去年4月，Llama 4的發(fā)布成了AI圈年度翻車現(xiàn)場?；鶞蕼y試數(shù)字是真的，但跑分的模型你根本下載不到——Meta自己的AI首席科學家離職前實錘了這事。開發(fā)者社區(qū)炸了，公司裝死。

然后，整整9個月，一聲不吭。

從零開始：一場被迫的推倒重來

這9個月Meta干了什么？不是修修補補，是全部推倒。據(jù)內部人士透露，團隊砍掉了為刷榜而存在的專用子模型架構，重新設計了訓練流程。一位參與項目的產品經(jīng)理形容："就像發(fā)現(xiàn)地基是空心磚之后，決定連地基帶樓一起拆了。"

5月15日，Muse Spark突然發(fā)布。沒有預告，沒有倒計時，沒有"即將改變世界的"公關話術。模型卡（Model Card）直接扔在官網(wǎng)上，附了一行小字：「本次測試使用公開可下載版本，未啟用任何未公開子模塊?！?/p>

這話是說給誰聽的，大家都懂。

分數(shù)之外：一個產品經(jīng)理的賭局

Muse Spark的紙面成績很有意思。它在MMLU-Pro、GPQA Diamond等學術基準上確實沒干過Claude 4和Gemini 2.5 Pro，差距大概在3-5個百分點。但Meta這次換了個玩法——他們同時公布了一套「生產環(huán)境壓力測試」結果。

這套測試模擬的是真實場景：長文檔摘要時突然插入新指令、多輪對話中的上下文遺忘率、高并發(fā)下的響應穩(wěn)定性。在這些指標上，Muse Spark的反超幅度達到了12-18%。

換句話說，Meta不再跟你比考試分數(shù)，而是比誰能扛住真實用戶的折騰。

這個轉向很產品經(jīng)理思維。刷榜模型就像為跑分特調的概念車，真上路就散架；Muse Spark想證明自己是量產車，能過減速帶，能裝五個人，空調不會壞。

開源社區(qū)的微妙反應

Hugging Face上的下載曲線說明了一些問題。發(fā)布后72小時內，Muse Spark的權重下載量超過了Llama 4同期數(shù)據(jù)的2.3倍。更關鍵的是微調模型的爆發(fā)——社區(qū)在48小時內上架了17個垂直領域適配版本，從法律合同審查到半導體工藝優(yōu)化。

一位在GitHub上維護Llama生態(tài)的開發(fā)者留言：「上次Llama 4發(fā)布時我在寫bug report，這次我在寫集成文檔。感受完全不同?！?/p>

但質疑聲也沒停。有人翻出Muse Spark在代碼生成任務上的HumanEval得分，確實比競品低4個百分點?！笡]拿第一就是沒拿第一，換種說法包裝而已?！?/p>

Meta的選擇是沉默。沒有高管出來反駁，沒有追加聲明。

9個月沉默的代價與收益

這9個月對Meta來說很貴。據(jù)The Information報道，重組期間至少有3名資深研究員離職加入對手公司，Llama品牌的市場信任度一度跌到谷底。但換來的東西也很具體：一套可復現(xiàn)的訓練流程，一份經(jīng)得起顯微鏡審視的模型卡，以及——用內部人士的話說——「我們終于能睡踏實了」。

首席AI科學家Yann LeCun在Threads上發(fā)了張圖：Muse Spark架構圖的某個角落，藏著一行工程師注釋「# no benchmark tricks this time」。收獲了1.2萬贊和一堆「lol」。

這種自嘲式的坦誠，在Meta歷史上并不常見。

Muse Spark是不是最好的模型？按傳統(tǒng)評分標準，不是。但它可能是第一個讓競爭對手真正緊張的開源模型——不是因為分數(shù)，而是因為Meta證明了它愿意為了長期可信度，放棄短期刷榜的快感。

下一個問題是：當OpenAI和Anthropic的下一代閉源模型發(fā)布時，這套「生產環(huán)境優(yōu)先」的敘事還能不能站得住腳？