Executorch
PulseAugur coverage of Executorch — every cluster mentioning Executorch across labs, papers, and developer communities, ranked by signal.
- 2026-09-10 product_launch React Native Executorch released version 0.10.0, achieving up to 92x speed improvement. 来源
1 天有情绪数据
-
Transformer模型使用合成数据预测血糖
一位用户开发了一个拥有31,251个参数的仅编码器Transformer模型来预测血糖水平。该模型在T1DM模拟器的合成数据上进行训练，在真实血糖轨迹上展现了零样本性能。该模型可以预测接下来的两个小时，并可用于自回归以进行长期预测，其模型、模拟器和使用ExecuTorch进行测试的Android应用程序的源代码均已公开。
-
React Native Executorch 通过新的 TypeScript 管道实现 92 倍速度提升
React Native Executorch 项目已发布 0.10.0 版本，实现了高达 92 倍的显著速度提升。此次更新用可检查的 TypeScript 管道替换了单体原生模块。新版本旨在跨主要硅后端运行，并促进自定义模型的集成。
-
Meta发布Muse Glimmer，一款用于高效本地运行的30B智能体模型
Meta发布了Muse Glimmer，一个拥有300亿参数的多模态智能体模型，专为在本地高效运行而设计，并支持128K上下文窗口。该模型采用混合注意力机制，结合了局部注意力（处理邻近token）和全局注意力（处理更广泛的上下文），显著降低了KV缓存需求。它还采用了先进的量化技术，使其能够在24GB显存内运行，同时最大限度地减少性能损失。Muse Glimmer通过多阶段蒸馏过程进行训练，整合了推理轨迹和特定于智能体的数据，以实现本地…
-
CropCop：已开发出可审计的 120 类植物健康模型
研究人员开发了 CropCop，一个能够识别 120 种不同植物健康状况的植物健康识别系统。该系统的开发涉及从超过 117,000 张图像中重建基准数据集，仔细审计重复项并确保数据完整性。经过微调的 DINOv3 ConvNeXt-Tiny 模型在该基准上取得了高精度，而更紧凑的 MobileNetV4 衍生模型则以显著更小的占地面积展示了可比的性能。最终产物，一个 ExecuTorch/XNNPACK 运行时，保持了高精度和保真度，…
-
Meta发布开源代理模型Muse Glimmer以供本地使用
Meta发布了Muse Glimmer，一个专为在个人电脑和Mac上本地执行而设计的开源代理模型。这个拥有300亿参数的模型，在Apache 2.0许可下发布，针对“始终在线”的代理工作流进行了优化，能够管理个人数据、使用工具和执行多步推理。Meta通过三个阶段的流程训练了该模型，并利用量化和推测解码技术实现了高效的本地部署。
-
Meta 的 Muse Glimmer 30B 模型将强大的 AI 代理引入消费级 GPU
Meta 发布了 Muse Glimmer，一个拥有 300 亿参数的开放权重模型，针对本地 AI 代理工作流进行了优化，能够运行在单个消费级 GPU 上。该模型以 Apache 2.0 许可发布，在代理基准测试中表现出竞争力，并专为始终在线、设备端运行而设计，减少了对云基础设施的依赖。NVIDIA 已就其硬件上的 Muse Glimmer 部署提供指导，强调了其在隐私敏感应用和降低运营成本方面的潜力。
-
Meta 发布 Muse Glimmer，一款用于本地 AI 代理的 30B 开源模型
Meta 发布了 Muse Glimmer，一个拥有 300 亿参数的开源模型，针对本地代理工作流进行了优化。该模型设计用于在消费级硬件（如单个 GPU）上运行，使其可用于个人使用以及需要更高数据控制的企业应用。Muse Glimmer 在编码、工具使用和多步推理等任务中表现出色，旨在普及先进的 AI 功能。
-
使用 ExecuTorch MLX 代理，Qwen3 LLM 在 Apple Silicon 上运行速度提升高达 4.52 倍
一项最近的技术探索展示了在使用 ExecuTorch 的实验性 MLX 代理在 Apple Silicon 上运行 Qwen3-0.6B 语言模型时，速度得到了显著提升。与 PyTorch 的 MPS 后端相比，利用 Apple 的 MLX 框架的 MLX 代理在使用 4 位量化 (INT4) 时，解码吞吐量速度最高提升了 4.52 倍。虽然这种量化方法极大地减小了文件大小并提高了速度，但观察到在少数测试用例中改变了模型的输出。
-
新研究助力移动设备上的 LLM 更快、更高效
研究人员开发了在移动设备上部署大型语言模型的新方法，重点关注降低延迟和内存使用。其中一种方法 MobileLLM-Flash 使用硬件在环架构搜索和注意力跳过，创建可在标准移动运行时上部署的高效模型。另一个框架将应用程序特定的 LoRA 集成到单个冻结推理图中，从而实现动态任务切换和多流解码，以在 Samsung Galaxy S24 和 S25 等设备上更快地生成响应。