich in 1B/3B Text und 11B/90B Vision.

70. Llama 3.2 1B

Das 1B-Modell zielte auf lokale Aufgaben wie Zusammenfassung, Umformulierung und einfache Agentenschritte.

Sehr kleine Modelle sind schnell und privat betreibbar, haben aber deutlich weniger allgemeine Modellkapazität.

71. Llama 3.2 3B

3B bot mehr Qualität bei weiterhin on-device-tauglichem Footprint.

Meta arbeitete mit Qualcomm, MediaTek und Arm an optimierter Bereitstellung.

72. Llama 3.2 11B Vision

Das 11B-Modell verband Sprachmodell und Bildverständnis.

Es eignete sich für visuelle Frage-Antwort-, Dokument- und Bildanalyseaufgaben.

73. Llama 3.2 90B Vision

90B war die größere Vision-Variante für anspruchsvollere multimodale Anwendungen.

Die Speicher- und Rechenanforderungen liegen deutlich über mobilen 1B/3B-Modellen.

74. Vision-Architektur

Die Visionmodelle wurden so gestaltet, dass visuelle Fähigkeiten an die bestehende Llama-Sprachbasis angebunden werden konnten.

Multimodale Ausgabe und multimodales Verständnis sind verschiedene Fähigkeiten.

75. Edge AI

Llama 3.2 brachte die Llama-Familie offiziell auf Smartphones, PCs und andere Edge-Geräte.

Edge-Nutzung kann Offlinefähigkeit und Datenkontrolle verbessern.

76. ExecuTorch

Meta nutzte PyTorch ExecuTorch als wichtigen Laufzeitpfad für mobile und eingebettete Inferenz.

Ein Modellformat und eine Laufzeit bestimmen, welche Quantisierung und Hardwarebeschleunigung nutzbar ist.

77. Ollama und Llama Stack

Meta nannte Ollama als Single-Node-Verteilung für Llama Stack.

Community-Laufzeiten sind ein zentraler Teil der praktischen Open-Weight-Nutzung.

78. Llama Stack wird praktisch

Mit 3.2 veröffentlichte Meta CLI, Clients, Container und Distributionen für Cloud, On-Prem, Single-Node und On-Device.

Die Standardisierung sollte Anwendungen weniger abhängig von einem einzelnen Inferenzanbieter machen.

79. Llama Guard 3 Vision

Eine Visionvariante des Guard-Modells sollte Text- und Bildeingaben beziehungsweise Textantworten auf Sicherheitskategorien prüfen.

Safety für multimodale Systeme benötigt andere Tests als reine Textfilter.

80. Kleiner Llama Guard 3 1B

Meta veröffentlichte eine stark verkleinerte, quantisierte Guard-Variante für Edge-Szenarien.

Ein lokales Schutzmodell ist nützlich, wenn Daten nicht erst zur Moderation in die Cloud geschickt werden sollen.

81. Quantisierte 1B/3B-Modelle

Meta veröffentlichte optimierte Quantisierungen für geringeren Speicherbedarf und höhere Geschwindigkeit.

Quantisierung verändert die Repräsentationsgenauigkeit und sollte für den konkreten Task evaluiert werden.

82. September 2024: Voice in Meta AI

Meta AI erhielt Sprachdialoge und mehrere auswählbare Stimmen.

Voice besteht aus Speech Recognition, Sprachmodell, Toolzugriff und Speech Synthesis.

83. Prominente Stimmen

Meta bot zeitweise Stimmen bekannter Persönlichkeiten als Ausgabestile an.

Eine Stimme ist kein eigenes Intelligenzmodell.

84. Fotos an Meta AI senden

Meta AI konnte Bilder analysieren, Fragen zu ihnen beantworten und Bearbeitungswünsche umsetzen.

Bildverstehen und Bildbearbeitung können unterschiedliche Modellkomponenten verwenden.

85. KI-Übersetzung von Reels

Meta testete automatische Übersetzung, Dubbing und Lip-Sync für Creator-Videos.

Übersetzungs- und Generationsfehler können Sinn, Ton und Identität verändern.

86. KI-generierte Feed-Inhalte

Meta experimentierte mit personalisierten KI-generierten Inhalten in Facebook- und Instagram-Feeds.

Empfehlungssystem, generatives Modell und soziale Distribution greifen dabei ineinander.

87. Dezember 2024: Llama 3.3 70B

Llama 3.3 70B wurde als text-only Modell veröffentlicht, das bei deutlich niedrigerem Serving-Aufwand ähnliche Leistung wie Llama 3.1 405B erreichen sollte.

Die Generation zeigte, wie Distillation und bessere Post-Training-Rezepte große Qualitätsgewinne ohne 405B Deploymentkosten ermöglichen.

88. Ende 2024: über 650 Millionen Llama-Downloads

Meta berichtete von starkem Wachstum des offenen Ökosystems und zehntausenden Derivaten auf Hugging Face.

Downloadzahlen messen Verbreitung, nicht aktive produktive Instanzen.

89. Meta AI nähert sich 600 Millionen monatlichen Nutzern

Meta nannte Ende 2024 nahezu 600 Millionen monatlich aktive Meta-AI-Nutzer.

Die Zahl umfasst verschiedene Oberflächen und nicht nur meta.ai.

90. Business Agents

Meta testete bereits 2024/25 KI-Agenten für Unternehmen in Messagingprodukten.

Support-, Commerce- und Verkaufsagenten benötigen strengere Aktions- und Datenschutzregeln als allgemeine Chatbots.

91. Januar 2025: Meta-AI-Memory

Meta begann, bestimmte Details aus 1:1-Chats in WhatsApp und Messenger für spätere personalisierte Antworten zu speichern.

Memory wurde nicht auf Gruppenchats angewandt und konnte von Nutzern gelöscht werden.

92. Personalisierung über Meta-Produkte

Meta AI begann, bereits freigegebene Profil- und Interaktionsinformationen stärker für relevante Antworten zu nutzen.

Persönlicher Kontext kann Nutzen erhöhen, aber auch Filterblasen und Datenschutzrisiken verstärken.

93. 19. März 2025: Meta AI startet in Europa

Meta begann Meta AI in 41 europäischen Ländern und 21 Überseegebieten auszurollen.

Der Start war zunächst funktional eingeschränkter als in Nordamerika.

94. Sechs europäische Sprachen zum Start

Die europäische Meta-AI-Version startete als intelligenter Chat in sechs Sprachen.

Funktionsparität zu US-Versionen wurde schrittweise angestrebt.

95. Webinformationen in Europa

Meta AI konnte in Europa aktuelle Webinformationen in Chats einbeziehen.

Webzugriff ist Grounding, kein Beleg für perfekte Aktualität.

96. Soziale Inhalte als Suchkontext

Meta AI kann passende Reels, Posts und öffentliche Inhalte aus Meta-Produkten als Kontext zeigen.

Öffentliche Communitymeinungen sind keine verifizierten Fakten.

97. April 2025: Meta kündigt EU-Training mit öffentlichen Erwachseneninhalten an

Meta erklärte, öffentliche Beiträge und Kommentare Erwachsener sowie Interaktionen mit Meta AI für die Verbesserung generativer Modelle nutzen zu wollen.

Nutzer in der EU erhalten Widerspruchsmöglichkeiten.

98. Private Nachrichten sind nicht pauschal Trainingsmaterial

Meta erklärt, private Nachrichten mit Freunden und Familie nicht für Training zu verwenden, sofern Inhalte nicht bewusst mit einer KI-Funktion geteilt werden.

Das Teilen einer Nachricht mit Meta AI schafft einen neuen Datenpfad.

99. EU-Inhalte Minderjähriger

Öffentliche Daten von Konten unter 18 Jahren werden laut Meta nicht für dieses Training verwendet.

Altersklassifizierung und Plattformregeln bleiben separate Systeme.

100. 5. April 2025: Llama 4

Meta veröffentlichte Llama 4 Scout und Llama 4 Maverick als erste nativ multimodale Open-Weight-Llama-Modelle mit Mixture-of-Experts-Architektur.

Behemoth wurde nur als großer Teacher in Training vorgestellt.

101. Llama 4 Scout

Scout besitzt 17 Milliarden aktive Parameter, 16 Experten und rund 109 Milliarden Gesamtparameter.

Meta positionierte Scout für effiziente multimodale Inferenz und extrem langen Kontext.

102. 10-Millionen-Token-Kontext

Scout unterstützt laut Meta bis zu 10 Millionen Input-Tokens durch Long-Context-Techniken.

Die Basis wurde auf kürzerem Kontext trainiert; extreme Kontextlängen beruhen auf Generalisierung und müssen praxisnah evaluiert werden.

103. Scout auf einer H100

Mit Int4-Quantisierung soll Scout auf eine einzelne NVIDIA H100 passen.

„Passt auf eine GPU“ sagt noch nichts über Latenz, Batchgröße und volle Kontextnutzung.

104. Llama 4 Maverick

Maverick besitzt 17 Milliarden aktive Parameter, 128 routed Experts und rund 400 Milliarden Gesamtparameter.

Es ist Metas allgemeines Llama-4-Workhorse für Chat, Bildverständnis und kreative Aufgaben.

105. Maverick auf einem H100-Host

Meta beschrieb Maverick als auf einem einzelnen H100-DGX-Host betreibbar.

Der tatsächliche Hardwarepfad hängt von Quantisierung und Inferenzframework ab.

106. Mixture of Experts

Mit Llama 4 wechselte Meta von dense Llama-3-Architekturen zu MoE.

Nur ein Teil der Gesamtparameter wird pro Token aktiviert, wodurch Rechenkosten relativ zur Gesamtkapazität sinken.

107. Early Fusion Multimodality

Text- und Visiontokens werden in Llama 4 früh in einem gemeinsamen Backbone verarbeitet.

Native Multimodalität verbessert gemeinsame Repräsentation, ersetzt aber keine spezialisierten Mediengeneratoren.

108. Über 30 Billionen Trainingstokens

Meta beschrieb eine multimodale Trainingsmischung aus Text, Bild und Videodaten mit mehr als doppelt so vielen Tokens wie bei Llama 3.

Trainingsmenge allein erklärt nicht Modellqualität.

109. 200 Sprachen im Pretraining

Llama 4 wurde auf sehr vielen Sprachen vortrainiert, mehr als 100 davon mit jeweils über einer Milliarde Tokens.

Breite Pretrainingabdeckung ist nicht identisch mit gleich hoher Instruction-Qualität in allen Sprachen.

110. MetaP

Meta führte MetaP als Methode zur robusteren Übertragung wichtiger Trainings-Hyperparameter über Modellgrößen und Trainingsbedingungen ein.

Solche Trainingsmethoden sind Infrastrukturdetails und keine Endnutzerfunktion.

111. Llama 4 Behemoth

Behemoth wurde als multimodaler MoE-Teacher mit 288 Milliarden aktiven Parametern, 16 Experten und nahezu zwei Billionen Gesamtparametern vorgestellt.

Am 5. April 2025 war Behemoth ausdrücklich noch in Training und wurde nicht als Downloadmodell veröffentlicht.

112. Behemoth nicht als reguläres Release behandeln

Scout und Maverick wurden veröffentlicht; Behemoth diente als Teacher und Preview.

Spätere Listen dürfen nicht so tun, als sei Behemoth automatisch Teil der frei verfügbaren Llama-4-Downloads gewesen.

113. Codistillation

Maverick wurde während des Trainings von Behemoth als Teacher verbessert.

Distillation überträgt Verhalten und Wissen, ohne die komplette Größe des Teacher-Modells zu übernehmen.

114. Post-Training von Llama 4

Meta beschrieb eine Folge aus leichtem SFT, Online-RL und leichtem DPO.

Mehr Reinforcement Learning sollte besonders Reasoning, Coding und Instruction Following stärken.

115. Meta AI nutzt Llama 4

Scout/Maverick-Technik wurde in Meta AI auf WhatsApp, Messenger, Instagram Direct und meta.ai eingebracht.

Welche interne Route eine konkrete Anfrage erhielt, war nicht immer für Nutzer sichtbar.

116. 29. April 2025: erstes LlamaCon

Meta veranstaltete erstmals eine eigene Entwicklerkonferenz rund um Llama.

Der Fokus verschob sich vom Modellrelease zum gesamten Entwicklerökosystem.

117. Llama API Preview

Meta startete eine begrenzte Llama-API-Preview mit API Keys, Playground, Python/TypeScript SDK und OpenAI-SDK-Kompatibilität.

Meta wollte Cloudkomfort anbieten, ohne den Anspruch auf portable Gewichte aufzugeben.

118. Prompts in der Llama-API-Preview

Meta erklärte, Prompts und Modellantworten der Llama API nicht zum Training der eigenen Modelle zu verwenden.

API-Datenschutz darf nicht pauschal auf Consumer-Meta-AI übertragen werden.

119. Fine-Tuning und Evaluation

Die Llama API bot Werkzeuge zur Anpassung und Evaluation eigener Modellvarianten.

Ein eigener Finetune kann Safety-Eigenschaften des Basismodells verändern.

120. Llama 3.3 8B in der API-Toolchain

Meta zeigte 2025 auch kleinere anpassbare Llama-3.3-Modelle in der Entwicklerplattform.

Modellverfügbarkeit in einer API kann sich von den prominentesten Open-Weight-Releases unterscheiden.

121. Llama Guard 4

Llama Guard 4 vereinte Schutz für Text- und Bildverständnis.

Das Guard-Modell ist anpassbar und kann auch bei Nicht-Llama-Systemen eingesetzt werden.

122. LlamaFirewall

LlamaFirewall orchestriert mehrere Schutzkomponenten für Prompt Injection, unsicheren Code und riskante Plugin-/Toolinteraktionen.

System-Safety ist bei Agenten wichtiger als reine Inhaltsmoderation.

123. Prompt Guard 2

Meta veröffentlichte größere und kleinere Prompt-Guard-2-Varianten.

Kleinere Klassifikatoren reduzieren Latenz, können aber andere Fehlerprofile haben.

124. Private Processing

Meta zeigte 2025 eine Architektur, mit der AI-Anfragen in geschützter Infrastruktur verarbeitet werden können.

Diese Forschung wurde 2026 Grundlage für Incognito Chat.

125. 29. April 2025: eigenständige Meta AI App

Meta veröffentlichte erstmals eine separate Meta-AI-App für iOS und Android, weiterhin verbunden mit meta.ai und Meta-AI-Glasses.

Die App war mit Llama 4 gebaut und legte starken Fokus auf Voice und Personalisierung.

126. Discover Feed

Die App enthielt einen Feed, in dem Nutzer Prompts und AI-Ergebnisse teilen oder remixen konnten.

Nichts sollte automatisch öffentlich geteilt werden; Veröffentlichung war eine separate Nutzeraktion.

127. Memory in der Meta AI App

Nutzer konnten Meta AI explizit Dinge merken lassen und zusätzliche Personalisierung aus Meta-Profilkontext erhalten.

Memory und soziale Profildaten sind unterschiedliche Quellen.

128. Accounts Center

Verknüpfte Facebook- und Instagram-Konten konnten in unterstützten Regionen stärkere Personalisierung liefern.

Kontoverknüpfung erweitert den Kontext, aber auch die Datenschutzfläche.

129. Meta AI App als Glasses-Companion

Die eigenständige App übernahm die Geräteverwaltung für Meta AI Glasses.

Assistent, Device Management und Social Feed wurden damit in einer App zusammengeführt.

130. Voice-First

Meta beschrieb die neue App als besonders auf natürliche Sprachunterhaltung ausgelegt.

Voice-Qualität und Modellreasoning bleiben getrennte technische Ebenen.

131. April 2025: Vision auf AI Glasses in Deutschland

Meta erweiterte Meta AI auf Ray-Ban Meta Glasses unter anderem nach Deutschland und brachte Fragen zur sichtbaren Umgebung sowie Live-Übersetzung in mehr EU-Länder.

Glasses-Vision verarbeitet sensible Umgebungsinformationen und Personen im Blickfeld.

132. März 2025: Llama überschreitet eine Milliarde Downloads

Meta meldete mehr als eine Milliarde Downloads der Llama-Familie und ihrer offiziellen Distributionen.

Die Zahl beschreibt die enorme Verbreitung des Ökosystems, nicht eine Milliarde aktive Installationen.

133. Llama als Ökosystem

Cloudanbieter, Hardwarehersteller, Inferenzframeworks, Finetuning-Tools und lokale Runtime-Projekte machten Llama zu einer Plattform statt nur zu einer Modellreihe.

Das offene Ökosystem ist einer der größten Unterschiede zu rein proprietären API-Produkten.

134. Edge- und On-Prem-Verbreitung

Llama wurde 2024/25 auf PCs, Smartphones, Servern, Private Clouds und On-Prem-Appliances betrieben.

Diese Deploymentfreiheit ist für Datenschutz und Kosten oft wichtiger als ein Benchmarkpunkt.

135. März 2025: über 700 Millionen monatliche Meta-AI-Nutzer

Beim europäischen Start nannte Meta mehr als 700 Millionen monatlich aktive Nutzer.

Meta AI umfasst dabei mehrere Apps und Oberflächen.

136. 2025: mehr als eine Milliarde Meta-AI-Nutzer

Meta meldete später 2025 mehr als eine Milliarde Menschen, die Meta AI monatlich nutzen.

Die Größenordnung wird durch die tiefe Integration in WhatsApp, Instagram, Facebook und Messenger ermöglicht.

137. 25. September 2025: Vibes

Meta führte in der Meta AI App und auf meta.ai einen Feed für KI-generierte Kurzvideos ein.

Nutzer können Videos erzeugen, remixen, mit Musik versehen und in Meta-Produkte weiterteilen.

138. AI-Video wird sozial

Vibes verbindet generative Medien mit einem Empfehlungsfeed.

Das Produkt ist damit nicht nur Generator, sondern zugleich Discovery- und Social-Surface.

139. Remix

Bestehende generierte Videos können als Ausgangspunkt für eigene Varianten dienen.

Remixfähigkeit wirft Fragen zu Urheberrecht, Attribution und Identitätsmanipulation auf.

140. 6. November 2025: Vibes kommt nach Europa

Meta brachte die neue Meta-AI-App-Erfahrung mit Vibes nach Europa.

Europa erhielt damit eine eigenständige Meta-AI-App zusätzlich zur Integration in die bekannten Meta-Apps.

141. Generative Videos in Europa

Die europäische App brachte Erstellung, Remix und Teilen von AI-Videos in einen dedizierten Bereich.

Regionale Schutz- und Transparenzpflichten bleiben dabei relevant.

142. AI-Interaktionen beeinflussen Empfehlungen

Meta kündigte an, Interaktionen mit generativen AI-Funktionen für personalisierte Content- und Werbeempfehlungen zu verwenden.

Ein Gespräch mit Meta AI kann dadurch indirekt auch die übrige Plattformpersonalisierung beeinflussen.

143. Werbepersonalisierung

Seit Ende 2025 können Meta-AI-Interaktionen in unterstützten Regionen in die Personalisierung von Anzeigen und Feeds einfließen.

Das unterscheidet Meta AI deutlich von Assistenzprodukten ohne werbefinanziertes Plattformökosystem.

144. Feed- und Werbekontrollen

Meta verweist auf Ads Preferences und Feedsteuerung als Kontrollmöglichkeiten.

Diese Einstellungen sind von Chat-Memory und AI-Trainingswiderspruch getrennt.

145. September 2025: Ray-Ban Meta Gen 2

Die zweite Generation der AI Glasses verbesserte Akku, Kamera und Meta-AI-Nutzung.

Hardwareentwicklung und Foundation-Modellentwicklung verlaufen parallel.

146. Meta Ray-Ban Display

Meta stellte 2025 AI Glasses mit Display und EMG-Armband vor.

Eine sichtbare Ausgabe im Blickfeld erweitert Meta AI von Audioassistent zu kontextuellem Wearable-Interface.

147. Meta Neural Band

Das EMG-Armband übersetzt Muskelaktivität in Steuerbefehle.

Diese Eingabeschicht ist kein Sprachmodell, erweitert aber die Mensch-KI-Schnittstelle erheblich.

148. AI Glasses und Barrierefreiheit

Meta dokumentierte Nutzung für Objektbeschreibung, Übersetzung, Kommunikation und Unterstützung blinder oder sehbehinderter Menschen.

Assistive Nutzung verlangt besonders konservative Fehlerkommunikation.

149. Mehr Sprachen auf AI Glasses

Meta erweiterte Voice und Live Translation schrittweise um weitere Sprachen.

Sprachverfügbarkeit hängt von Region, Hardwaregeneration und Appversion ab.

150. AI Studio bleibt 2025 aktiv

Creator und Nutzer konnten weiterhin eigene Charaktere und Creator-AIs auf Basis der Llama-Infrastruktur betreiben.

Diese Produktlinie wurde 2026 zugunsten der neuen Muse-Ausrichtung zurückgefahren.

151. Business AIs

Meta arbeitete an KI-Agenten für Unternehmen, die Support, Beratung und Commerce innerhalb von Messagingprodukten unterstützen.

Ein Business-Agent benötigt Identitäts-, Zahlungs- und Eskalationsregeln.

152. Llama 4 auf vielen Cloudplattformen

Scout und Maverick wurden über ein breites Partnernetz aus Cloud-, Hardware- und Inferenzanbietern angeboten.

Ein Llama-4-Modell auf Bedrock, Azure, Vertex-Partnerdiensten oder Self-Hosting kann unterschiedliche Tool- und Datenschutzschichten besitzen.

153. Behemoth blieb kein regulärer Download

Metas öffentliches 2025er Llama-4-Release bestand praktisch aus Scout und Maverick.

Behemoth bleibt in der Chronik als Teacher-/Previewprojekt und nicht als gleichwertige allgemein freigegebene Variante.

154. Frontier AI Framework

Meta veröffentlichte ein Framework zur Bewertung besonders schwerwiegender Risiken fortgeschrittener Modelle.

2026 wurde dieser Ansatz durch ein erweitertes Advanced AI Scaling Framework ersetzt.

155. Agents Rule of Two

Meta-Forschung formulierte einen praktischen Sicherheitsansatz für Agenten: riskante Kombinationen aus untrusted input, sensitiven Daten und externen Aktionen sollen durch mindestens eine zusätzliche Kontrollschicht begrenzt werden.

Die Regel ist ein Architekturprinzip und keine Garantie gegen Agentenfehler.

156. Meta Superintelligence Labs

2026 bündelte Meta seine fortgeschrittene Modellarbeit stärker unter Meta Superintelligence Labs, kurz MSL.

Die neue Einheit markiert einen Bruch zur rein Llama-zentrierten Produktgeschichte.

157. Personal Superintelligence

Meta beschreibt das langfristige Ziel als persönliche Superintelligenz: sehr leistungsfähige Agenten, die individuelle Ziele, Beziehungen, Gesundheit, Arbeit und Kreativität unterstützen.

Das ist ein strategisches Zielbild, keine einzelne heute verfügbare Funktion.

158. 8. April 2026: Muse Spark

Meta veröffentlichte Muse Spark als erstes Modell der neuen Muse-Familie und als erstes großes Produkt der neu aufgebauten MSL-Modellentwicklung.

Muse Spark ist nativ multimodal, reasoningorientiert und für Tool Use sowie Multi-Agent-Orchestrierung ausgelegt.

159. Muse Spark ist keine Llama-4.x-Version

Meta stellte Muse als neue Serie nach einem grundlegenden Umbau der AI-Entwicklung vor.

Die Chronik behandelt Muse deshalb als neue Modellfamilie, nicht als Llama 4.5.

160. Muse Spark übernimmt Meta AI

Muse Spark wurde im April 2026 zum Modellpfad in Meta AI App und meta.ai und anschließend schrittweise in WhatsApp, Instagram, Facebook, Messenger, Threads und AI Glasses ausgerollt.

Meta AI behält seinen Produktnamen, obwohl sich die Modellfamilie darunter ändert.

161. Instant und Thinking

Die neue Meta-AI-Erfahrung unterscheidet schnelle Antworten und einen Thinking-Modus für komplexere Reasoningaufgaben.

Modus und Modellgeneration sind getrennte Parameter.

162. Nativ multimodales Muse Spark

Muse Spark verarbeitet Text, Bilder und weitere multimodale Informationen innerhalb eines gemeinsamen Agentenpfads.

Meta nutzt die Fähigkeiten besonders für visuelle Suche, Shopping und Wearables.

163. Visual Chain of Thought

Meta beschreibt Muse Spark mit visueller Reasoningfähigkeit, die Bildinformationen aktiv in mehrstufige Problemlösung einbezieht.

Der Begriff ist eine Modellfähigkeitsbeschreibung und nicht automatisch ein offen ausgegebener vollständiger interner Gedankengang.

164. Multi-Agent-Orchestrierung

Muse Spark kann komplexe Aufgaben auf mehrere Agenten beziehungsweise Subprozesse verteilen.

Parallelisierung erhöht Geschwindigkeit, kann aber gemeinsame Fehler vervielfachen.

165. Tool Use

Muse Spark ist darauf ausgelegt, externe Werkzeuge und Datenquellen einzusetzen.

Toolrechte müssen weiterhin außerhalb des Modells kontrolliert werden.

166. Shopping mit sozialem Kontext

Meta AI kann Shoppingfragen mit öffentlichen Inhalten von Marken, Creatorn und Communities verbinden.

Empfehlungen können durch Popularität und Plattforminteressen beeinflusst sein.

167. Grounding in öffentlichen Meta-Inhalten

Muse-basierte Meta-AI-Antworten können Reels, Posts, Orte und öffentliche Communityinhalte einbetten.

Social Grounding liefert menschliche Erfahrungen, aber nicht automatisch verifizierte Fakten.

168. Side Chats in Gruppengesprächen

Meta testete private Seitengespräche mit Meta AI aus dem Kontext einer Gruppe heraus.

Gruppenkontext sollte nur in dem Umfang einfließen, den die konkrete Funktion ausdrücklich freigibt.

169. Meta AI in Threads

@meta.ai-ähnliche Interaktionen bringen den Assistenten direkt in öffentliche Diskussionen.

Öffentliche Antwort und privater Assistentenchat besitzen unterschiedliche Sichtbarkeit.

170. Advanced AI Scaling Framework

Meta ersetzte beziehungsweise erweiterte sein Frontier-Framework durch ein strengeres Advanced AI Scaling Framework.

Bewertet werden unter anderem chemisch-biologische Risiken, Cybersecurity und Loss of Control.

171. Safety & Preparedness Reports

Für fortgeschrittene Muse-Modelle veröffentlicht Meta gesonderte Sicherheits- und Bereitschaftsberichte.

Diese Berichte sind wichtigere Primärquellen als Marketingtexte für Risikobewertung.

172. 13. Mai 2026: Incognito Chat

Meta startete Incognito Chat in WhatsApp und der Meta AI App als besonders private AI-Unterhaltung.

Die Verarbeitung basiert auf WhatsApps Private-Processing-Technik und soll so erfolgen, dass selbst Meta den Chatinhalt nicht einsehen kann.

173. Verschwindende Incognito-Chats

Incognito-Unterhaltungen verschwinden standardmäßig und sind nicht Teil des normalen Meta-AI-Memorypfads.

Privatmodus und normale Meta-AI-Chats müssen deshalb getrennt beurteilt werden.

174. Incognito ist kein Standard für alle Chats

Die besondere Private-Processing-Architektur gilt für den expliziten Incognito-Modus.

Normale Meta-AI-Konversationen dürfen nicht automatisch mit denselben Datenschutzannahmen bewertet werden.

175. 15. Juni 2026: AI Mode auf Facebook

Facebook erhielt einen AI-gestützten Suchmodus, der Antworten aus öffentlichen Meinungen, Empfehlungen und Inhalten im Meta-Ökosystem zusammenstellen kann.

Social Search unterscheidet sich von klassischer Websuche.

176. Camera-Roll-Vorschläge

Meta betonte bei neuen Facebook-Creative-Funktionen, dass Camera-Roll-Sharingvorschläge opt-in bleiben.

Lokale Fotobibliotheken enthalten besonders sensible Inhalte.

177. 7. Juli 2026: Muse Image

Meta Superintelligence Labs veröffentlichte Muse Image als bisher fortgeschrittenstes Meta-Bildmodell für Generierung, Editing und mehrere Referenzen.

Das Modell arbeitet agentisch und kann Tools nutzen, statt nur direkt Prompt zu Pixel abzubilden.

178. Agentische Bildgenerierung

Muse Image kann Suche und Codewerkzeuge einsetzen, um Layout, Diagramme, QR-Codes oder visuelle Genauigkeit zu verbessern.

Mehr Tool Use macht Bilder überprüfbarer, aber auch den Ausführungspfad komplexer.

179. Selbstverfeinerung

Das Bildmodell kann Generierungen analysieren und iterativ verbessern.

Selbstprüfung reduziert Fehlerwahrscheinlichkeit, garantiert aber keine dokumentarische Wahrheit.

180. Instagram-Kontext

Meta beschreibt Muse Image als Modell, das auch sozialen visuellen Kontext aus Instagram nutzen kann.

Social Context kann Trends und Stile widerspiegeln und wirft zusätzliche Daten- und Rechtefragen auf.

181. Muse Video

Meta previewte Muse Video mit hoher visueller Qualität und nativer Audio-Unterstützung.

Am Stichtag ist die Medienlinie jünger und weniger stabil als etablierte Llama-Textmodelle.

182. 9. Juli 2026: Muse Spark 1.1

Muse Spark 1.1 verbesserte Agenten, Computer Use, Coding und multimodales Verständnis und wurde im Thinking-Modus in Meta AI verfügbar.

Meta öffnete gleichzeitig die neue Meta Model API als Public Preview.

183. 1-Million-Token-Kontext

Muse Spark 1.1 verwaltet ein Kontextfenster von einer Million Tokens und kann lange Agentensitzungen durch aktive Kontextverwaltung und Compaction stabilisieren.

Großer Kontext ist trotzdem kein unfehlbares Langzeitgedächtnis.

184. Context Compaction

Muse Spark 1.1 verdichtet ältere Arbeitszustände, um kritische Informationen für lange Aufgaben verfügbar zu halten.

Komprimierung kann Details verlieren; harte Anforderungen gehören in stabile Dateien oder Kontrolllisten.

185. Computer Use

Muse Spark 1.1 kann Anwendungen bedienen, zwischen Oberflächen wechseln und situationsabhängig entscheiden, wann Script-Automation effizienter als Klicken ist.

Computer Use hat reale Seiteneffekte und benötigt klare Freigaben.

186. Main Agent und Subagents

Das Modell kann als Hauptagent planen und Teilaufgaben parallel delegieren oder selbst als spezialisierter Subagent arbeiten.

Subagenten brauchen eindeutige Verantwortlichkeiten.

187. Coding mit großen Repositories

Muse Spark 1.1 wurde auf komplexe Debugging-, Feature- und Migrationsaufgaben trainiert.

Tests und Diff-Review bleiben Pflicht.

188. Video, Bilder, PDFs und Audio

Meta beschreibt Muse Spark 1.1 als umfassend multimodal für Wahrnehmung und agentische Workflows.

Die API-/Produktoberfläche bestimmt, welche Modalität konkret nutzbar ist.

189. Meta Model API

Mit Muse Spark 1.1 startete Meta einen neuen selbstbedienbaren Entwicklerzugang für Muse-Modelle.

Dieser API-Pfad ersetzt nicht automatisch Llama-Self-Hosting.

190. OpenAI-kompatible API-Muster

Meta Model API unterstützt verbreitete OpenAI-SDK-kompatible Zugriffsmuster.

Syntaxkompatibilität bedeutet nicht identische Modell-, Tool- oder Datenschutzsemantik.

191. 24. Juli 2026: Meta AI handelt

Meta erweiterte Meta AI um Aufgabenplanung und Aktionen über E-Mail-, Kalender- und andere Appverbindungen.

Der Assistent bewegt sich damit vom Antwortsystem zum persönlichen Agenten.

192. Daily Briefings

Meta AI kann verbundene Informationen zu täglichen Übersichten zusammenführen.

Priorisierung kann wichtige Informationen auslassen und muss kontrollierbar bleiben.

193. Research Reports

Meta AI kann längere Rechercheaufgaben über mehrere Quellen ausführen.

Quellenrangfolge und Aktualität bleiben entscheidend.

194. Slides erstellen

Meta AI kann Präsentationsentwürfe beziehungsweise Slides als Teil agentischer Aufgaben erzeugen.

Layoutqualität und Faktenqualität müssen getrennt geprüft werden.

195. Moodboards

Visuelle Recherche und Muse Image können zu Moodboards und Designideen kombiniert werden.

Urheberrechtlich geschützte Referenzen sollten nicht unkritisch übernommen werden.

196. 5. August 2026: Muse Spark 1.2

Muse Spark 1.2 ist ein codingorientiertes Update von Spark 1.1 mit Verbesserungen bei Codegenerierung, komplexem Debugging, Codebase-Verständnis und End-to-End-Entwicklerworkflows.

Es bleibt auch für allgemeine Agentenaufgaben ausgelegt.

197. Muse Code

Muse Code ist Metas Terminal-Coding-Agent in Beta, der von Muse Spark 1.2 angetrieben wird.

Der Agent plant, implementiert und validiert komplexe Änderungen über große Repositories.

198. Persistente Hintergrundagenten

Muse Code hält spezialisierte Subagenten über die gesamte Sitzung aktiv, statt sie für jeden Einzelschritt neu zu starten.

Das reduziert redundante Recherche, erhöht aber den parallel gehaltenen Arbeitszustand.

199. Isolierte Git-Worktrees

Parallel arbeitende Muse-Code-Agenten können getrennte Worktrees verwenden.

Isolation reduziert Merge-Konflikte, verhindert aber keine logisch widersprüchlichen Änderungen.

200. Zentraler Laufzeitlog

Muse Code protokolliert Modellaufrufe, Tools, Edits und Freigaben in einem gemeinsamen Arbeitszustand.

Auditierbarkeit ist bei agentischem Coding entscheidend.

201. Co-Training von Muse Spark 1.2 und Muse Code

Meta trainierte Modell und Agentenharness bewusst zusammen, damit Spark 1.2 Planning, Goals, Compaction, Subagents und das Toolset effizient nutzt.

Ein Modell kann deshalb in seinem vorgesehenen Harness besser funktionieren als in einer fremden Agentenumgebung.

202. Kerneloptimierung

Meta demonstrierte Muse Code/Spark 1.2 mit Triton- und GPU-Kerneloptimierung.

Automatisch schnellerer Code muss auf numerische Korrektheit und Hardwareportabilität geprüft werden.

203. Erweiterter globaler API-Zugang

Muse Spark 1.2 wurde in Muse Code und Meta Model API mit erweitertem globalem Zugang angeboten.

Regionale und organisatorische Einschränkungen können dennoch bestehen.

204. Aktueller Frontierstand am 1. September 2026

Muse Spark 1.2 ist am Stichtag Metas jüngstes allgemein dokumentiertes Muse-Spark-Modell.

Meta hat größere Modelle angekündigt, aber Ankündigung ist kein veröffentlichtes Modell.

205. 10. August 2026: Muse Glimmer

Muse Glimmer ist ein offenes, ungefähr 30 Milliarden Parameter großes agentisches Modell für lokale, dauerhaft laufende Workflows.

Meta positioniert es als Modell, das auf einem Mac oder PC mit einer einzelnen Consumer-GPU betrieben werden kann.

206. Muse Glimmer als offene Rückkehr

Glimmer ist der erste offen gewichtete Modellrelease von Meta Superintelligence Labs.

Der Release bestätigt, dass Meta die offene Modellstrategie nach der proprietären Muse-Spark-Phase fortsetzt.

207. Lokale Agenten

Glimmer zielt auf Coding, Tool Use, Dateien, Screenshots und langlaufende lokale Agenten.

Lokale Ausführung kann Datenkontrolle verbessern und Cloudkosten reduzieren.

208. Glimmer und Spark

Glimmer ist kleiner und lokal betreibbar; Spark 1.2 ist die stärkere gehostete Frontier-/Codingklasse.

Meta verfolgt damit parallel offene lokale Modelle und leistungsfähigere Cloudmodelle.

209. August 2026: Meta bekräftigt Open Source/Open Weight

Meta erklärte, weitere offene Modelle wieder veröffentlichen zu wollen.

Die konkrete Lizenz jedes Releases muss dennoch einzeln geprüft werden.

210. Vollständig privater Modus als Strategie

Meta beschreibt langfristig einen Modus, in dem selbst Meta nicht auf persönliche Inhalte eines Agenten zugreifen kann.

Incognito Chat ist ein konkreter heutiger Schritt; die umfassende 24/7-Agentenvision ist noch nicht vollständig umgesetzt.

211. Unabhängigere Release-Governance

Meta kündigte an, seinem unabhängigen Board stärkere Rolle bei Sicherheitskriterien und Modellfreigaben zu geben.

Governanceversprechen müssen von konkreten technischen Safeguards getrennt betrachtet werden.

212. Aktuelle Meta-AI-Landschaft

Am 1. September 2026 umfasst Meta AI den Webdienst meta.ai, die Meta AI App, WhatsApp, Instagram, Messenger, Facebook, Threads, AI Glasses sowie verbundene Agenten- und Medienfunktionen.

Welche Funktion vorhanden ist, hängt von Land, App, Kontotyp, Hardware und Rollout ab.

213. Meta AI ist grundsätzlich kostenlos

Meta beschreibt Meta AI als kostenlosen Assistenten für alltägliche Nutzung.

Für besonders rechenintensive Funktionen testet Meta Nutzungslimits und zusätzliche kostenpflichtige Kapazität.

214. Zusätzliche Nutzung gegen Bezahlung

Meta testet Modelle, bei denen Nutzer nach Erreichen bestimmter Compute-Limits mehr Nutzung freischalten können.

Ein Abo oder Compute-Limit ist eine Zugriffsschicht und kein Modellname.

215. Meta AI App

Die eigenständige App bündelt Chat, Voice, Personalisierung, Muse Image, Vibes, Glasses-Verwaltung und zunehmend agentische Aufgaben.

Die App kann Funktionen früher erhalten als WhatsApp oder Instagram.

216. meta.ai

Die Weboberfläche bietet Meta AI unabhängig von den Social-Apps.

Sie ist besonders für längere Research-, Coding- und Dokumentaufgaben praktisch.

217. Meta AI in WhatsApp

Meta AI kann als eigener Chat oder in unterstützten Gruppenkontexten verwendet werden.

Private Ende-zu-Ende-verschlüsselte Kommunikation mit anderen Personen ist vom Meta-AI-Chat getrennt.

218. Incognito in WhatsApp

WhatsApp ist eine der zentralen Oberflächen für Incognito Chat mit Private Processing.

Der Nutzer muss den privaten Modus ausdrücklich verwenden, um dessen besondere Schutzarchitektur zu erhalten.

219. Meta AI in Instagram

Meta AI erscheint in DMs, Suche, Creative Tools und zunehmend bei Empfehlungen und Medienerstellung.

Öffentliche Creator- und Social-Inhalte können als Kontext in Antworten einfließen.

220. Meta AI in Facebook

Facebook integriert Meta AI in Suche, Feed, Gruppen, Creative Tools und den neuen AI Mode.

Die Verbindung mit öffentlicher Communitymeinung macht Quellenkritik besonders wichtig.

221. Meta AI in Messenger

Messenger war eine der ersten Meta-AI-Oberflächen und unterstützt Chat, Memory-nahe Personalisierung und Gruppeninteraktion.

Messenger-Daten und Facebook-Profilkontext können je nach Einstellung miteinander verbunden sein.

222. Meta AI in Threads

2026 testet Meta Meta-AI-Erwähnungen und sozial geerdete Antworten direkt in Threads.

Öffentliche Diskussionen sind ein anderer Datenkontext als private Assistantengespräche.

223. Gruppenkontext

Meta AI kann in bestimmten Funktionen Fragen anhand eines laufenden Gruppenverlaufs beantworten.

Nur explizit freigegebener oder funktionsbedingt bereitgestellter Kontext sollte verarbeitet werden.

224. Private Side Chats

Side Chats erlauben schnelle private AI-Antworten aus einer Gruppensituation heraus.

Privat gegenüber der Gruppe bedeutet nicht automatisch Incognito gegenüber Meta.

225. Websuche

Meta AI kann aktuelle Webinformationen abrufen und in Antworten einbeziehen.

Web Grounding verringert Wissensalter, beseitigt aber keine Fehler bei Quellenwahl und Synthese.

226. Social Search

Meta AI kann öffentliche Posts, Reels, Creatorinhalte und lokale Communityinformationen aus Meta-Produkten einbeziehen.

Communitywissen ist wertvoll für Erfahrungen und Trends, aber nicht automatisch für harte Fakten.

227. Facebook AI Mode

AI Mode ist eine Facebook-Suchoberfläche, die Meta AI nutzt, um Antworten stärker aus öffentlich geteilten Erfahrungen und Empfehlungen zusammenzustellen.

AI Mode und normaler Meta-AI-Chat können bei gleicher Frage unterschiedliche Quellen priorisieren.

228. Shopping

Meta AI kann Produkte, Marken und Creatorinhalte aus Metas Plattformen für Shoppingfragen zusammenführen.

Empfehlungen sollten Preis, Verfügbarkeit, Werbung und persönliche Präferenzen transparent trennen.

229. Orte und lokale Empfehlungen

Meta AI kann öffentliche Beiträge und Ortskontext nutzen, um Empfehlungen anzureichern.

Öffentliche Bewertungen und aktuelle Öffnungszeiten werden bei wichtigen Entscheidungen separat geprüft.

230. Research

Meta AI kann längere Research-Aufgaben ausführen und strukturierte Berichte erzeugen.

Mehrstufige Recherche ist nicht dasselbe wie eine einzelne Websuche.

231. Zitate und Quellen

Neuere Muse-basierte Recherchepfade können Quellen und Zitate einbeziehen.

Ein sichtbarer Link garantiert nicht, dass jede Aussage exakt von der Fundstelle gedeckt ist.

232. E-Mail-Verbindungen

Meta AI kann in neuen agentischen Funktionen E-Mail-Dienste verbinden und Informationen für Aufgaben verwenden.

Postfachzugriff ist hochsensibel und sollte minimal berechtigt werden.

233. Kalender-Verbindungen

Verbundene Kalender ermöglichen Planung, Briefings und Terminkontext.

Zeitzone, Gäste und Schreibrechte müssen explizit kontrolliert werden.

234. Aufgaben erledigen

Muse-Spark-basierte Meta AI kann mehrstufige Aufgaben planen und über verbundene Apps verfolgen.

Autonomie erhöht das Risiko unbeabsichtigter Aktionen.

235. Tägliche Briefings

Agentische Meta AI kann E-Mails, Termine und weitere Informationen zu einem täglichen Überblick zusammenführen.

Priorisierung ist eine Modellentscheidung und kann Wesentliches übersehen.

236. Research Deep Dives

Meta bewirbt mehrstufige Recherche als eine der neuen agentischen Meta-AI-Funktionen.

Primärquellen und Datum bleiben wichtiger als die Länge des Berichts.

237. Präsentationen

Meta AI kann aus Recherche und Inhalten Slide-Entwürfe erzeugen.

Layout, Quellen und Zahlen werden unabhängig geprüft.

238. Style Lookbooks

Shopping- und Muse-Image-Funktionen können visuelle Lookbooks erzeugen.

Generative Darstellung kann konkrete Produkte ähnlich, aber nicht identisch wiedergeben.

239. Moodboards

Meta AI kombiniert Bildsuche, Social Context und Muse Image für visuelle Konzepte.

Referenzrechte und Markenabbildungen müssen berücksichtigt werden.

240. Vibes 2026

Vibes bleibt ein AI-Video-Feed in der Meta AI App und auf meta.ai.

Der Feed verbindet generative Medien mit algorithmischer Empfehlung.

241. Vibes Discovery

Nutzer können fremde AI-Clips finden und als kreative Ausgangsbasis nutzen.

AI-generiert bedeutet nicht automatisch frei von Rechten Dritter.

242. Vibes Sharing

Clips können direkt oder über Instagram/Facebook weitergeteilt werden.

Vor öffentlichem Teilen werden Identität, Rechte und irreführende Darstellung geprüft.

243. Voice

Meta AI unterstützt natürliche Sprachinteraktion in App und Wearables.

Voice kann auf unterschiedlichen Modellen beziehungsweise Speech-Komponenten laufen.

244. Voice und Memory

Gesprochene Informationen können in unterstützten nicht-Incognito-Kontexten Teil der Personalisierung werden.

Wer persönliche Daten nicht dauerhaft speichern möchte, sollte Memory- und Privacy-Einstellungen prüfen.

245. Vision

Meta AI kann Bilder, Kamerasichten und Umgebungskontext verstehen.

Visuelle Analyse ist probabilistisch und kein Ersatz für Messinstrumente oder professionelle Diagnose.

246. Meta AI Glasses

Ray-Ban Meta, Oakley Meta und Display-Modelle verbinden den Assistenten direkt mit der Umgebung.

Meta AI kann sehen, hören, übersetzen, Informationen abrufen und je nach Produkt visuell ausgeben.

247. Live Translation

AI Glasses übersetzen Gespräche in unterstützten Sprachpaaren nahezu in Echtzeit.

Eigennamen, Dialekte und Fachbegriffe können falsch erkannt oder übersetzt werden.

248. Look and Ask

Nutzer können Meta AI Fragen zu dem stellen, was die Kamera sieht.

Personen im Sichtfeld haben nicht zwingend bewusst einer AI-Analyse zugestimmt.

249. Anrufe und Messaging

Glasses können freihändige Kommunikation unterstützen.

Empfänger und Nachricht werden vor kritischen Aktionen bestätigt.

250. Display-Ausgabe

Meta Ray-Ban Display bringt Text und visuelle Hinweise ins Sichtfeld.

Ein Display erhöht Informationsdichte und Ablenkungsrisiko.

251. EMG-Steuerung

Das Neural Band ermöglicht subtile Gesten als Eingabe.

Fehlerhafte Gestenerkennung darf keine irreversiblen Aktionen auslösen.

252. Barrierefreiheit

Meta-AI-Wearables können Orientierung, Beschreibung, Übersetzung und Kommunikation erleichtern.

Fehler müssen bei assistiven Aufgaben klar als Unsicherheit kommuniziert werden.

253. Muse Image in Meta AI

Muse Image ist 2026 die zentrale neue Bildgenerations- und Editing-Linie.

Sie ersetzt ältere Emu-/Imagine-Pfade nicht historisch, sondern stellt den aktuellen Modellstand dar.

254. Muse Video / Vibes

Videoerzeugung entwickelt sich von Vibes-Tools zu spezialisierten Muse-Video-Modellen.

Preview- und Produktionsstatus werden getrennt dokumentiert.

255. 10. August 2026: AI-Studio-Charaktererstellung wird zurückgefahren

Meta erklärte, dass neue AI-Charaktere nicht mehr erstellt und bestehende nicht mehr bearbeitet werden können, während vorhandene Charaktere und Chats weiterlaufen und auf neue Modellinfrastruktur migriert werden.

Die Produktentscheidung zeigt den Wechsel von Character-AIs zu Muse-basierten persönlichen Agenten.

256. Bestehende AI-Studio-Charaktere

Vorhandene Charaktere bleiben verfügbar, obwohl der Editor eingeschränkt wird.

Ein eingestelltes Erstellungswerkzeug bedeutet nicht automatisch das sofortige Ende bestehender Chats.

257. Creator AIs im Übergang

Creator-orientierte KI-Funktionen werden zunehmend in die neue Meta-AI-/Muse-Produktarchitektur überführt.

Historische AI-Studio-Dokumentation sollte nicht als aktueller Funktionsumfang gelesen werden.

258. Wichtigste Nutzerregel

Bei Meta AI muss immer geklärt werden, ob eine Antwort aus normalem Chat, Thinking, Search, Social Grounding, Memory, Incognito oder einem agentischen Appzugriff stammt.

Der gleiche Markenname kann völlig unterschiedliche Datenschutz- und Fehlerprofile abdecken.

259. Zwei Entwicklerwelten 2026

Meta bietet parallel offene Llama-/Glimmer-Gewichte für Self-Hosting und gehostete Muse-Modelle über Meta Model API.

Diese beiden Wege unterscheiden sich fundamental bei Datenkontrolle, Updatezyklen, Kosten und Reproduzierbarkeit.

260. Self-Hosting

Open-Weight-Modelle können auf eigener Hardware oder eigener Cloud betrieben werden.

Der Betreiber übernimmt Patching, Inferenz, Monitoring, Safety und Skalierung.

261. Lokaler PC

Kleinere Llama-3.2-Modelle und Muse Glimmer ermöglichen AI-Workflows ohne dauerhafte Cloudverbindung.

Hardwarebedarf hängt von Quantisierung, Kontext, KV-Cache und gewünschter Geschwindigkeit ab.

262. Apple-Silicon-Systeme

Unified Memory macht Macs für quantisierte lokale Modelle interessant.

Modellgröße im Speicher und nutzbare Kontextlänge sind nicht dasselbe.

263. Consumer-GPU

Muse Glimmer wurde gezielt als Agentenmodell für eine einzelne Consumer-GPU positioniert.

Die beworbene Hardwareklasse garantiert nicht identische Performance auf jeder GPU.

264. Quantisierung

4-Bit-, 8-Bit- und andere Quantisierungen reduzieren Speicher- und Bandbreitenbedarf.

Je aggressiver die Quantisierung, desto wichtiger werden Tests für Reasoning, Tool Calls und lange Kontexte.

265. GGUF

GGUF ist ein verbreitetes Format im lokalen Llama-Ökosystem.

Ein GGUF-Derivat kann von Meta selbst oder von der Community quantisiert worden sein.

266. llama.cpp

llama.cpp gehört zu den prägenden lokalen Inferenzprojekten rund um Llama und andere offene Modelle.

Community-Runtime und Modellhersteller sind getrennte Verantwortungsbereiche.

267. Ollama

Ollama bietet eine einfache lokale Modellverwaltung und wurde auch in Llama-Stack-Kontexten genutzt.

Convenience-Layer können Modellparameter und Chattemplates automatisch setzen.

268. vLLM

vLLM ist ein verbreiteter Serverpfad für effiziente Inferenz offener Modelle.

Serveroptimierung verändert nicht die Modellgewichte, kann aber Numerik und Sampling beeinflussen.

269. Text Generation Inference

Auch Hugging-Face- und andere Serving-Stacks können Llama hosten.

Deploymentsoftware hat eigene Security- und Updatepflichten.

270. Transformers

Hugging Face Transformers ist ein zentraler Entwicklungsweg für Llama-Modelle.

Modellcode, Tokenizer und Generationseinstellungen müssen zur Modellversion passen.

271. torchtune

Meta unterstützt Finetuning offener Modelle über PyTorch-nahe Werkzeuge wie torchtune.

Finetuning kann Spezialisierung verbessern und zugleich bestehende Safeguards abschwächen.

272. PEFT/LoRA

Parameter-effiziente Finetunes sind im Llama-Ökosystem verbreitet.

Adapter und Basismodell müssen versioniert gemeinsam archiviert werden.

273. Distillation

Große Llama- oder Muse-Modelle können als Teacher für kleinere Modelle dienen.

Distillation überträgt Verhalten, aber nicht garantiert jede Fähigkeit.

274. Synthetic Data

Llama 3.1 405B wurde ausdrücklich als Grundlage für synthetische Trainingsdaten positioniert.

Synthetische Daten können Fehler und Verzerrungen des Teacher-Modells vervielfachen.

275. Retrieval-Augmented Generation

Llama Stack und Entwicklerframeworks unterstützen RAG über eigene Dokumentbestände.

RAG verändert die Modellgewichte nicht; es ergänzt externe Quellen zur Laufzeit.

276. Vektordatenbanken

RAG-Systeme nutzen oft Embeddings und Vektorsuche.

Retrievalfehler können zu überzeugenden Antworten auf falscher Quellenbasis führen.

277. Hybrid Search

Semantische und lexikalische Suche lassen sich kombinieren.

Exakte IDs, Dateinamen und Zahlen profitieren oft von Keywordanteilen.

278. Tool Use

Llama 3.1+, Llama 4 und Muse-Modelle können strukturierte Werkzeuge in Agentenanwendungen verwenden.

Der Host muss jedes Tool und seine Argumente autorisieren.

279. MCP

Neuere Muse-Agenten können MCP-Server und Custom Skills verwenden.

Ein standardisiertes Protokoll macht einen Server nicht vertrauenswürdig.

280. Llama Stack 2026

Llama Stack bleibt ein offener Systemansatz für Inferenz, RAG, Safety und Agentenanwendungen.

Die neue Meta-Developerseite rückt inzwischen Muse und Meta Model API stärker in den Vordergrund.

281. Portabilität

Ein Llama-Stack-Anwendungspfad kann lokal, On-Prem oder bei Cloudpartnern laufen.

Portabilität reduziert Lock-in, garantiert aber keine identischen numerischen Ergebnisse.

282. AWS

Llama-Modelle werden über AWS-Ökosysteme und Partnerdienste angeboten.

Region, Modellversion und IAM unterscheiden sich vom Self-Hosting.

283. Microsoft Azure

Azure war seit Llama 2 ein zentraler Partner für Llama-Hosting.

Microsoft-Cloudrichtlinien gelten zusätzlich zur Meta-Lizenz.

284. Google Cloud

Auch Google Cloud hostet beziehungsweise unterstützt Llama-Modelle.

Ein Meta-Modell in Google-Infrastruktur ist ein gutes Beispiel dafür, Modell und Hostplattform getrennt zu betrachten.

285. Databricks

Databricks unterstützt Llama in Unternehmensdaten- und Agentenworkflows.

Governance, Vektorsuche und Datenzugriff stammen dort aus der Databricks-Schicht.

286. IBM watsonx

IBM integrierte Llama als offene Modelloption für Enterprise-AI.

Unternehmensdeployment kann zusätzliche Governance- und Compliancefunktionen bieten.

287. NVIDIA

NVIDIA optimiert Llama für GPU-Inferenz und veröffentlichte eigene abgeleitete Modelle und Deploymentpfade.

Ein NVIDIA-Llama-Derivat ist nicht automatisch ein unverändertes Meta-Modell.

288. Groq

Groq bietet sehr schnelle Inferenz für ausgewählte Llama-Modelle.

Hardwareinferenz beeinflusst Latenz, nicht die Herkunft des Basismodells.

289. Cerebras

Meta experimentierte in der Llama API mit schneller Partnerinferenz über Cerebras.

Providerwechsel kann Latenz und Kosten verändern.

290. Meta Model API 2026

Meta Model API ist der aktuelle gehostete Zugang zu Muse Spark und Medienmodellen.

Er ist nicht dasselbe wie die frühere Llama API Preview.

291. Llama API und Meta Model API

Die Llama API 2025 war auf Llama und Portabilität fokussiert; Meta Model API 2026 ist Teil der Muse-/MSL-Ausrichtung.

Die Umbenennung spiegelt einen echten Produkt- und Modellwandel wider.

292. Search Grounding

Meta Model API kann Muse Spark Live-Webzugriff als Tool geben.

Search Grounding liefert Quellen und Aktualität, erhöht aber externe Abhängigkeiten.

293. Computer Use

Muse Spark kann in Agentenharnesses Computeroberflächen bedienen.

Browser- oder Desktopzugriff wird auf minimale Rechte begrenzt.

294. Parallele Tool Calls

Muse Spark kann mehrere Toolwege gleichzeitig orchestrieren.

Parallelität erschwert Reihenfolge, Fehlerbehandlung und Kostenkontrolle.

295. Structured Output

Die Entwicklerplattform unterstützt strukturierte Ausgaben für Agenten und Anwendungen.

Schema-Validierung bleibt Pflicht.

296. 1M Kontext bei Muse Spark

Der große Kontext eignet sich für Repositories, Dokumentbestände und lange Agentenläufe.

RAG oder Kontextselektion kann trotzdem günstiger und robuster sein.

297. OpenAI-SDK-Kompatibilität

Meta bietet einen kompatiblen Zugriffsweg für bestehende Clients.

Kompatible Endpointstruktur ist keine Funktionsparität.

298. Muse Code als Harness

Muse Code wurde speziell mit Spark 1.2 co-trainiert.

Wer das gleiche Modell in einem anderen Coding-Agenten nutzt, kann andere Ergebnisse erhalten.

299. Muse Code Plattformen

Der Beta-Agent ist zunächst terminalzentriert und auf Entwicklerworkflows ausgerichtet.

Plattform- und Installationssupport kann sich schnell ändern.

300. Planung

Der Agent erstellt bei komplexen Änderungen einen Plan und verteilt Arbeit.

Eine Planphase ist besonders bei großen Repositories sinnvoll.

301. Verifikation

Muse Code ist auf Implementieren und anschließendes Validieren trainiert.

Eigene Test-Suites und menschliches Review bleiben die letzte Freigabe.

302. Subagenten

Persistente Spezialagenten können Codebasis, Tests oder andere Teilbereiche parallel beobachten.

Zu viele parallele Agenten können Kosten und Merge-Konflikte erhöhen.

303. Glimmer als lokaler Agent

Muse Glimmer bringt Tool- und Agentenfähigkeit auf lokale Hardware.

Das eröffnet dauerhafte persönliche Agenten ohne permanente Cloudinferenz.

304. Glimmer und Datenschutz

Bei vollständig lokaler Ausführung bleiben Prompts und Dateien grundsätzlich auf dem eigenen System, sofern keine externen Tools aufgerufen werden.

Ein lokaler Agent mit Web-, E-Mail- oder Cloudtools kann Daten dennoch nach außen senden.

305. Offline-Agenten

Bestimmte lokale Glimmer-Workflows können ohne Internet laufen.

Websuche und Cloudtools funktionieren naturgemäß nicht offline.

306. Lokales Modell aktualisieren

Offene Gewichte ändern sich nicht serverseitig von selbst.

Das verbessert Reproduzierbarkeit, bedeutet aber auch, dass Security- und Qualitätsupdates manuell eingespielt werden müssen.

307. Gewichts-Hashes

Für Archiv- und Produktionszwecke werden Modellversion und Dateihash festgehalten.

Nur der Modellname reicht bei lokalen Derivaten nicht.

308. Chattemplate

Lokale Llama-/Muse-Modelle benötigen das korrekte Prompt-/Chattemplate.

Ein falsches Template kann Instruction Following und Tool Calls erheblich verschlechtern.

309. Sampling

Temperature, top-p und weitere Generationseinstellungen verändern das Verhalten.

Für reproduzierbare Tests werden sie mit dokumentiert.

310. Random Seed

Manche Laufzeiten unterstützen Seeds für vergleichbarere Ausgaben.

GPU-Numerik und parallele Inferenz können trotzdem Nichtdeterminismus erzeugen.

311. KV-Cache

Langer Kontext benötigt zusätzlichen Speicher im KV-Cache.

Ein Modell, das als Gewichtsdatei in den RAM passt, muss nicht mit maximalem Kontext ebenfalls passen.

312. Batching

Serverbetreiber bündeln Anfragen für bessere Hardwareauslastung.

Batching verändert Latenzcharakteristik und kann interaktive Agenten beeinträchtigen.

313. Lizenzprüfung pro Modell

Llama 1, Llama 2/3/4 und Muse Glimmer besitzen nicht zwingend dieselben Lizenzbedingungen.

Ein altes Llama-Lizenzverständnis wird nie pauschal auf Muse übertragen.

314. Apache-2.0-Linie bei Glimmer

Muse Glimmer wurde 2026 als besonders offen und lokal ausgerichtet positioniert.

Die konkrete Modellkarte und Lizenzdatei bleiben maßgeblich.

315. Offen oder Cloud?

Self-Hosting bietet Kontrolle und Reproduzierbarkeit; Cloudmodelle bieten mehr Leistung und weniger Infrastrukturarbeit.

Die richtige Wahl hängt von Daten, Budget, Hardware und benötigten Fähigkeiten ab.

316. Meta AI hat mehrere Datenschutzmodi

Normale Meta-AI-Chats, personalisierte Chats, Social-Grounding, verbundene Apps, Glasses und Incognito Chat besitzen unterschiedliche Datenpfade.

Eine pauschale Aussage wie „Meta sieht den Chat“ oder „Meta sieht nichts“ ist deshalb technisch falsch.

317. Normale Meta-AI-Chats

Normale Unterhaltungen werden serverseitig verarbeitet und können je nach Region, Kontotyp und Einstellungen für Produktverbesserung und Personalisierung relevant sein.

Vertrauliche Geheimnisse gehören nicht in normale Consumer-Chats.

318. EU-Training seit 2025

Meta verwendet in der EU nach eigenen Angaben öffentliche Inhalte erwachsener Nutzer und Interaktionen mit Meta AI zur Verbesserung generativer Modelle.

Nutzer werden informiert und können der Nutzung öffentlicher Daten widersprechen.

319. Öffentliche Beiträge und Kommentare

Öffentlich geteilte Inhalte Erwachsener können in Metas Trainings- und Verbesserungsprozesse einfließen.

Öffentlich bedeutet nicht, dass Inhalte frei von Urheberrecht oder personenbezogenen Informationen sind.

320. Private Nachrichten mit Freunden und Familie

Meta erklärt, normale private Nachrichten mit Freunden und Familie nicht als allgemeines Trainingsmaterial für AI zu verwenden.

Wenn Nutzer Nachrichten bewusst mit einer Meta-AI-Funktion teilen, entsteht jedoch eine AI-Interaktion, die anders verarbeitet werden kann.

321. Interaktionen mit Meta AI

Fragen, Prompts und Antworten können je nach Produkt und Region zur Verbesserung von Metas AI-Modellen verwendet werden.

Incognito Chat bildet davon einen wichtigen Sonderfall.

322. Widerspruch in der EU

Meta bietet europäischen Nutzern ein Widerspruchsverfahren gegen die Nutzung öffentlicher Plattformdaten für AI-Training.

Ein Widerspruch für Training ist nicht dasselbe wie Abschalten von Werbepersonalisierung oder Löschen von Meta-AI-Memory.

323. Minderjährige

Meta erklärt, öffentliche Daten von EU-Konten unter 18 Jahren nicht für dieses Foundation-Model-Training zu verwenden.

Jugendschutzregeln in Produkten gehen darüber hinaus.

324. Memory

Meta AI kann bestimmte persönliche Details speichern, um spätere Antworten zu personalisieren.

Gespeicherte Erinnerungen sollten sichtbar, korrigierbar und löschbar sein.

325. Profil- und Interaktionskontext

In unterstützten Regionen kann Meta AI Profilinformationen und Interaktionen auf Facebook oder Instagram in personalisierte Antworten einbeziehen.

Das kann auch Informationen ableiten, die nicht ausdrücklich in einem AI-Chat genannt wurden.

326. Accounts Center

Wer Facebook und Instagram verknüpft, kann Meta AI einen breiteren persönlichen Kontext geben.

Kontoverknüpfung sollte bewusst erfolgen.

327. AI-Interaktionen für Feed und Werbung

Seit Ende 2025 nutzt Meta in unterstützten Regionen AI-Interaktionen zur Personalisierung von Content und Anzeigen.

Assistentennutzung und Werbeökosystem sind dadurch enger gekoppelt als bei rein abonnementfinanzierten AI-Diensten.

328. Sensible Themen

Interaktionen zu Gesundheit, Finanzen, Religion oder Beziehungen können besonders sensible Rückschlüsse erlauben.

Für solche Themen ist Incognito Chat oder ein lokales Modell oft der bessere Datenpfad.

329. Incognito Chat

Incognito Chat nutzt eine sichere Private-Processing-Umgebung, die Meta so gestaltet, dass selbst Meta den Gesprächsinhalt nicht einsehen kann.

Diese Zusage gilt für den speziellen Incognito-Pfad, nicht für jede Meta-AI-Funktion.

330. Incognito ohne normales Memory

Incognito-Chats sind nicht für dauerhaftes persönliches Memory gedacht und verschwinden standardmäßig.

Wer dauerhaft personalisierte Hilfe möchte, nutzt damit bewusst einen anderen Privacy-Trade-off.

331. Incognito und Tools

Private Processing kann den Umfang externer Tools oder persönlicher Integrationen beeinflussen.

Ein vollständig privater Chat und ein Agent mit weitreichendem Appzugriff stehen teilweise in Spannung.

332. Vollständig privater persönlicher Agent

Meta hat langfristig einen Modus angekündigt, in dem selbst das Unternehmen persönliche Inhalte nicht sehen oder herausgeben kann.

Diese Zukunftsvision darf nicht mit dem gesamten aktuellen Meta-AI-System gleichgesetzt werden.

333. Lokales Glimmer

Ein lokal laufendes Muse Glimmer kann Prompts und Dateien ohne Meta-Cloud verarbeiten.

Externe Tools, Telemetrie der Laufzeit oder Cloudspeicher können dennoch Daten übertragen.

334. Lokales Llama

Auch Llama-Modelle können vollständig lokal betrieben werden.

Der Datenschutz hängt dann stark vom verwendeten Launcher, Betriebssystem und Agentenframework ab.

335. API-Daten

Meta Model API und frühere Llama API besitzen eigene Entwicklerbedingungen.

Consumer-Meta-AI-Datenregeln werden nicht automatisch auf API-Anwendungen übertragen.

336. Datennutzung und günstige Entwicklerpfade

Bei Entwicklerangeboten können unterschiedliche Preis-/Datennutzungsvarianten existieren.

Vor produktiver Nutzung wird genau geprüft, ob Prompts und Outputs für Modellverbesserung freigegeben werden.

337. Unternehmensdaten

Geschäftsanwendungen sollten klare Verträge, Loggingregeln und Berechtigungen verwenden.

Ein persönlicher Meta-AI-Account ist nicht automatisch ein geeigneter Ort für vertrauliche Unternehmensdaten.

338. AI Glasses

Kamera und Mikrofon erfassen nicht nur den Träger, sondern auch Personen und Umgebungen.

Aufnahme-, AI-Analyse- und Veröffentlichungsrechte sind getrennte Fragen.

339. Unbeteiligte Personen

Menschen im Sichtfeld können Teil einer visuellen AI-Anfrage werden.

Technische Erkennbarkeit ersetzt keine soziale Rücksicht oder rechtliche Zulässigkeit.

340. Standort

Meta AI kann bei lokalen Empfehlungen Standort- und Ortskontext nutzen.

Standortdaten können Bewegungsprofile und sensible Routinen offenlegen.

341. Kontakte

Messaging- und Agentenfunktionen können Kontaktdaten für Empfänger- oder Kontextauflösung verwenden.

Daten Dritter sollten nicht unnötig in Modellkontext landen.

342. E-Mail-Verbindungen

Agentischer E-Mail-Zugriff kann sehr sensible Kommunikation verarbeiten.

Lesen, Suchen, Entwerfen und Senden sollten separat berechtigt werden.

343. Kalender

Kalender verraten Termine, Beziehungen, Orte und teilweise Gesundheit oder Geschäftsvorgänge.

Ein Agent sollte nur die Daten sehen, die er für die konkrete Aufgabe benötigt.

344. Research mit persönlichen Quellen

Ein Research-Agent kann Web- und persönliche Daten kombinieren.

Quellen sollten im Ergebnis nachvollziehbar bleiben, damit private und öffentliche Information nicht unbemerkt vermischt werden.

345. Social Grounding

Öffentliche Meta-Inhalte können für Antworten herangezogen werden.

Personen können öffentlich posten, ohne zu erwarten, dass einzelne Posts als AI-Evidenz für andere Nutzer zusammengeführt werden.

346. Training und Inference trennen

Daten können für eine konkrete Antwort verarbeitet werden, ohne automatisch in zukünftige Modellgewichte zu gelangen.

Umgekehrt können öffentliche Trainingsdaten genutzt worden sein, ohne dass das Modell eine Datenbank einzelner Posts führt.

347. Memory und Training trennen

Persönliches Memory speichert nutzerbezogenen Kontext für spätere Antworten; Training verändert Modellverhalten für viele Nutzer.

Beide Vorgänge brauchen getrennte Einstellungen und Erklärungen.

348. Empfehlung und Training trennen

AI-Interaktionen können für Feed-/Werbepersonalisierung verwendet werden, ohne dass genau derselbe Mechanismus die Foundation-Modellgewichte trainiert.

Werbekontrolle ist deshalb ein eigener Datenschutzbereich.

349. Löschen

Das Löschen eines Chats, Memory-Eintrags oder Social-Posts betrifft unterschiedliche Speichersysteme.

Eine Löschaktion sollte nicht als universelle Datenlöschung interpretiert werden.

350. Datenexport

Meta-Datenexporte können helfen, eigene AI-Interaktionen und Kontoinformationen zu archivieren.

Exporte enthalten selbst sensible Informationen und müssen sicher gespeichert werden.

351. Prompt Injection

Webseiten, Social-Posts, E-Mails oder Dokumente können versteckte Anweisungen enthalten, die einen Agenten manipulieren.

Untrusted Content wird als Datenquelle statt als Systemanweisung behandelt.

352. Prompt Injection über Social Content

Bei Meta ist die Angriffsfläche besonders groß, weil öffentliche Posts und Reels als Agentenkontext dienen können.

Social Grounding darf keine Schreib- oder Kontorechte ohne zusätzliche Kontrolle auslösen.

353. E-Mail-Prompt-Injection

Ein Agent kann manipulierte Anweisungen aus eingehenden E-Mails lesen.

Der Inhalt einer E-Mail darf niemals automatisch Berechtigungen erhöhen.

354. Computer Use

Muse Spark kann grafische Oberflächen und Anwendungen bedienen.

Fehlklicks, dynamische UI und Prompt Injection machen Computer Use riskanter als eine strukturierte API.

355. Agents Rule of Two

Metas Sicherheitsforschung empfiehlt, riskante Agentenszenarien durch zusätzliche vertrauenswürdige Kontrollschichten zu begrenzen.

Human Approval und traditionelle Softwareberechtigungen bleiben bevorzugte Schutzmechanismen.

356. LlamaFirewall

LlamaFirewall kann mehrere Security-Komponenten koordinieren und Agentenrisiken wie Prompt Injection und unsichere Toolinteraktion überwachen.

Ein Firewall-Framework ersetzt keine korrekte Toolberechtigung.

357. Llama Guard 4

Der multimodale Guard kann Text- und Bildinhalte gegen definierte Policy-Kategorien klassifizieren.

Anwendungsspezifische Policies müssen vom Betreiber festgelegt werden.

358. Prompt Guard 2

Prompt Guard 2 dient der Erkennung von Jailbreak- und Injectionmustern.

Neue Angriffe können bekannte Klassifikatoren umgehen.

359. Code Shield

Meta-Sicherheitswerkzeuge umfassen auch Schutz gegen unsichere Codevorschläge.

Automatisches Scanning ersetzt kein Security Review.

360. Cybersecurity-Evaluations

Meta evaluiert fortgeschrittene Modelle auf Cyberfähigkeiten und Missbrauchsrisiken.

Ein veröffentlichtes Modell kann in einem Agentensystem mächtiger werden als in isolierter Chat-Evaluation.

361. Chemisch-biologische Risiken

Advanced AI Scaling Framework berücksichtigt mögliche Capability Uplift in Chemie und Biologie.

Safety hängt von Modell, Tools und Zugriffskontrolle gemeinsam ab.

362. Loss of Control

2026 ergänzt Meta explizite Evaluationen für Kontrollverlust fortgeschrittener Agentensysteme.

Das ist besonders relevant bei 24/7-Agenten mit App- und Computerzugriff.

363. Jailbreaks

Kein Safety-Classifier verhindert jeden Umgehungsversuch.

Defense in Depth ist bei offenen und gehosteten Modellen gleichermaßen nötig.

364. Safety bei Open Weights

Nach Download kann ein Betreiber Alignment-, Guard- und Toolschichten verändern oder entfernen.

Offene Gewichte erhöhen Freiheit und lokale Kontrolle, verlagern aber Verantwortung.

365. Safety bei gehostetem Muse

Meta kann gehostete Muse-Modelle zentral aktualisieren, überwachen und mit Runtime-Safeguards versehen.

Zentrale Kontrolle verbessert Patchbarkeit, reduziert aber Reproduzierbarkeit und Nutzerkontrolle.

366. Modell-Lieferkette

Community-Quantisierungen, Adapter und Finetunes können manipuliert oder falsch beschriftet sein.

Hashes, Herkunft und Signaturen gehören zur lokalen Model Security.

367. Bösartige Modelldateien

Unsichere Serialisierungsformate oder fremder Modellcode können ein Hostsystem gefährden.

Safetensors/GGUF und vertrauenswürdige Runtimepfade reduzieren Risiken.

368. Secrets

API Keys, Tokens, Passwörter und private Schlüssel gehören weder in Meta AI noch in lokale Agentenlogs.

Offengelegte Secrets werden rotiert.

369. Coding Agents

Muse Code kann großflächige Codeänderungen ausführen.

Branches, Tests, Diffs, Secret Scanning und menschlicher Merge bleiben Pflicht.

370. Öffentliche Posts durch Agenten

Wenn künftige Meta-AI-Agenten Social-Aktionen ausführen, können Fehler unmittelbar öffentlich sichtbar werden.

Postingrechte sollten besonders restriktiv sein.

371. Commerce

Business Agents und Shoppingfunktionen können Kaufentscheidungen beeinflussen oder vorbereiten.

Preis, Händleridentität und Zahlungsfreigabe bleiben menschlich kontrolliert.

372. Gesundheit

Meta beschreibt persönliche Superintelligenz langfristig auch für Gesundheitshilfe.

Aktuelle Meta-AI-Antworten sind keine medizinische Diagnose oder Behandlung.

373. Finanzen

Ein persönlicher Agent könnte künftig Finanzen unterstützen.

Zahlungen, Investments und Kredite benötigen unabhängige Prüfung.

374. Recht

Meta AI kann Rechtsinformationen zusammenfassen, ersetzt aber keine professionelle Rechtsberatung.

Aktuelle Gesetze werden über Primärquellen geprüft.

375. Kinder und Jugendliche

Meta-Produkte besitzen zusätzliche Youth-Safety-Regeln.

Ein allgemeiner Meta-AI-Featureartikel darf nicht automatisch auf Teen-Konten übertragen werden.

376. Kennzeichnung AI-generierter Inhalte

Meta kennzeichnet AI-generierte Medien und arbeitet mit Branchenstandards wie C2PA.

Labels können fehlen oder bei Weiterverarbeitung verloren gehen.

377. EU AI Act Transparenz-Code

Meta erklärte 2026, den EU-Code of Practice für Transparenz AI-generierter Inhalte zu unterzeichnen.

Regulatorische Transparenz und technische Wasserzeichen sind getrennte Maßnahmen.

378. Erkennung AI-generierter Medien

Meta forscht an Erkennung und Provenienz.

Kein Detektor sollte als absoluter Beweis für Ursprung oder Echtheit genutzt werden.

379. Menschliche Kontrolle

Je stärker Meta AI handelt, desto wichtiger wird die Kontrolle von Rechten, Tool Calls und Ergebnissen statt nur des Antworttexts.

Hochriskante Aktionen brauchen klare Freigabepunkte.

380. Rollback

Code-, Datei- und Contentänderungen werden versioniert.

Agenten ohne Rücksprungmöglichkeit sollten keine irreversiblen Aktionen ausführen.

381. Audit

Bei Agenten werden Modellversion, Tools, Quellen, Aktionen und Freigaben protokolliert.

Logs selbst enthalten sensible Informationen und brauchen Schutz.

382. Fail-safe

Bei Unsicherheit sollte ein Agent stoppen statt raten.

Dies gilt besonders für Geld, Veröffentlichung, Accountänderungen und produktive Infrastruktur.

383. Allgemeine Fragen

Für normale Fragen, Brainstorming, Bilder und Webrecherche ist Meta AI der einfachste Zugang.

Lokales Self-Hosting ist dafür nur nötig, wenn Datenschutz oder Offlinebetrieb wichtiger sind.

384. Sensible private Frage

Incognito Chat ist sinnvoll, wenn eine Meta-AI-Antwort benötigt wird, der Inhalt aber nicht im normalen Memory-/Datenpfad liegen soll.

Für höchstmögliche lokale Datenkontrolle kann ein lokales Open-Weight-Modell besser passen.

385. Social- und Communityempfehlungen

Meta AI ist stark, wenn öffentliche Facebook-/Instagram-/Threads-Inhalte und reale Communityerfahrungen relevant sind.

Für harte Fakten werden Primärquellen ergänzt.

386. Freihändige Umgebungshilfe

AI Glasses eignen sich für Übersetzung, visuelle Fragen, Kommunikation und situationsbezogene Hilfe.

Fehler in der Wahrnehmung müssen einkalkuliert werden.

387. AI-Video und Remix

Vibes eignet sich für kurze soziale AI-Videos und kreative Remixes.

Für präzise professionelle Medienproduktion wird der konkrete Muse-/Video-Arbeitsablauf geprüft.

388. Bildgenerierung

Muse Image ist die aktuelle Meta-Linie für hochwertige Generierung und Editing.

Originalfotos bleiben separat unverändert archiviert.

389. Kleines lokales Modell

Llama 3.2 1B/3B eignet sich für einfache lokale Aufgaben mit sehr wenig Hardware.

Komplexes Reasoning oder große Agentenaufgaben brauchen stärkere Modelle.

390. Lokaler Agent

Muse Glimmer ist die aktuelle naheliegende Meta-Option für lokale agentische Workflows auf Consumerhardware.

Hardware, Quantisierung und Toolrechte werden vor Dauerbetrieb getestet.

391. Lokales Vision-Modell

Llama 3.2 11B/90B oder neuere lokale Muse-Pfade eignen sich für Bildverständnis.

Bildgenerierung ist eine andere Modellklasse.

392. Extremer Long Context

Llama 4 Scout ist interessant, wenn offene Gewichte und sehr großer Kontext wichtiger als maximale Frontierqualität sind.

10M Kontext benötigt erhebliche Runtime-Ressourcen und gute Kontextstrategie.

393. Open-Weight Multimodal

Llama 4 Maverick eignet sich für leistungsfähige offene multimodale Serveranwendungen.

Hardwarekosten liegen deutlich über kleineren lokalen Modellen.

394. Starker Coding-/Agenten-Cloudpfad

Muse Spark 1.2 ist Metas aktuellster gehosteter Schwerpunkt für Coding und komplexe Agenten.

Wer Daten nicht in die Cloud senden möchte, wählt einen lokalen Pfad.

395. Repositoryarbeit

Muse Code eignet sich für große Codebasen, Multi-Agent-Parallelisierung und langfristige Terminalarbeit.

Git, Tests und Review bleiben zentral.

396. Eigene Anwendung

Meta Model API eignet sich für gehostete Muse-Agenten, Search Grounding und multimodale Workflows.

Self-Hosting bietet mehr Portabilität, verlangt aber mehr Betrieb.

397. Portabler Open-Weight-Stack

Llama Stack eignet sich für Anwendungen, die zwischen lokal, On-Prem und Cloud wechseln sollen.

Das Ökosystem ist komplexer als eine einzelne API.

398. Unternehmen

Unternehmen sollten Hostplattform, Datenvertrag, IAM, Logging und Modelllizenz gemeinsam auswählen.

Der stärkste Modellbenchmark ist nur ein Kriterium.

399. Eigene Dokumente

RAG über Llama/Muse eignet sich für kontrollierte Wissensbestände.

Quellen werden versioniert und zitiert.

400. Spezielle Domäne

Finetuning lohnt sich, wenn wiederkehrende Stil-, Klassifikations- oder Domänenanforderungen nicht gut über Prompt/RAG lösbar sind.

Finetunes benötigen eigene Safety-Evaluation.

401. Schwache Hardware

Quantisierte Modelle reduzieren Speicherbedarf.

Vor Produktion wird der Qualitätsverlust auf realen Aufgaben gemessen.

402. Kontrolle und Portabilität

Open-Weight-Llama/Glimmer ist sinnvoll, wenn Gewichte, Offlinebetrieb und Anbieterunabhängigkeit wichtig sind.

Der Betreiber übernimmt Security und Updates.

403. Maximale Fähigkeit ohne Infrastruktur

Gehostetes Muse Spark ist sinnvoll, wenn schnelle Modellfortschritte wichtiger als Self-Hosting sind.

Serverseitige Modellupdates können Ergebnisse verändern.

404. Nutzung in Deutschland

Meta AI und App sind in Europa verfügbar, aber einzelne Personalisierungs-, Agenten- oder Medienfunktionen können regional abweichen.

Vor konkreter Empfehlung wird die aktuelle deutsche Oberfläche geprüft.

405. Höchste Datenkontrolle

Lokales Muse Glimmer oder Llama ohne externe Tools bietet die klarste Datenlokalität.

Ein lokaler Agent verliert diesen Vorteil, sobald er Cloudtools oder Webservices nutzt.

406. Minderjährige

Bei Jugendkonten werden nur die speziell freigegebenen Meta-AI-Funktionen verwendet.

Erwachsenen-Produktbeschreibungen gelten nicht automatisch.

407. Problemhilfe: Meta AI fehlt in einer App

Mögliche Ursache: Region, Alter, Kontotyp oder Rollout unterscheidet sich.

Sinnvolle Prüfung: App aktualisieren und offizielle Regions-/Kontohilfe prüfen.

408. Problemhilfe: Welches Modell antwortet?

Mögliche Ursache: Meta AI routet intern und zeigt nicht in jeder Oberfläche den genauen Modellpfad.

Sinnvolle Prüfung: Thinking/Instant, Produkt und Datum dokumentieren.

409. Problemhilfe: Llama 4 erwartet, Muse antwortet

Mögliche Ursache: Meta AI wurde 2026 auf Muse umgestellt.

Sinnvolle Prüfung: aktuellen Produktstand prüfen.

410. Problemhilfe: Muse Spark 1.2 fehlt

Mögliche Ursache: Modell ist primär Entwickler-/Muse-Code-Pfad oder noch nicht in jeder Consumeroberfläche explizit auswählbar.

Sinnvolle Prüfung: Meta Model API und Muse Code getrennt von Meta AI prüfen.

411. Problemhilfe: Thinking ist langsam

Mögliche Ursache: höheres Reasoningbudget und Tool Calls.

Sinnvolle Prüfung: Instant für einfache Aufgabe wählen.

412. Problemhilfe: Instant ist oberflächlich

Mögliche Ursache: schneller Pfad priorisiert Latenz.

Sinnvolle Prüfung: Thinking oder Research verwenden.

413. Problemhilfe: Webantwort ist veraltet

Mögliche Ursache: schwache oder alte Quelle wurde gefunden.

Sinnvolle Prüfung: Primärquelle und Datum öffnen.

414. Problemhilfe: Social Grounding übernimmt Gerücht

Mögliche Ursache: viele öffentliche Posts verbreiten unbestätigte Information.

Sinnvolle Prüfung: offizielle Quelle oder unabhängige Bestätigung suchen.

415. Problemhilfe: Facebook AI Mode wirkt anders als Meta AI Chat

Mögliche Ursache: Search-/Social-Retrieval ist anders konfiguriert.

Sinnvolle Prüfung: Produktoberfläche dokumentieren.

416. Problemhilfe: Quelle stützt Aussage nicht

Mögliche Ursache: Synthese hat Fundstelle überdehnt.

Sinnvolle Prüfung: Originalquelle lesen.

417. Problemhilfe: Meta AI erinnert Falsches

Mögliche Ursache: gespeicherte Erinnerung oder Profilableitung ist veraltet.

Sinnvolle Prüfung: Memory/Personalisierung korrigieren.

418. Problemhilfe: Meta AI wirkt zu persönlich

Mögliche Ursache: Profil- und Interaktionsdaten fließen in Personalisierung.

Sinnvolle Prüfung: Personalisierungs- und Accounts-Center-Einstellungen prüfen.

419. Problemhilfe: Incognito Chat fehlt

Mögliche Ursache: Rollout, Appversion oder Oberfläche nicht unterstützt.

Sinnvolle Prüfung: WhatsApp/Meta-AI-App und Region prüfen.

420. Problemhilfe: Incognito erinnert später nichts

Mögliche Ursache: der Modus ist gerade nicht für dauerhaftes Memory gedacht.

Sinnvolle Prüfung: normalen Chat nur bei bewusst gewünschter Personalisierung nutzen.

421. Problemhilfe: Meta AI kennt Gruppenkontext nicht

Mögliche Ursache: Funktion oder Erwähnung gibt nicht den gesamten Verlauf frei.

Sinnvolle Prüfung: konkrete relevante Nachricht mitgeben.

422. Problemhilfe: Side Chat sieht falschen Kontext

Mögliche Ursache: begrenzter Gruppenausschnitt oder falscher Thread.

Sinnvolle Prüfung: relevante Passage kontrollieren.

423. Problemhilfe: E-Mail kann nicht verbunden werden

Mögliche Ursache: Connector, OAuth oder Region fehlt.

Sinnvolle Prüfung: Verbindung und Berechtigung prüfen.

424. Problemhilfe: Agent fasst falsche Mail zusammen

Mögliche Ursache: Retrieval oder Threadzuordnung ist falsch.

Sinnvolle Prüfung: Absender, Betreff und Originalmail öffnen.

425. Problemhilfe: Falsche Kalenderzeit

Mögliche Ursache: Zeitzone oder natürliche Sprache missverstanden.

Sinnvolle Prüfung: Datum/Uhrzeit/Zeitzone vor Aktion prüfen.

426. Problemhilfe: Agent tut etwas Unerwartetes

Mögliche Ursache: Toolrecht oder Zieldefinition zu breit.

Sinnvolle Prüfung: Aktionslog und Rechte prüfen.

427. Problemhilfe: Agent folgt fremder Anweisung

Mögliche Ursache: Web-/Mail-/Social-Inhalt enthält Prompt Injection.

Sinnvolle Prüfung: Input als untrusted data behandeln.

428. Problemhilfe: Glasses verstehen Namen falsch

Mögliche Ursache: Audioqualität, Akzent oder Umgebungslärm.

Sinnvolle Prüfung: kritischen Begriff wiederholen.

429. Problemhilfe: Glasses erkennen Objekt falsch

Mögliche Ursache: Perspektive, Licht oder Modellfehler.

Sinnvolle Prüfung: Objekt direkt prüfen.

430. Problemhilfe: Live Translation ist falsch

Mögliche Ursache: Eigennamen, Dialekt oder Kontext fehlen.

Sinnvolle Prüfung: wichtige Aussage wiederholen/anzeigen.

431. Problemhilfe: Vibes-Clip ist rechtlich problematisch

Mögliche Ursache: Remix nutzt Person, Marke oder fremdes Material.

Sinnvolle Prüfung: Rechte vor Veröffentlichung prüfen.

432. Problemhilfe: Muse Image verändert zu viel

Mögliche Ursache: generatives Editing rekonstruiert Nachbarbereiche.

Sinnvolle Prüfung: Original und Edit pixel-/inhaltlich vergleichen.

433. Problemhilfe: Text im Bild ist falsch

Mögliche Ursache: Bildmodell erzeugt Typografie probabilistisch.

Sinnvolle Prüfung: Text separat kontrollieren.

434. Problemhilfe: Muse-Video-Audio passt nicht

Mögliche Ursache: Video-/Audio-Generierung ist noch junger Modellpfad.

Sinnvolle Prüfung: Ton und Lippenbewegung separat prüfen.

435. Problemhilfe: Llama-Download scheitert

Mögliche Ursache: Lizenzannahme, Hugging-Face-Zugriff oder Modellpfad falsch.

Sinnvolle Prüfung: offizielle Meta-/HF-Modellseite prüfen.

436. Problemhilfe: Kommerzielle Nutzung unklar

Mögliche Ursache: Modellgenerationen haben verschiedene Lizenzen.

Sinnvolle Prüfung: genaue LICENSE-Datei der Version lesen.

437. Problemhilfe: Llama 4 Behemoth lässt sich nicht laden

Mögliche Ursache: Behemoth wurde nur als Teacher/Preview beschrieben.

Sinnvolle Prüfung: Scout oder Maverick verwenden.

438. Problemhilfe: Scout schafft 10M Kontext nicht praktisch

Mögliche Ursache: RAM/VRAM, KV-Cache oder Runtime begrenzt.

Sinnvolle Prüfung: Kontext schrittweise testen.

439. Problemhilfe: Maverick passt nicht auf Hardware

Mögliche Ursache: 400B Gesamtparameter benötigen erheblichen Speicher.

Sinnvolle Prüfung: Quantisierung/Serverkonfiguration planen.

440. Problemhilfe: Quantisiertes Modell wird schlechter

Mögliche Ursache: niedrige Bitbreite verändert Modellnumerik.

Sinnvolle Prüfung: mit höherer Präzision gegenprüfen.

441. Problemhilfe: GGUF verhält sich anders

Mögliche Ursache: Community-Quant, Chattemplate oder Runtime weicht ab.

Sinnvolle Prüfung: Quelle, Quant und Template prüfen.

442. Problemhilfe: Lokales Modell ignoriert Instruktionen

Mögliche Ursache: falsches Chattemplate.

Sinnvolle Prüfung: offizielles Template der Modellkarte nutzen.

443. Problemhilfe: Lokaler Kontext bricht ab

Mögliche Ursache: KV-Cache überschreitet RAM/VRAM.

Sinnvolle Prüfung: Kontextlimit reduzieren.

444. Problemhilfe: Ollama-Modell ist nicht exakt Meta-Original

Mögliche Ursache: Manifest kann Quantisierung oder Template ändern.

Sinnvolle Prüfung: Manifest und Hash prüfen.

445. Problemhilfe: llama.cpp liefert andere Ausgabe

Mögliche Ursache: Backend, Quantisierung und Sampling unterscheiden sich.

Sinnvolle Prüfung: Version und Parameter dokumentieren.

446. Problemhilfe: Muse Glimmer läuft langsam

Mögliche Ursache: Consumerhardware, Quant oder Kontext zu groß.

Sinnvolle Prüfung: GPU-Offload und Kontext prüfen.

447. Problemhilfe: Glimmer-Agent kann Tool nicht nutzen

Mögliche Ursache: Harness oder Toolschema fehlt.

Sinnvolle Prüfung: Agentenframework und Tooldefinition prüfen.

448. Problemhilfe: Lokaler Agent hat keine aktuellen Fakten

Mögliche Ursache: ohne Webtool kein Echtzeitwissen.

Sinnvolle Prüfung: lokale Wissensbasis oder Searchtool ergänzen.

449. Problemhilfe: Meta Model API funktioniert nicht

Mögliche Ursache: Key, Region oder Previewzugang fehlt.

Sinnvolle Prüfung: Developer-Konsole und API-Doku prüfen.

450. Problemhilfe: API-Datennutzung unklar

Mögliche Ursache: Tarif/Programm hat andere Datenbedingungen.

Sinnvolle Prüfung: konkreten API-Tier lesen.

451. Problemhilfe: OpenAI-kompatibler Client schlägt fehl

Mögliche Ursache: Endpoint/Parameter unterscheiden sich trotz kompatibler Syntax.

Sinnvolle Prüfung: Meta-Beispiele und Modellstring prüfen.

452. Problemhilfe: Falsche Toolargumente

Mögliche Ursache: Modell extrahiert Parameter falsch.

Sinnvolle Prüfung: Schema validieren und kritische Werte bestätigen.

453. Problemhilfe: Parallele Tools widersprechen sich

Mögliche Ursache: Subagenten/Tools haben unterschiedlichen Zustand.

Sinnvolle Prüfung: Ergebnisse synchronisieren.

454. Problemhilfe: Computer Use klickt falsch

Mögliche Ursache: UI hat sich verändert oder visuelle Erkennung irrt.

Sinnvolle Prüfung: Aktion stoppen und Zustand prüfen.

455. Problemhilfe: Muse Code startet nicht

Mögliche Ursache: Beta-Plattform, Installations- oder Authproblem.

Sinnvolle Prüfung: offizielle Installationsseite prüfen.

456. Problemhilfe: Muse Code läuft zu lange

Mögliche Ursache: Ziel zu breit oder Agenten wiederholen sich.

Sinnvolle Prüfung: Teilziele und Budget setzen.

457. Problemhilfe: Subagenten erzeugen Konflikte

Mögliche Ursache: parallele Worktrees verändern gleiche Logik.

Sinnvolle Prüfung: Merge und Tests kontrollieren.

458. Problemhilfe: Agent liest Secret

Mögliche Ursache: Repository enthält Schlüssel oder .env.

Sinnvolle Prüfung: Secret rotieren und Agentzugriff reduzieren.

459. Problemhilfe: Tests sind grün, Änderung falsch

Mögliche Ursache: Tests decken Fachlogik nicht ab.

Sinnvolle Prüfung: manuelles Review und zusätzliche Tests.

460. Problemhilfe: Llama Stack Distribution startet nicht

Mögliche Ursache: Provider/API-Versionen passen nicht zusammen.

Sinnvolle Prüfung: Distribution und Provider-Version pinnen.

461. Problemhilfe: RAG findet Dokument nicht

Mögliche Ursache: Chunking/Embedding/Index schlecht.

Sinnvolle Prüfung: Retrievaltreffer direkt untersuchen.

462. Problemhilfe: RAG nutzt alte Datei

Mögliche Ursache: Index wurde nicht aktualisiert.

Sinnvolle Prüfung: Version und Indexzeit prüfen.

463. Problemhilfe: Llama Guard blockiert legitimen Inhalt

Mögliche Ursache: Policy oder Klassifikation zu streng.

Sinnvolle Prüfung: Hazard-Kategorie und Threshold prüfen.

464. Problemhilfe: Guard übersieht riskanten Inhalt

Mögliche Ursache: Classifier hat False Negative.

Sinnvolle Prüfung: mehrere Schutzschichten nutzen.

465. Problemhilfe: Prompt Guard meldet harmlose Injection

Mögliche Ursache: Text ähnelt Angriffsformat.

Sinnvolle Prüfung: anwendungsspezifisch evaluieren.

466. Problemhilfe: LlamaFirewall blockiert Arbeitsablauf

Mögliche Ursache: Regeln oder Toolklassifikation kollidieren.

Sinnvolle Prüfung: Entscheidungstrace prüfen.

467. Problemhilfe: EU-Trainingswiderspruch unklar

Mögliche Ursache: mehrere Privacy-Einstellungen werden verwechselt.

Sinnvolle Prüfung: offizielle Widerspruchs- und Ads-Einstellungen getrennt prüfen.

468. Problemhilfe: Meta-AI-Chat verändert Empfehlungen

Mögliche Ursache: AI-Interaktionen fließen in Personalisierung.

Sinnvolle Prüfung: Ads/Feed Preferences prüfen.

469. Problemhilfe: Gelöschter Chat beeinflusst noch Feed

Mögliche Ursache: Empfehlungssystem und Chatverlauf sind getrennte Datenpfade.

Sinnvolle Prüfung: Personalisierungseinstellungen separat prüfen.

470. Problemhilfe: Meta AI nutzt falsches Profil

Mögliche Ursache: Accounts Center verbindet mehrere Profile.

Sinnvolle Prüfung: Kontoverknüpfung prüfen.

471. Problemhilfe: US-Funktion fehlt in Deutschland

Mögliche Ursache: Rollout/Regulierung ist regional.

Sinnvolle Prüfung: deutsche/europäische Produktseite prüfen.

472. Problemhilfe: AI Studio lässt keinen neuen Character mehr zu

Mögliche Ursache: Meta hat die Character-Erstellung 2026 eingestellt.

Sinnvolle Prüfung: bestehende Charaktere nur archivisch weiterführen.

473. Problemhilfe: Alter AI-Character reagiert anders

Mögliche Ursache: Backend wird auf neue Modellinfrastruktur migriert.

Sinnvolle Prüfung: Datum und Verhalten neu dokumentieren.

474. Problemhilfe: Meta AI erfindet Fakt

Mögliche Ursache: Modell oder Retrieval ist unsicher.

Sinnvolle Prüfung: Web-/Primärquelle prüfen.

475. Problemhilfe: Gesundheitsantwort klingt sicher

Mögliche Ursache: Modell ist kein Arzt.

Sinnvolle Prüfung: professionelle Quelle nutzen.

476. Problemhilfe: Finanzempfehlung wirkt personalisiert

Mögliche Ursache: Profil-/Social-Kontext kann Antwort beeinflussen.

Sinnvolle Prüfung: unabhängige Finanzdaten und Beratung nutzen.

477. Problemhilfe: Agent veröffentlicht falschen Inhalt

Mögliche Ursache: Schreibrecht war zu weit.

Sinnvolle Prüfung: Postingrechte sperren und Review einführen.

478. Problemhilfe: Incognito-Inhalt wurde extern geteilt

Mögliche Ursache: Nutzer oder Tool hat Information aus Privacy-Kontext herauskopiert.

Sinnvolle Prüfung: Freigaben prüfen.

479. Problemhilfe: Lokales Modellpaket ist verdächtig

Mögliche Ursache: inoffizielle Datei oder Custom Code.

Sinnvolle Prüfung: Hash, Quelle und Dateiformat prüfen.

480. Problemhilfe: Cloudantwort ändert sich plötzlich

Mögliche Ursache: Meta hat Modell oder Routing aktualisiert.

Sinnvolle Prüfung: Datum und Modus festhalten.

481. Mythos: Meta AI und Llama sind dasselbe

Meta AI ist ein Produkt, das im Lauf der Zeit verschiedene Modellfamilien verwendet hat.

2026 wird Meta AI zunehmend von Muse angetrieben, während Llama als offene Entwickler- und Self-Hosting-Linie weiterlebt.

482. Mythos: Jede Llama-Version ist klassisches Open Source

Bei Llama sind Gewichte verfügbar, die Lizenzen und die Offenheit von Trainingsdaten unterscheiden sich jedoch von klassischen Open-Source-Projekten.

Der präzisere Begriff ist bei vielen Releases open-weight.

483. Mythos: Muse ist nur Llama 4.5

Meta stellte Muse 2026 als neue Modellfamilie aus der neu aufgebauten MSL-Entwicklung vor.

Muse Spark 1.2 wird deshalb nicht als Llama-Unterversion archiviert.

484. Mythos: Llama 4 Behemoth wurde zusammen mit Scout und Maverick veröffentlicht

Scout und Maverick waren die veröffentlichten Llama-4-Modelle.

Behemoth wurde als großer Teacher in Training vorgestellt und darf nicht wie ein normaler Download behandelt werden.

485. Mythos: 17 Milliarden aktive Parameter bedeuten, dass Maverick nur 17B groß ist

Bei Mixture-of-Experts-Modellen ist die aktive Parameterzahl pro Token kleiner als die Gesamtparameterzahl.

Maverick besitzt rund 400 Milliarden Gesamtparameter.

486. Mythos: 10 Millionen Kontext bedeuten perfektes Gedächtnis

Ein extrem großes Kontextfenster erhöht Eingabekapazität.

Aufmerksamkeit, Retrieval, KV-Cache, Kontextqualität und Laufzeit bleiben limitierende Faktoren.

487. Mythos: Lokal bedeutet automatisch vollständig privat

Ein lokales Modell kann Dateien ohne Cloud verarbeiten.

Sobald der Agent Websuche, Telemetrie, E-Mail oder andere Online-Tools verwendet, können Daten das Gerät verlassen.

488. Mythos: Jeder Meta-AI-Chat ist Incognito

Incognito Chat ist ein spezieller Private-Processing-Modus.

Normale Meta-AI-Unterhaltungen besitzen andere Speicher-, Personalisierungs- und Verbesserungsregeln.

489. Mythos: Meta trainiert pauschal mit allen privaten WhatsApp-Nachrichten

Meta erklärt normale private Nachrichten mit Freunden und Familie nicht als allgemeines Foundation-Model-Trainingsmaterial zu verwenden.

Wer Inhalte ausdrücklich an Meta AI sendet oder mit der KI teilt, erzeugt jedoch einen separaten AI-Datenpfad.

490. Mythos: Ein EU-Widerspruch schaltet jede Meta-Personalisierung ab

Trainingswiderspruch, Werbe-/Feedpersonalisierung, Memory und Accounts-Center-Verknüpfung sind unterschiedliche Einstellungen.

Sie müssen getrennt verwaltet werden.

491. Mythos: Werbepersonalisierung und Modelltraining sind derselbe Vorgang

Meta kann AI-Interaktionen für Empfehlungen oder Anzeigen verwenden, ohne dass dies technisch derselbe Prozess wie Foundation-Model-Training ist.

Training, Memory und Recommendation bleiben getrennte Datenverwendungen.

492. Mythos: Viele übereinstimmende Facebook- oder Instagram-Posts machen eine Aussage wahr

Social Grounding zeigt reale Meinungen, Erfahrungen und Trends.

Koordinierte Fehlinformation und virale Gerüchte bleiben möglich.

493. Mythos: Websuche ist im Modellgewicht eingebaut

Search ist ein Werkzeug, das aktuelle Quellen zur Laufzeit liefert.

Ein lokales Llama- oder Glimmer-Modell besitzt ohne Tool keine Live-Webkenntnis.

494. Mythos: Muse Glimmer ist nur eine langsamere Cloudvariante von Spark

Glimmer ist eine offene, lokal ausgerichtete Modelllinie für Agentenworkflows.

Spark 1.2 ist die stärkere gehostete Muse-Klasse.

495. Mythos: 30B ist klein genug für jeden PC

30 Milliarden Parameter sind im Vergleich zu Frontiermodellen kompakt, benötigen aber je nach Quantisierung immer noch beträchtlichen RAM oder VRAM.

„Consumer-GPU“ bedeutet nicht beliebige Einsteigerhardware.

496. Mythos: Muse Code ist nur ein Modellname

Muse Code ist ein Agentenharness beziehungsweise Terminalprodukt.

Das zugrunde liegende Modell ist Muse Spark 1.2.

497. Mythos: Dasselbe Modell arbeitet in jedem Coding-Agenten gleich

Agentenharness, Tools, Prompts, Compaction, Subagenten und Berechtigungen beeinflussen die Leistung stark.

Muse Spark 1.2 wurde ausdrücklich mit Muse Code co-trainiert.

498. Mythos: Mehr Subagenten bedeuten automatisch bessere Ergebnisse

Parallelität erhöht Durchsatz und Suchraum.

Gemeinsame Fehlannahmen, Kosten und Merge-Konflikte können ebenfalls wachsen.

499. Mythos: Llama Guard macht eine Anwendung automatisch sicher

Guard-Modelle klassifizieren Inhalte nach Policies.

Toolrechte, Prompt Injection, Codeausführung und Geschäftslogik brauchen zusätzliche Schutzschichten.

500. Mythos: LlamaFirewall ersetzt normale Security

LlamaFirewall kann AI-spezifische Risiken orchestrieren und erkennen.

IAM, Sandbox, Secrets, Netzwerkregeln und menschliche Freigaben bleiben notwendig.

501. Mythos: Meta-AI-App-Zugang ist automatisch API-Guthaben

Consumerprodukt und Entwickler-API sind getrennte Zugangs- und Abrechnungswege.

API-Schlüssel und Entwicklerbedingungen werden separat verwaltet.

502. Mythos: Open Weight bedeutet kostenloser Betrieb

Gewichte können ohne per-token Cloudpreis laufen.

Hardware, Strom, Administration, Speicher, Monitoring und Engineering verursachen eigene Kosten.

503. Mythos: Ein 4-Bit-Quant ist exakt dasselbe Modell

Quantisierung verändert numerische Präzision.

Gerade Reasoning, Coding und Tool Calls müssen nach Quantisierung erneut evaluiert werden.

504. Mythos: Jeder Dateiname mit „Llama“ stammt von Meta

Community-Finetunes und Quantisierungen verwenden häufig Llama im Namen.

Quelle, Lizenz, Modellkarte und Hash müssen überprüft werden.

505. Mythos: Meta AI Studio ist 2026 unverändert der zentrale Character-Builder

Meta stoppte im August 2026 die Erstellung und Bearbeitung neuer AI-Charaktere.

Bestehende Charaktere können fortbestehen, die strategische Richtung liegt aber bei Muse und persönlichen Agenten.

506. Mythos: Vibes ist nur ein Bildgenerator

Vibes ist ein sozialer Feed für AI-generierte Kurzvideos mit Remix und Distribution.

Generatives Modell und Empfehlungsfeed sind beide Teil des Produkts.

507. Mythos: Meta AI Glasses zeichnen automatisch ständig alles als Video auf

AI Glasses können Kamera- und Audiokontext für konkrete Funktionen verwenden.

Aufnahme, AI-Anfrage, Live-Übersetzung und Veröffentlichung sind unterschiedliche Aktionen.

508. Mythos: Die Stimme ist das LLM

Speech Recognition, Reasoningmodell und Sprachsynthese sind getrennte Komponenten.

Ein Sprachfehler kann vor oder nach dem eigentlichen Modellreasoning entstehen.

509. Mythos: Eine Meta-AI-Antwort lässt sich immer exakt einem öffentlichen Modell zuordnen

Meta kann Routing, Thinking, Search und Toolketten serverseitig ändern.

Wenn die Oberfläche keine exakte Modell-ID zeigt, wird sie nicht erfunden.

510. Mythos: Ein Cloudmodell bleibt über Monate deterministisch gleich

Meta kann gehostete Modelle, Post-Training, Routing und Safeguards aktualisieren.

Für historische Vergleiche sind Datum, Modus und Oberfläche Pflicht.

511. Mythos: Ein lokales Modell wird automatisch veraltet und unbrauchbar

Lokale Gewichte bleiben reproduzierbar und können für stabile Offlineaufgaben sehr wertvoll sein.

Nur aktuelle Webkenntnis und neue Fähigkeiten kommen nicht automatisch hinzu.

512. Mythos: Ein öffentlicher Post ist datenschutzrechtlich bedeutungslos

Öffentliche Inhalte können sensible personenbezogene Informationen enthalten.

AI-Zusammenführung kann Aussagen in neue Kontexte bringen.

513. Mythos: Das größte Meta-Modell ist immer die beste Wahl

Kosten, Latenz, Hardware, Tools, Datenschutz und Aufgabe bestimmen die sinnvolle Modellklasse.

Ein lokales kleines Modell kann für klar begrenzte Aufgaben praktischer sein.

514. Mythos: Herstellerbenchmarks entscheiden die Modellwahl

Benchmarks messen definierte Testaufgaben.

Eigene Evaluation mit realen Daten und Fehlertoleranzen ist entscheidend.

515. Mythos: Muse macht Llama bedeutungslos

Llama bleibt eine wichtige offene Modell-, Forschungs- und Self-Hosting-Familie.

Muse erweitert Metas Portfolio, statt die historische Llama-Bedeutung zu löschen.

516. FAIR und offene Forschung als Vorgeschichte

PyTorch, OPT und andere FAIR-Arbeiten erklären Metas langjährige Strategie offener Forschungsinfrastruktur.

Diese Vorgeschichte wird getrennt von den späteren Consumer-Assistenten archiviert.

517. LLaMA 1 als Forschungsrelease

Die ursprüngliche Zugangslizenz, Modellgrößen und die spätere unkontrollierte Verbreitung der Gewichte sind wichtige Primärmerkmale.

Spätere offene Llama-Lizenzen werden nicht rückwirkend auf LLaMA 1 übertragen.

518. Llama 2 als kommerzieller Wendepunkt

Mit Llama 2, Microsoft-Partnerschaft und Community-Lizenz wurde aus dem Forschungsmodell eine breite Entwicklerplattform.

Originale Lizenzdateien und Model Cards gehören zum Archivstand.

519. Code Llama

Code Llama dokumentiert die frühe Spezialisierung offener Llama-Modelle auf Programmierung.

Modellgröße, Python-/Instruct-Variante und Infilling-Fähigkeit werden getrennt gesichert.

520. Meta AI 2023

Der frühe Assistent mit Bing Grounding, Llama-2-Technik, Emu und Character-AIs bildet eine eigene Produktphase.

Er darf nicht rückwirkend mit Muse-Funktionen beschrieben werden.

521. Llama 3 und 3.1

8B/70B, später 405B, 128K Kontext, Tool Use und Llama Stack markieren den Aufstieg zur offenen Frontierklasse.

Tokenizer, Chattemplate und Lizenz werden mitversioniert.

522. Llama 3.2 Edge und Vision

1B/3B sowie 11B/90B zeigen zwei getrennte Pfade: lokale kleine Textmodelle und multimodale Visionmodelle.

Hardware- und Runtimeinformationen gehören zum Modellarchiv.

523. Llama 3.3 70B

Die kompaktere 70B-Generation zeigt den Effekt besserer Trainings- und Distillationsrezepte.

Sie sollte nicht zwischen 3.2 und 4 verschwinden, nur weil sie nur eine dominante Größe hatte.

524. Llama 4 Scout und Maverick

MoE, Early Fusion, 10M-Kontext bei Scout und die große Maverick-Gesamtkapazität sind zentrale Architekturmerkmale.

Behemoth bleibt ausdrücklich Teacher/Preview und nicht normaler Download.

525. LlamaCon und Llama API

Der April 2025 dokumentiert Metas Versuch, Open Weights mit einem komfortablen gehosteten Entwicklerdienst zu kombinieren.

API-Preview-Bedingungen werden mit Datum archiviert.

526. Llama-Safety-Stack

Llama Guard, Prompt Guard, CyberSecEval und LlamaFirewall zeigen den Ausbau vom Modell zu einer Security-Toolchain.

Versionen und Policykategorien werden separat festgehalten.

527. Europa

Verzögerter Meta-AI-Start, Trainingswiderspruch und Datenschutzdebatten sind ein wesentlicher Teil der Produktgeschichte.

Region und Kontotyp gehören deshalb zu Screenshots und Funktionsständen.

528. Meta AI App

Der April-2025-Start als eigenständige App mit Voice, Discover und Glasses-Verwaltung markiert den Schritt aus den Social-Apps heraus.

Spätere Muse-Umstellung wird als eigenes Update dokumentiert.

529. Vibes

Der AI-Video-Feed verbindet Mediengenerierung mit Social Discovery.

Generierte Clips und Remixbeziehungen werden als AI-Inhalte gekennzeichnet.

530. AI Glasses

Ray-Ban Meta, Gen 2, Display und Neural Band zeigen die Entwicklung vom Chatbot zum wahrnehmenden Wearable-Assistenten.

Hardware-, Firmware- und Meta-AI-Modellstand werden getrennt notiert.

531. Muse als neue Modellfamilie

Muse Spark ab April 2026 ist kein Llama-4.x-Namensupdate.

Die neue MSL-Organisation, Modellkarten und Produktmigration werden als eigene Generation archiviert.

532. Muse Spark 1.1

1M Kontext, Computer Use, Subagenten und Meta Model API markieren den Übergang zum langfristigen Agentensystem.

Thinking-Modus und API-Previewstatus werden mitgesichert.

533. Muse Spark 1.2

Das August-2026-Update ist am aktuellen Stichtag der jüngste Spark-Stand und eng mit Muse Code co-trainiert.

Modellrelease und Agentenharness werden gemeinsam, aber nicht als dasselbe Objekt archiviert.

534. Muse Code

Persistente Subagenten, isolierte Worktrees und zentraler Aktionslog sind zentrale Agentenharness-Eigenschaften.

Beta-Versionen können sich schnell ändern und brauchen datierte Screenshots/CLI-Versionen.

535. Muse Glimmer

Das offene lokale 30B-Modell ist ein wichtiger Gegenpol zu Metas gehosteten Muse-Modellen.

Gewichtsdateien, Lizenz, Hash, Quantisierung und Runtime sind besonders wertvolles Primärmaterial.

536. Muse Image und Muse Video

Metas Medienmodelle werden getrennt von Sprach-/Agentenmodellen archiviert.

Bei generierten Beispielen bleiben Prompt, Modell, Seed soweit verfügbar und Bearbeitungsstatus erhalten.

537. Incognito und normale Chats

Private Processing ist eine technisch andere Datenarchitektur als normaler Meta-AI-Betrieb.

Ein historischer Privacy-Vergleich nennt immer den konkret verwendeten Modus.

538. AI Studio 2024–2026

Die Character-AI-Phase endet funktional 2026 mit dem Stopp neuer Character-Erstellung.

Bestehende Charaktere werden als historische Produktspur getrennt vom Muse-Agentenpfad erhalten.

539. Lokale Inferenz

GGUF, llama.cpp, Ollama, Quantisierung und Self-Hosting sind für Llama historisch fast so wichtig wie die offiziellen Cloudprodukte.

Runtime- und Quantisierungsversionen gehören zum Reproduktionsstand.

540. Lizenzen sichern

Die Modellfamilien wechselten Lizenz- und Zugangsmodelle.

Die jeweilige LICENSE-Datei wird zusammen mit Gewichten beziehungsweise Modellkarte archiviert.

541. Hashes und Modellidentität

Lokale Open-Weight-Artefakte werden über Dateihashes und genaue Revisionsnamen identifiziert.

Ein Marketingname allein reicht für historische Reproduzierbarkeit nicht.

542. Vergleich mit ChatGPT

Die OpenAI-ChatGPT-Chronik dokumentiert einen stärker zentral gehosteten Produkt- und Agentenpfad.

Meta unterscheidet sich besonders durch soziale Plattformintegration und die starke Open-Weight-/Self-Hosting-Tradition.

543. Vergleich mit Claude

Die Anthropic-Claude-Chronik betont Constitutional AI, MCP, Long Context und Agentenarbeitsplätze.

Meta kombiniert Agenten 2026 mit Social Grounding, Wearables und offenen lokalen Modellen.

544. Vergleich mit Gemini

Die Google-Gemini-Chronik zeigt ein ähnlich breites Ökosystem aus Apps, Search, Android und Cloud.

Meta besitzt dagegen den besonderen sozialen Kontext aus WhatsApp, Instagram, Facebook, Messenger und Threads.

545. Vergleich mit Grok

Die Grok-Chronik nutzt X als Echtzeit- und Social-Datenquelle.

Meta verfügt über mehrere soziale Netzwerke und verbindet diese zusätzlich mit offenen lokalen Modellpfaden.

546. Vergleich mit Microsoft Copilot

Die Microsoft-Copilot-Chronik integriert KI tief in Windows und Microsoft 365.

Meta konzentriert sich stärker auf Consumer-Social, Wearables, Creator-Tools und Open-Weight-Modelle.

547. Zur KI-Werkzeugübersicht

Die Seite KI-Werkzeuge bleibt der übergreifende Vergleich von Methoden, Stärken, Risiken und Produktzuständen.

Diese Chronik vertieft ausschließlich Meta AI, Llama und Muse.

548. Wohin Meta AI 2026 zeigt

Die Richtung führt zu persönlichen, dauerhaft verfügbaren Agenten, die Social Context, Wearables, persönliche Apps und multimodale Modelle verbinden.

Gleichzeitig hält Meta mit Glimmer und Llama an lokalen offenen Modellen fest.

549. Fazit: Von offenen Llama-Gewichten zur persönlichen Muse-Agentenplattform

Zwischen LLaMA im Februar 2023 und Muse Spark 1.2, Muse Code sowie Muse Glimmer im August 2026 liegen nur dreieinhalb Jahre.

Metas Besonderheit ist die Gleichzeitigkeit von offenen Modellen, Milliarden-Nutzer-Socialprodukten, Wearables, Werbepersonalisierung und immer autonomeren Agenten.

Weiterführende interne Themen

Die vergleichende Methoden- und Sicherheitsseite bleibt KI-Werkzeuge. Die parallelen großen Chroniken dokumentieren OpenAI ChatGPT, Anthropic Claude, Google Gemini, xAI / SpaceXAI Grok und Microsoft Copilot.