Meta发布称为Bean Machine的几率程序开发系统，该系统能够用来表达和了解，日常所使用机器学习模型中的不确定性。Bean Machine供用户开发特定领域的几率模型，并使用自动、不确定性学习算法，来学习模型所未观察到的属性。
Bean Machine是一种通用的几率程序开发语言，能够让用户使用声明式语法，对以Python编写的统计模型进行推理，官方提到，Bean Machine能够实现快速准确的贝氏分析，让开发和部署生成式几率模型变得主动且高效率。
Bean Machine的生成式建模，不仅提供有用的预测，就像是传统机器学习技术所提供的结果一样，更特别的是，Bean Machine还能用几率分布的形式，估计问题的不确定，而估计不确定性有助于确保预测的可靠性和强健性。
与其他机器学习方法相比，使用Bean Machine主要有三大好处，不确定性估计、表现性和可解释性。不确定性估计让分析师能够更全面掌握预测系统的行为，因为预测是通过几率分布形式，来可靠地测量不确定性，分析师不仅可以了解系统的预测，也可以了解其他预测的相对可能性。
而且Bean Machine能够更好地表达结果的意义，直接在原始程序代码中编码模型，这将让用户能够将模型的结构，以及问题的结果相对应。最后，因为模型与领域相对应，所以可以查询模型中的中间学习属性，这代表用户不仅可以使用模型“黑盒子”，还可以对特定预测的结果做出解释，对于模型开发过程有很大的帮助。
由于Bean Machine构建在PyTorch之上，具有声明式建模语法，所以能高效率又主动地构建几率模型时，其通过实例最先进的推理算法，允许用户对不同的问题和子问题，选择和自定义推理方法，进而在自动化和灵活性间取得平衡。
Bean Machine所提供的声明式语法，对随机变量提供顶级的支持，因此用户能够非常主动地在程序中推论模型，就像在纸上计算一样，模型简单地由一组以特定方式相互作用的随机变量所定义，在Bean Machine中，随机变量被实现成经装饰的Python函数，其提供了指向该随机变量的唯一举标，使用函数就可以轻松地确定随机参数的定义。
虽然Bean Machine对张量模型提供良好地推理性能，但是许多几率模型因为结构问题，对大型张量操作来说难以编写，为了解决这个问题，Meta正在开发Bean Machine Graph（BMG），结合特别的编译器和Runtime，使得未张量化的模型也能执行推理。BMG推理使用自定义编译器来解释Bean Machine模型，并将其转换成没有Python相依项目的专门实例，这些都会是自动化运行，但目前支持功能集有限，官方正快速解决该问题，来支持常见的模块问题。