Meta调整开源与闭源战略布局

过去这一周，美国开源权重模型（open-weight models）的天平向技术前沿发生了一次质的跃升。Meta 成为这一冲锋的领头羊，其推出的 Muse Spark Open 目前以相当大的优势成为美国制造的最强开源模型，而 Reflection 的首个模型 Beam 的加入同样意义重大。

如果没有这两款模型，将有 20 多款由中国公司构建和发布的开源权重模型优于西方最好的模型。在撰写本文时，Mistral 也发布了一款强大的模型 Mistral Large 4，其基准得分（index score）为 38（见下文），但其权重尚未发布。有传言称，其他机构也将推出几款实力强劲的美国开源权重模型！

在许多方面，美国顶尖模型与中国顶尖模型之间的差距大约缩减了一半。我们已经从“美国最好的开源模型对于需要前沿性能的消费者来说基本无关紧要”，转变为“虽然落后但仍具相关性”。

这勾勒出了前沿模型业务残酷、竞争激烈的本质。Reflection 和 Mistral 公布了其模型的得分，而 Meta 在这两家实验室发布自己的权重之前，抢先放出了一个更聪明模型的权重。

所有这些模型都在与几个月前发布的中国模型进行竞争，整个行业都在集体发问——自 8 月 18 日和 7 月 16 日分别发布 GLM-5.3 和 Kimi K3 以来，Kimi（Kimi）和智谱 AI（Zhipu AI）一直在做什么？

这是一个非常微妙的问题，我将在以后深入探讨。今天的文章主要关注 Meta 的绝地反击、Muse Spark Open 对生态系统的意义，以及西方前沿实验室之间的力量对比。

Share

为什么 Muse Spark Open 应该腾飞——以及它为什么可能不会腾飞

我们在 Interconnects 通过开源模型分析一次又一次看到的是，在性能与规模（performance-to-size footprint）相同的情况下，西方开源权重模型的采用率远远超过中国模型（尽管中国模型通常先发布）！

Muse Spark Open 正是在这种环境下登陆的，同时开放式大语言模型智能体（open-ended LLM agents）也终于成为现实（约具备 GLM 5.2 及以上的性能）。

借着中国模型性能迅速提升的东风，开源生态系统一直在经历需求的加速增长。推理提供商正在迅速扩展规模，开源后训练经济正在形成，无数企业都在寻求掌控自己的智能。Muse Spark Open 的性能大致高于 GLM 5.2，接近 DeepSeek V4.1 Flash，落后于 GLM 5.3 或 Kimi K3。它完全“足够优秀”，能够直接切入这一领域。

作为背景介绍，摘自 Hugging Face 上的 Muse Spark Open 模型卡片（model card）：

Muse Spark Open 是一个总参数量达 816B、激活参数量为 42B 的开源权重模型，具有 1M tokens 的上下文窗口。Muse Spark Open 专为编程和智能体工作而构建，原生支持多模态

此开源权重版本经过了额外的安全后训练，使其在作为脱离系统护栏的独立模型时，对滥用的防御更加稳健。我们建议将 Muse Spark Open 作为更广泛 AI 系统的一部分进行部署，并针对具体用例配以额外的护栏。

以下是各种 Muse 模型在 Artificial Analysis Intelligence Index 上的分布情况。

此内容旨在呼应最初的模型卡片片段。据分享，这款开源权重模型经过了额外的安全训练，以为此次开源发布做准备。许多观察人士认为，这个发布于 Muse Spark 1.3 之后的模型可能在安全训练中被“破坏”了。

实际上，这更可能是对 Muse Spark 1.2 的一次安全微调，在 Artificial Analysis 上只会下降 1 分以巩固安全行为。当 Meta 发布 30B 智能体模型 Muse Glimmer 时，Alex Wang 表示他们正准备以开源权重形式发布 Muse Spark 1.2 模型，这与上述情况吻合。

如果有什么会阻碍 Muse Spark Open 的发展，那就是他们为其设计的特定许可证。总之，这个自定义许可证几乎包含了我们在过去几年使用开源模型构建时所见过的（并在本文中批评过的）所有限制性许可证行为。它们如下：

模型的终端产品用户必须在其产品上显示“Built with Muse”。Meta 在 Llama 上这样做过，Kimi 也尝试过，但几乎没有人遵守。

其中存在收入门槛限制：在其整个业务中部署该模型且每月收入超过 $20M 的公司，需要与 Meta 签署单独的许可证。其他知名的开源模型提供商也在这样做，以便为转售推理服务建立收入分成协议。

Muse Spark Open 要求您同意一项可接受使用政策（acceptable use policy），在真正的“开源软件（open source software）”领域，这使得该模型极其不开源。

以上所有规定同样适用于该模型的输出以及衍生作品，因此如果您出于合成数据（synthetic data）安全使用该模型，将会存在法律上的模糊性。

该许可证确实允许将 Muse Spark Open 用于内部研究和应用。

我们处于一种奇怪的平衡状态：这种许可证很复杂，且未经法庭验证，但许多参与者可能会选择忽视它。会有非常多的人基于各大推理提供商的该模型进行构建，而 Meta 可能只会追究那些严重的违规行为。

目前，许可证还不是决定 AI 采用率的关键因素，但这在未来可能会改变。这就是为什么我们认为，对于那些试图竞争并重新获得采用率的实验室来说，为其模型采用复杂、非标准的开放许可证是不必要的战略风险。

Interconnects AI 是一份靠读者支持的出版物

. Consider becoming a subscriber.

Is Meta a tier 1 (OpenAI/Anthropic) or tier 2 (Gemini/xAI) frontier lab?

Just a few days before Muse Spark Open, Meta unveiled their closed frontier models, Muse Wonder and Muse Wonder Full.1 On traditional benchmarks, these are very strong models only behind Anthropic’s Opus 5.5 and similar to OpenAI’s GPT-6-Astra or Google’s Gemini-4-Argon.

These major releases are coming just over a year out from Meta’s massive AI redirection, characterized by CEO Mark Zuckerberg’s Personal Superintelligence post, which got a lot of criticism at the time. Meta is the only American company with frontier open and closed models. Alibaba’s Qwen has followed a similar strategy, but with a far more open-leaning approach.

The vibe checks across all of these models have been solid, but the expectations were for them to not immediately challenge the level of refinement of the most recent Anthropic and OpenAI models in real-world usage. I’m excited to try them more — time to sign up for another AI subscription.

I like this recent run of form from Meta, driving their own products and directions in the popular Muse agent, taking wins like the leading US open-weight crown when useful. Whether or not it’s financially successful, it’s a unique perspective that fits their history as a business.

It often feels like there’s a revolving door of which lab is nipping at the heels of the Anthropic-OpenAI leading duo. It’s not clear that in the long run Gemini and xAI are out of it, but those two are much more muddled in their offerings than Meta today. If you listen to Zuck and Alexandr Wang on The Cheeky Pint, they clearly had a very specific vision of a high-ownership, high-compute per researcher lab that I would expect to pay off. Many labs die due to layers of bureaucracy and misaligned incentives. Meanwhile Alex Wang has over 200 direct reports — i.e. it’s a very flat org with minimal management — and they’re releasing very consistent model and product improvements.

Leave a comment

Much of my worldview of building models is that you need the resources, the compute, the data, and the talent (all downstream of large sums of money), but organizing them is very hard. Gemini is sometimes described as a place where it’s impossible to get any work done or grow — which is embellishing the issue, as many people love it there, but t