start	end	text
166	2533	Meta开源Muse glimmer30B
2700	4366	最值得看的不是参数
4366	5533	也不是跑分
5600	7366	而是它把大模型竞争
7366	9166	从云端大厂的机房
9200	11200	重新推回普通人的电脑
11300	12866	一个30B级别
12866	13900	开放权重
13933	15966	面向本地agent的模型
16133	17733	放在今天这个节点
17766	18900	意思很明确
19266	21700	AI不能只是一张云服务账单
21733	24900	也不能永远被少数公司关在黑盒里
25000	28066	这件事要放在Meta的整体叙事里看
28500	30800	扎克伯格最近把话说得很直
31366	32533	人工智能的主要
32533	34533	目的应该是发明创造
34733	36766	不应该只是自动化替代
37100	39366	超级智能如果真的会到来
39500	42666	那它不应该只掌握在几家公司手里
42933	45366	而应该尽量广泛的分发给
45366	48066	普通人开发者和小团队
48700	50566	Muse Glimmer就是这个叙事
50566	52600	落到产品上的一颗棋子
52800	55100	Muse Glimmer 30B的重点不是
55100	57266	挑战闭源模型的全部能力
57366	60566	而是给本地AI留出一条现实路线
60700	62300	现在很多模型动不动
62300	64500	就是几千亿上万亿参数
64666	65866	听起来很震撼
65900	68000	但普通用户根本跑不起来
68333	70000	他们需要昂贵GPU
70200	71600	需要云端推理
71666	73600	需要订阅和调用额度
73900	75966	Meta选择30B这个体量
75966	77066	就是在说
77200	80133	模型不一定越大越接近未来
80200	82933	能部署能修改能嵌进
82933	85700	工作流才更接近真实使用
85933	88400	这和LLAMA时代的路线一脉相承
89100	91466	Meta一直在开放模型上押注
91666	93533	只是中间经历过摇摆
93766	98200	当Openai Anthropic Google把高端模型
98200	100500	能力不断往闭源体系里收
101000	104533	Meta反而重新把开放权重当成差异化
104600	106933	它没必要在每一项榜单上赢
107166	109100	它要赢的是开发者心智
109600	111566	谁能让更多人拿去改
111666	113733	拿去跑拿去做产品
113966	116966	谁就能在AI底层生态里留下位置
117266	120766	musglm还带有execute torch和PTE
120766	122400	这样的边缘部署意味
122566	124066	这个细节很重要
124566	126966	它不是只给服务器看的模型卡
127133	129600	而是在暗示手机笔记本
129600	132200	边缘设备本地工作站都
132200	134700	可能成为AI agent的运行环境
134800	135866	未来AI agent
135866	137933	不一定每一步都要回云端
138266	140166	他可以在本地看文件读
140166	143066	图片调工具处理私人数据
143100	144366	再把真正复杂的
144366	146166	任务交给云端大模型
146300	149900	这种路线最大的价值是隐私和成本
150366	153700	用户把本地文件工作资料聊天
153700	156666	记录图片和代码交给云端模型
156933	158500	永远会有心理门槛
158900	159966	企业企业更敏感
160066	162333	尤其涉及客户数据合同
162500	164333	研发资料和内部流程
164466	166466	一个能在本地跑的模型
166600	168333	就算能力不是最强
168500	169900	也会因为数据不出
169900	171466	设备而变得有价值
171666	173133	很多真实场景不需要
173133	174766	世界最聪明的模型
175300	177000	只需要一个足够聪明
177066	179766	足够便宜足够可控的助手
179866	181500	这也是开源模型真正
181500	183166	打闭源模型的地方
183733	186533	闭源模型擅长提供最强通用能力
186766	189700	开源模型擅长被改造成具体工具
189766	191366	小团队可以微调它
191800	193800	企业可以把它部署到内网
193966	195200	开发者可以把它接
195200	196900	进自己的agent框架
197466	200000	硬件厂商可以把它塞进边缘设备
200200	201966	闭源模型卖的是能力
201966	204066	开放模型卖的是可塑性
204266	205933	两者不是同一场比赛
206100	208300	Meta这次还把数据中心社区
208300	210266	基金放在同一个叙事里
210300	212466	说明它知道AI扩张正在
212466	214066	遇到新的政治成本
214700	216900	数据中心需要电力土地
216900	219466	水输电设施和社区许可
219533	221566	过去科技公司建机房
221566	223166	地方政府往往欢迎
223166	225100	因为它带来投资和税收
225200	226600	现在情况变了
226666	228733	居民开始担心电费上涨
229166	231500	环境压力和基础设施被占用
231600	233933	AI越庞大越不可能只用
233933	235700	技术语言解释自己
235933	238533	10亿美元社区基金表面上是补偿
238866	241366	背后是AI基建时代的通行费
242066	243733	Meta想告诉当地居民
244000	246500	数据中心不是只把电和水抽走
246500	249533	也会把钱岗位和公共服务带回来
249900	253200	警察消防员社区成员被点名
253266	255466	是一种很现实的政治沟通
255600	257333	AI公司已经发现
257466	259933	光说技术改变世界没用了
260200	262800	真正被影响的人要看到具体回报
263066	266466	Musglimmer和社区基金看似是两件事
266466	268166	其实对应同一个问题
268466	270733	AI权力会不会过度集中
271200	272766	模型集中在云端
272933	274966	算力集中在数据中心
275066	277133	收益集中在少数公司
277400	280100	成本却扩散给社区和消费者
280166	281800	这套结构如果不调整
281800	283200	反弹会越来越大
283366	287066	Meta现在讲开放讲本地讲回馈社区
287100	288666	就是在给自己的AI
288666	290533	扩张换一种合法性
290766	293400	这不代表Meta突然变成公益组织
293600	295500	开源也不是纯粹善意
295866	297966	Meta的商业逻辑很清楚
298366	300300	它没有像Openai那样把
300300	302500	订阅模型做成第一入口
302700	305366	也没有Google那样的搜索默认位置
305766	307533	它最擅长的是平台
307566	310133	分发广告和开发者网络
310300	311900	开放模型能削弱
311900	313800	闭源模型的收费能力
313966	316100	降低竞争对手的护城河
316400	318300	同时让更多应用围绕
318300	320166	Meta的模型生态生长
320466	322566	如果一个开放模型足够好
322566	324700	大量开发者就会围绕它做
324700	327600	工具插件微调和部署方案
327700	330466	哪怕Meta不直接收每一次调用费
330500	333666	它也能影响标准框架和生态方向
333900	336700	安卓当年不是靠系统授权费赚钱
337066	339700	而是靠开放系统占住移动入口
339966	342733	LLAMA和Muse glimmer也有类似逻辑
342933	345666	用开放打破别人的封闭利润池
345800	348300	再在更大的生态里寻找收益
348600	352566	Muse glimmer的30B体量还有一个现实意义
352766	355066	它让AI从演示回到产品
355333	358300	很多AI发布会喜欢展示极限能力
358400	361200	仿佛模型能解决所有复杂问题
361400	362900	但真正落地时
362900	365266	企业关心的是成本延迟
365533	368566	部署安全稳定可维护
368666	370100	一个30B模型
370100	372066	如果能在普通设备或
372066	374533	消费级GPU上完成稳定任务
374866	377700	它的商业价值可能比一个只能在
377700	380866	云端高价运行的巨型模型更直接
380933	382466	尤其是agent场景
382666	384266	agent不是一次聊天
384266	385766	而是一连串动作
386000	388066	理解目标拆任务
388366	390200	读文件调用工具
390333	391366	检查结果
391400	392700	失败后重试
392800	395500	这里面很多步骤并不需要最强模型
395600	398666	文件分类表格检查界面操作
398700	402366	图片理解简单代码修改本地搜索
402533	404500	都可以由较小模型承担
404600	406800	把这些步骤放到本地执行
407366	409400	云端只处理最难的推理
409700	411900	整个系统成本会明显下降
411933	413366	这也解释了为什么
413366	415966	本地模型会越来越重要
415966	417700	AI的下一阶段不是谁
417700	419133	能回答得更漂亮
419666	422600	而是谁能更便宜的完成更多动作
422800	425366	一个公司每天调用百万次模型
425600	428300	如果每一步都走最贵的闭源API
428466	429933	成本会很快失控
429966	431600	本地模型可以承担大量
431600	434466	低风险重复性隐私敏感任务
434533	436300	它不必取代旗舰模型
436666	438166	只要把旗舰模型从低
438166	439933	价值任务里解放出来
439933	441266	就已经很有意义
441366	444300	对普通创作者和小公司来说
444333	446300	这条路线尤其关键
446333	448000	大公司可以买算力
448133	449200	签云合同
449200	450366	雇安全团队
450466	452133	小团队没有这个条件
452733	454533	如果未来所有AI能力都
454533	456900	绑定高价订阅和云端调用
456933	459066	小团队会永远站在门外
459100	460400	开放权重模型
460400	462000	让他们至少有机会在
462000	463866	本地搭一个能跑的系统
464166	465133	哪怕不完美
465133	467266	也能开始改造自己的工作流
467400	469800	当然开源模型也有风险
469900	472100	开放权重意味着能力会扩散
472366	473800	好的用途会扩散
473966	475533	坏的用途也会扩散
475733	478266	安全过滤滥用检测
478533	480300	责任归属都会变复杂
480466	483066	闭源公司常用安全作为封闭理由
483066	484700	不能说完全没有道理
484900	487966	但如果只因为风险就把能力锁死
488400	491066	最后得到的是少数公司
491066	492800	控制所有AI基础设施
493066	495166	Meta现在押的是另一种答案
495800	497133	风险需要治理
497200	500266	但不能用风险作为永久垄断的理由
500500	502566	Muse Glimmer真正要证明的
502566	505566	不是30B能不能击败所有大模型
505733	508666	而是开放路线能不能在AI
508666	511000	商业化最激烈的时候继续存在
511166	512533	闭源路线说
512800	514600	最强能力必须集中
514900	517966	才能安全可靠可收费
518000	520600	开放路线说能力必须分发
520766	523333	社会才不会被少数入口控制
523500	525133	两条路线都会存在
525200	527400	但它们代表完全不同的未来
527733	530333	接下来要看的不是一两次榜单成绩
530400	532800	而是开发者是否真的使用它
532900	535100	有没有人把它部署到本地agent
535466	538100	有没有企业拿它做内部流程
538266	541266	有没有硬件厂商把它放进设备
541666	543200	有没有开源社区围绕
543200	544900	它做微调和工具链
545166	546733	如果这些事情发生
546900	548466	muscoglamer的意义就不
548466	550100	只是一个模型发布
550166	552566	而是Meta在重新争夺AI
552566	554266	基础设施的话语权
554266	556533	这场竞争还有一个更大的背景
557200	559333	AI正在从模型能力竞争
559400	561266	转向分发方式竞争
561500	564166	Openai想把模型做成超级应用
564366	566766	Google想把AI塞回搜索和安卓
567066	569533	苹果想把AI放进硬件和系统
569766	571600	Meta则想让开放模型
571600	573400	成为开发者默认底座
573766	576100	Musglimer只是其中一块拼图
576133	578066	但它指向的方向很清楚
578200	580866	让AI不止存在于云端
581066	583300	也存在于每台电脑每个
583300	585500	应用每个本地工作流里
585500	587100	所以这次发布不能只
587100	589933	看成Meta又开源了一个模型
590300	592000	它更像一次路线宣言
592266	594866	AI如果只能在数据中心运行
595133	597000	用户就永远是租客
597166	599400	AI如果可以在本地运行
599733	601800	用户才有机会成为主人
601966	604100	musglimmer的价值就在这里
604266	606066	它可能不是最强的模型
606366	608166	但他在提醒整个行业
608366	611166	未来的AI不应该只属于机房
611166	612766	也应该属于桌面
612800	616266	这里还要看Costla对AI投资的判断
616466	618466	他认为Openai和Anthropic
618466	620000	不是AI故事的终点
620000	621166	而只是开头
621300	622600	未来会出现更多
622600	625266	千亿美元万亿美元级公司
625500	627800	影响科学医疗能源
627866	630166	教育制造这些基础领域
630200	632533	这个判断放到museglimpse上
632566	634400	就能看见Meta的算盘
634500	637566	如果未来有大量垂直AI公司出现
637733	640666	他们不一定都愿意从闭源API开始
640933	643100	科学研究就是一个典型场景
643266	645666	实验室需要处理论文图像
645700	648366	代码仪器数据和内部记录
648500	650000	很多资料不能随便
650000	651600	上传到外部云服务
651666	653800	一个本地多模态模型
653866	655166	就算不是最强
655200	657166	也可以承担文献整理
657566	660100	实验记录搜索图表理解
660133	662733	工具调用和初步假设生成
662933	664466	它不会替代科学家
664566	666800	但会把很多低价值搜索
666800	668900	和整理动作压低成本
669133	670133	Meta很清楚
670500	672000	闭源模型越强
672166	675266	外界对模型集中化的担心就越重
675300	677366	一个公司如果控制模型
677800	678966	控制分发
679500	680533	控制价格
680733	682133	控制安全规则
682466	684466	开发者就会变成依附者
684800	686666	今天接口价格可以接受
686733	688266	明天规则可能变
688266	689933	今天调用额度够用
689933	692666	明天业务增长后成本可能翻倍
692766	695566	开放模型给开发者留了一条退路
696133	698600	这条退路本身就是谈判筹码
698800	700166	这也是为什么开放
700166	702366	权重会压低行业利润率
702466	704700	只要有足够好的开源替代品
705300	706933	闭源公司就很难对中
706933	708766	低端任务收太高价格
708966	711133	旗舰模型仍然可以卖高价
711266	713066	但大量日常任务会被
713066	715366	本地模型和开放模型吃掉
715533	717666	Meta不靠模型订阅赚钱
718066	720466	反而适合推动这种价格下行
720566	722333	他要让AI变成空气
722500	724366	然后在空气里做平台
724400	727366	有人会问30B模型真的够吗
727466	728933	这个问题要看任务
729200	730900	写一段复杂法律意见
730900	731800	可能不够
731933	734533	做一个本地客服分类器够
734766	737933	通读一本手册并回答设备维修问题
738066	741766	可能够整理图片和文字生成初稿
741900	745066	可能够控制一组本地工具跑流程不
745366	746466	可能也够
746733	748300	AI产品不需要每次都
748300	749966	派最强模型上场
750166	751866	就像公司不会让总裁
751866	753533	去处理每张报销单
753800	755666	真正成熟的AI系统
755800	757733	很可能是多模型协作
757866	759366	小模型负责本地
759400	761966	便宜低风险高频动作
762000	764166	中型模型负责复杂判断
764866	767266	旗舰模型负责少数关键推理
767400	769266	Muse Glimmer的位置就在
769266	771066	第一层和第二层之间
771200	772566	它不抢所有舞台
772800	774666	但可以进入很多工作流
774700	776666	这个位置一旦铺开
776800	778366	使用量会非常大
778400	781666	所以Muse Glimmer看起来是技术事件
781666	783566	背后其实是分发事件
783766	786200	AI行业未来最大的战场
786200	788466	不只是模型谁更聪明
788533	790966	而是谁能接触更多开发者
791300	792166	更多设备
792400	793600	更多工作流
793733	795133	更多真实业务
795200	797800	开放权重提供了一种复制速度
797933	799800	一个模型被下载后
799800	802400	可以在无数环境里变成不同产品
802533	803933	闭源模型再强
804166	806300	也必须等用户来到它的入口
806466	809000	当然开放模型要赢也不容易
809200	810733	开发体验必须好
810866	812133	文档必须清楚
812300	813800	工具链必须稳定
813966	815733	推理速度必须能接受
815933	817866	硬件适配不能太痛苦
818133	819800	如果一个模型开源了
819800	821733	但部署起来像拆炸弹
821900	823733	开发者很快就会放弃
823966	827600	Meta这次把exec torch等部署线索放进来
827733	830366	说明它知道只开源权重还不够
830400	832466	真正要争的是落地链路
832666	834533	安全问题也不能回避
834666	836200	一个能在本地运行
836533	837700	能调用工具
838066	840366	能处理多模态输入的模型
840566	842066	如果被错误使用
842100	843966	也会带来自动化滥用
844066	845700	开放社区需要评估
845900	848566	红队使用限制和透明报告
848766	850733	Meta不能一边强调开放
851100	853133	一边把风险全丢给社区
853300	854933	开放路线要走得久
855000	856866	必须同时建立开放治理
857000	859100	但闭源也不是天然安全
859333	861266	闭源模型的能力集中后
861266	863700	外界更难知道它如何训练
863700	864533	如何过滤
864600	865533	如何拒绝
865533	867200	如何偏向某些服务
867366	870066	安全不是封闭和开放的简单选择
870766	872466	而是透明度责任和
872466	874266	可验证性之间的平衡
874533	877100	Muse glimmer的价值之一就是让
877100	879600	更多研究者能直接测试模型
880266	882466	而不是只能相信厂商声明
882700	884533	Meta设立社区基金
884866	886166	某种意义上也是在
886166	888500	承认AI基建的外部成本
888666	890566	数据中心建在某个地方
890700	893666	当地居民可能面对电价用水
893666	896133	噪音土地和税收分配问题
896400	897566	科技公司过去常把
897566	899400	这些问题当成地方沟通
899400	901466	现在必须当成核心战略
901600	903200	因为没有社区许可
903366	905933	再强的模型也需要机房供电
906000	907700	把这两条线合起来
907733	909900	Meta的新叙事就完整了
910133	913333	一边用开放模型说AI能力要分散
913566	915533	一边用社区基金说AI
915533	917100	基建收益要回流
917133	918933	这不一定全是理想主义
919266	921966	但他比单纯喊超级智能更聪明
922100	924166	他知道AI行业如果继续只
924166	926533	展示估值参数和算力
926600	928500	公众反弹会越来越强
928666	931766	未来真正有杀伤力的缪斯Glimmer应用
932266	934500	可能不会出现在发布新闻里
934533	937266	而会出现在很小的工作场景里
937266	939866	一个设计师用他本地整理素材
940333	943166	一个律师事务所用它检索内部文件
943300	945700	一个工厂用它读设备图片
945900	947533	一个个人开发者用它
947533	948933	搭自己的桌面agent
949300	950700	每个场景都不震撼
950700	952300	但加起来就是生态
952366	954666	这也是开放模型最强的地方
955100	957000	它的价值不是一次性释放
957000	959266	而是被别人不断重新发明
959466	961600	闭源模型像一座中央电站
961766	964466	开放模型像一批可移动工具箱
964733	966400	中央电站功率更大
966400	968200	工具箱更容易进入角落
968566	970400	AI要真正改变社会
970500	972300	不能只靠中央电站
972366	973700	也需要工具箱
973866	976566	所以musglmmer不是Meta对闭源
976566	978333	模型的一次正面冲锋
978400	980066	而是一次侧翼包抄
980366	982966	它不说自己在所有能力上第一
983366	985133	他说自己更容易被拿走
985200	986533	更容易本地跑
986600	988333	更容易进入普通设备
988400	990000	这个策略如果成功
990600	992766	Meta会在AI入口战争里拿到
992766	994566	一个很难被关闭的位置
994766	996500	execute torch的存在
996900	1000066	说明Meta对端侧部署有长期准备
1000300	1005133	端侧AI不是把云端模型硬塞进手机
1005333	1007400	而是重新考虑模型大小
1007400	1011900	延迟内存占用电池和隐私MUS glimmer
1012566	1015300	如果能和端侧框架形成完整链路
1015366	1018133	就会成为Meta连接硬件厂商的桥
1018333	1022166	以后手机眼镜耳机笔记本桌面设备
1022200	1024366	都可能需要一个能本地
1024366	1026666	处理多模态任务的模型底座
1026766	1028666	这对开发者很有吸引力
1028933	1031900	闭源API最舒服的地方是省事
1032300	1034166	最痛的地方是不可控
1034300	1037533	接口变更价格变更限流地区
1037533	1040500	限制内容政策都可能影响产品
1040733	1042933	开放模型麻烦一点但可控
1042966	1045133	对长期做产品的人来说
1045266	1048066	可控往往比短期省事更重要
1048200	1050400	musglimer如果性能足够稳定
1050500	1052200	就会被放进很多不愿
1052200	1054333	完全依赖云端的产品里
1054533	1055966	企业采用AI时
1056133	1057933	常常不是被能力卡住
1058000	1059600	而是被审批卡住
1059766	1061366	法务问数据去哪
1061500	1063566	安全团队问权限怎么管
1063933	1065866	财务问每月调用成本
1066066	1068533	业务部门问延迟能不能接受
1068700	1070000	开放本地模型可以
1070000	1071533	同时回答几个问题
1071700	1073300	数据可以留在内网
1073366	1074600	成本可以固定
1074766	1076066	延迟可以降低
1076133	1077700	权限可以自己定义
1077900	1079133	它不是完美答案
1079133	1080733	但比纯云端更容易
1080733	1082400	通过某些企业流程
1082800	1084100	Meta还可以借开放
1084100	1086066	路线给监管传递信号
1086300	1087966	闭源超级模型越强
1087966	1090966	监管越担心权力集中和黑箱决策
1091266	1093366	开放模型让更多
1093366	1095766	研究者能审计能力和风险
1096466	1097933	至少表面上更符合
1097933	1099700	广泛分发的公共叙事
1099866	1102100	对一家掌握社交平台和
1102100	1103900	广告系统的公司来说
1103966	1105566	这种姿态很重要
1105766	1107333	它需要证明自己不是
1107333	1109500	把AI变成下一层垄断
1109800	1112000	但市场不会因为姿态就买单
1112166	1114100	开发者最后只看三件事
1114300	1115300	够不够好
1115300	1116366	跑不跑得动
1116366	1117866	出问题能不能修
1118100	1121300	musglimer需要在真实任务里证明自己
1121766	1124500	比如本地图片理解文档问答
1124566	1127733	桌面自动化工具调用失败恢复
1127866	1129400	只要这些能力能稳定
1129400	1131500	解决一批中等难度问题
1131566	1133733	30B就不再是小模型
1133766	1136333	而是刚好够用的生产力模型
1136566	1139133	AI行业正在出现一种新分工
1139266	1141400	最强闭源模型负责天花板
1141733	1144166	开放模型负责地板和中间层
1144333	1146533	天花板决定行业想象力
1146700	1148500	地板决定普及速度
1148500	1149566	没有天花板
1150133	1151566	AI缺少突破
1151766	1152666	没有地板
1152900	1155733	AI只会变成少数公司的高价服务
1155866	1158766	musglimer的意义就在地板和中间层
1159266	1161166	他让更多人能踩上去
1161333	1165166	扎克伯格讲发明创造而不是自动化
1165333	1168200	其实是在修复AI的公共形象
1168466	1169566	过去两年
1170100	1173566	很多人听到AI就想到裁员替代
1174300	1177700	数据中心耗电和大公司集中全力
1177900	1179666	Meta要把话题拉回
1179666	1181466	创造力和个人赋能
1181600	1183466	Muse Glimmer适合这个叙事
1183900	1185366	因为它看起来不像一个
1185366	1187566	只服务企业裁员的工具
1187666	1188766	而像一个可以被
1188766	1190700	个人拿走的创造工具
1191133	1193766	当然这种叙事也要接受现实检验
1193933	1195700	如果开放模型最后主要
1195700	1197733	被大公司拿去降低成本
1197900	1199600	普通人没有明显受益
1199700	1202166	那赋能就会变成漂亮话
1202200	1203933	真正能证明Meta的
1203933	1205466	是它有没有让个人
1205466	1207966	开发者小企业学校
1208366	1210133	研究者用更低成本
1210133	1212133	做出过去做不了的东西
1212266	1214866	开源的价值不能停在下载量
1215366	1217966	要落到新作品和新产品上
1218066	1219000	未来一年
1219300	1220866	musicglimmer最值得观察
1220866	1222166	的不是发布热度
1222366	1224100	而是二次开发热度
1224266	1226100	有没有高质量微调版本
1226566	1229700	有没有中文代码医疗法律
1229733	1232166	教育设计方向的社区版本
1232266	1234866	有没有人把它做成一键本地agent
1235200	1237100	有没有硬件厂商围绕它
1237100	1239000	优化驱动和推理速度
1239300	1242200	这些才是开放模型真正的生命迹象
1242400	1244200	如果这些生态长出来
1244500	1247100	Meta就会完成一次很聪明的布局
1247300	1249933	它不需要每个用户直接打开Meta产品
1250266	1252866	也不需要每次推理都走Meta服务器
1252933	1255066	只要大量AI工具底层
1255066	1257300	运行的是Meta开放模型
1257500	1259933	它就会成为看不见的基础设施
1260300	1262333	基础设施的力量往往比
1262333	1264200	一个热门应用更持久
1264466	1265733	Meta的优势是
1265766	1268700	它不急着把模型本身变成利润中心
1269000	1271100	它可以允许模型价格下降
1271266	1273266	因为它真正赚钱的地方在
1273266	1276066	广告社交关系和平台分发
1276200	1279933	Openai必须证明订阅和API能覆盖成本
1280266	1282500	Anthropic必须证明企业安全
1282500	1284566	和高端能力能卖出价格
1284866	1286733	Meta则可以用开放模型
1286733	1288533	削弱对手收费能力
1288666	1289900	这种打法很狠
1289966	1292866	如果未来个人设备都能跑中型模型
1293266	1295266	AI产品形态也会变
1295333	1296966	很多应用不再需要把
1296966	1298800	所有请求传到服务器
1298900	1301500	而是把模型嵌进本地功能里
1301533	1303866	写作软件可以本地整理草稿
1304066	1306366	剪辑软件可以本地识别素材
1306666	1308866	浏览器可以本地总结网页
1308933	1311266	开发工具可以本地读项目
1311466	1312733	云端仍然存在
1312966	1315333	但本地会承担更多基础动作
1315366	1318366	所以这件事最后要落到一个判断
1318800	1321333	AI的未来不会只有一种入口
1321466	1323466	云端旗舰模型会存在
1323566	1325700	本地开放模型也会存在
1325866	1327566	前者负责极限能力
1327700	1329933	后者负责普及和控制权
1330100	1331733	Meta现在压的是后者
1332100	1333400	而且押得很聪明
1333566	1335200	它不一定赢走所有收入
1335333	1337666	但可能赢走很多默认选择
1337766	1339733	如果把它放进更长周期
1340066	1341000	Muse Glimmer
1341366	1344000	代表的是AI商品化之后的下一步
1344200	1346766	模型能力会越来越像基础能力
1346900	1349200	真正差异会转移到数据
1349333	1352133	场景部署体验和生态
1352366	1354933	Meta提前把模型底座打开
1355000	1358100	是在承认模型本身迟早会变便宜
1358400	1359766	既然便宜不可避免
1359766	1361500	不如主动让它变便宜
1361600	1363866	再去控制更大的生态入口
1363866	1366533	这对闭源公司是一种压力测试
1366766	1369200	闭源模型如果只是略强一点
1369266	1370466	却贵很多
1370700	1372666	很多企业会改用开放模型
1373000	1374600	闭源模型必须在关键
1374600	1376400	任务上强到无法替代
1376666	1379966	或者在产品体验上省心得足够明显
1380200	1382766	否则开源模型每进步一步
1382900	1385500	闭源模型的中低端收入就少一块
1385733	1388133	Muse Glimmer也会推动AI agent
1388566	1390466	从玩具走向基础设施
1390700	1393733	以前很多agent演示看起来很聪明
1393933	1396600	但实际运行成本高延迟长
1396666	1397900	隐私风险大
1397966	1400400	把一部分能力放到本地之后
1400566	1403133	agent可以更安静的处理日常任务
1403300	1404900	它不需要每次都上云
1405100	1406866	不需要每一步都花钱
1407166	1409766	也不需要把所有私人资料交出去
1409800	1411366	这就是它的流量点
1411800	1413733	Meta不是在送一个模型
1413966	1415400	而是在告诉市场
1415900	1418666	AI的权力不一定只能往云端集中
1418800	1420733	普通设备也可以有智能
1420866	1422566	小团队也可以有底座
1422900	1424566	开发者也可以有退路
1424600	1426133	这个故事比单纯
1426133	1428100	参数发布更有传播性
1428166	1429200	因为它集中了
1429200	1431400	很多人对AI垄断的焦虑
1431500	1434533	所以缪斯glimmer值得被单独拿出来讲
1434733	1435400	不是因为它
1435400	1437900	一夜之间改写大模型格局
1438000	1439300	而是因为它把一个被
1439300	1441133	忽略的问题摆到台面
1441366	1443766	AI普及到底靠更大的模型
1443933	1446400	还是靠更容易被部署的模型
1446733	1448666	亿元巨头会继续冲天花板
1448666	1450966	但真正改变日常工作的往往
1450966	1453333	是那些能被普通人装进电脑
1453400	1454366	接近流程
1454400	1455800	反复修改的东西