start end text 0 28000 Meta開源Muse Glimmer 30B,最值得看的不是參數也不是跑分,而是它把大模型競爭從雲端大廠的機房重新推回普通人的電腦。一個30B級別開放權重面向本地Agent的模型放在今天這個節點,意思很明確。AI不能只是一張雲服務帳單,也不能永遠被少數公司關在黑盒裡。這件事要放在Meta的整體敘事裡看。 28000 30600 扎克伯格最近把話說得很直 30600 34320 人工智能的主要目的應該是發明創造 34320 36640 不應該只是自動化替代 36640 39300 超級智能如果真的會到來 39300 42620 那它不應該只掌握在幾家公司手裡 42620 46000 而應該盡量廣泛的分發給普通人 46000 47880 開發者和小團隊 47880 52380 Muse Glimmer就是這個敘事落到產品上的一顆旗子 52380 54640 Muse Glimmer 30B的重點 54640 57000 不是挑戰必源模型的全部能力 57000 60340 而是给本地AI流出一条现实路线 60340 64240 现在很多模型动不动就是几千亿上万亿参数 64240 65700 听起来很震撼 65700 68080 但普通用户根本跑不起来 68080 69760 他们需要昂贵GPU 69760 71360 需要云端推理 71360 73380 需要订阅和调用额度 73380 75720 Meta选择30B这个体量 75720 76820 就是在说 76820 78460 模型不一定越大 78460 79880 越接近未来 79880 80960 能部署 80960 81860 能修改 81860 83500 能欠尽工作流 83500 85500 才更接近真实使用 85500 88280 这和Lama时代的路线一脉相承 88280 91320 Meta一直在开放模型上压住 91320 93400 只是中间经历过摇摆 93400 96640 当OpenAI, Anthropic, Google 96640 100300 把高端模型能力不断往B原体系里收 100300 104300 Meta反而重新把开放权重当成差异化 104300 106660 它没必要在每一项榜单上赢 106660 108980 它要赢的是开发者心智 108980 113520 谁能让更多人拿去改,拿去跑,拿去做产品 113520 116880 谁就能在AI底层生态里留下位置 116880 122220 Muse Glimmer还带有Execute Torch和PTE这样的边缘部署意味 122220 123840 这个细节很重要 123840 126780 它不是只给服务器看的模型卡 126780 131840 而是在暗示手机、笔记本、边缘设备、本地工作站 131840 134520 都可能成为AI Agent的运行环境 134520 137700 未来AI Agent不一定每一步都要回云端 137700 142820 它可以在本地看文件、读图片、调工具、处理私人数据 142820 146020 再把真正复杂的任务交给云端大模型 146020 149660 这种路线最大的价值是隐私和成本 149660 156460 用户把本地文件、工作资料、聊天记录、图片和代码交给云端模型 156460 158340 永远会有心理门槛 158340 159740 企业更敏感 159740 164120 尤其涉及客户数据、合同、研发资料和内部流程 164120 166260 一个能在本地跑的模型 166260 168100 就算能力不是最强 168300 171280 也会因为数据不出设备而变得有价值 171280 174600 很多真实场景不需要世界最聪明的模型 174600 176780 只需要一个足够聪明 176780 177840 足够便宜 177840 179540 足够可控的助手 179540 183000 这也是开源模型真正打B元模型的地方 183000 186340 B元模型擅长提供最强通用能力 186340 189500 开源模型擅长被改造成具体工具 189500 191220 小团队可以微调它 191220 193540 企业可以把它部署到内网 193540 196700 开发者可以把它接近自己的agent框架 196700 199820 硬件厂商可以把它塞进边缘设备 199820 201740 B原模型卖的是能力 201740 203800 开放模型卖的是可塑性 203800 206040 两者不是同一场比赛 206040 208540 Meta这次还把数据中心社区基金 208540 210000 放在同一个叙事里 210000 211920 说明他知道AI扩张 211920 213860 正在遇到新的政治成本 213860 216180 数据中心需要电力 216180 219240 土地 水 输电设施和社区许可 219240 221380 过去科技公司建机房 221380 223020 地方政府往往欢迎 223020 224860 因为它带来投资和税收 224860 226500 现在情况变了 226500 228520 居民开始担心电费上涨 228520 231280 环境压力和基础设施被占用 231280 235560 AI越庞大越不可能只用技术语言解释自己 235560 238380 10亿美元社区基金表面上是补偿 238380 241160 背后是AI基建时代的通行费 241160 243500 Meta想告诉当地居民 243500 246280 数据中心不是只把电和水抽走 246280 249340 也会把钱、岗位和公共服务带回来 249340 252920 警察、消防员、社区成员被点名 252920 255200 是一种很现实的政治沟通 255200 257180 AI公司已经发现 257180 259700 光说技术改变世界没用了 259700 262640 真正被影响的人要看到具体回报 262640 266340 Muse Glimmer和社区基金看似是两件事 266340 267980 其实对应同一个问题 267980 270600 AI权力会不会过度集中 270600 272520 模型集中在云端 272520 274820 算力集中在数据中心 274820 276940 收益集中在少数公司 276940 279900 成本却扩散给社区和消费者 279900 281640 这套结构如果不调整 281640 283020 反弹会越来越大 283020 284640 Meta现在讲开放 284640 285440 讲本地 285440 286840 讲回馈社区 286840 290360 就是在给自己的AI扩张换一种合法性 290360 293260 这不代表Meta突然变成公益组织 293260 295320 开源也不是纯粹善意 295320 297780 Meta的商业逻辑很清楚 297780 302240 它没有像OpenAI那样把订阅模型做成第一入口 302240 305280 也没有Google那样的搜索默认位置 305280 309920 它最擅长的是平台、分发、广告和开发者网络 309920 313640 开放模型能削弱必源模型的收费能力 313640 315940 降低竞争对手的护城河 315940 319980 同时让更多应用围绕Meta的模型生态生长 319980 322360 如果一个开放模型足够好 322360 327460 大量开发者就会围绕它做工具、插件、微调和部署方案 327460 330200 哪怕Meta不直接收每一次调用费 330200 333520 它也能影响标准、框架和生态方向 333520 336480 安卓当年不是靠系统授权费赚钱 336480 339480 而是靠开放系统赞助移动入口 339480 342560 Lama和Muse Glimmer也有类似逻辑 342560 345520 用开放打破别人的封闭利润词 345520 348140 在在更大的生态里寻找收益 348140 350920 Muse Glimmer的30B体量 350920 352400 还有一个现实意义 352400 354860 它让AI从演示回到产品 354860 358100 很多AI发布会喜欢展示极限能力 358100 360960 仿佛模型能解决所有复杂问题 360960 362680 但真正落地时 362680 368340 企业关心的是成本、延迟、部署、安全、稳定、可维护 368340 369860 一个30B模型 369860 374360 如果能在普通设备或消费级GPU上完成稳定任务 374360 376880 它的商业价值可能比一个 376880 380640 只能在云端高价运行的巨型模型更直接 380640 382240 尤其是agent场景 382240 384060 agent不是一次聊天 384060 385600 而是一连串动作 385600 386860 理解目标 386860 387960 拆任务 387960 388940 读文件 388940 390020 调用工具 390020 391200 检查结果 391200 392560 失败后重视 392560 395320 这里面很多步骤并不需要最强模型 395320 396360 文件分类 396360 397420 表格检查 397420 398440 界面操作 398440 399520 图片理解 399520 401100 简单代码修改 401100 402160 本地搜索 402160 404280 都可以由较小模型承担 404280 406640 把这些步骤放到本地执行 406640 409180 云端只处理最难的推理 409180 411660 整个系统成本会明显下降 411660 415100 这也解释了为什么本地模型会越来越重 415100 418940 要AI的下一阶段不是谁能回答的更漂亮 418940 422400 而是谁能更便宜的完成更多动作 422400 425200 一个公司每天调用百万次模型 425200 428120 如果每一步都走最贵的币源API 428120 429660 成本会很快失控 429660 432260 本地模型可以承担大量低风险 432260 433060 重复性 433060 434500 隐私敏感任务 434500 436160 它不必取代旗舰模型 436160 437680 只要把旗舰模型 437680 439660 从低价值任务理解放出来 439660 441420 就已经很有意义 441420 444100 对普通创作者和小公司来说 444100 446080 这条路线尤其关键 446080 447760 大公司可以买算力 447760 449020 签云合同 449020 450180 雇安全团队 450180 451940 小团队没有这个条件 451940 454260 如果未来所有AI能力 454260 456620 都绑定高价订阅和云端调用 456620 458820 小团队会永远站在门外 458820 460240 开放权重模型 460240 461760 让他们至少有机会 461760 463760 在本地搭一個能跑的系統 463760 465020 哪怕不完美 465020 467040 也能開始改造自己的工作流 467040 467700 當然 467700 469600 開源模型也有風險 469600 471940 開放權重意味著能力會擴散 471940 473660 好的用途會擴散 473660 475380 壞的用途也會擴散 475380 476520 安全過濾 476520 478100 濫用檢測 478100 480120 責任歸屬都會變複雜 480120 482880 B原公司常用安全作為封閉理由 482880 484520 不能說完全沒有道理 484520 486300 但如果只因為風險 486300 487640 就把能力鎖死 488121 495121 最後得到的是少數公司控制所有AI基礎設施。Meta現在壓的是另一種答案。 495121 500121 風險需要治理,但不能用風險作為永久壟斷的理由。 500121 502401 Muse Glimmer真正要证明的 502401 505381 不是30B能不能击败所有大模型 505381 510841 而是开放路线能不能在AI商业化最激烈的时候继续存在 510841 512241 闭源路线说 512241 514461 最强能力必须集中 514461 517681 才能安全、可靠、可收费 517681 520301 开放路线说能力必须分发 520301 523161 社会才不会被少数入口控制 523161 524861 两条路线都会存在 524861 527181 但它们代表完全不同的未来 527181 530161 接下来要看的不是一两次榜单成绩 530161 532601 而是开发者是否真的使用它 532601 535041 有没有人把它部署到本地agent 535041 537921 有没有企业拿它做内部流程 537921 541121 有没有硬件厂商把它放进设备 541121 544741 有没有开源社区围绕它做微调和工具链 544741 546641 如果这些事情发生 546641 549881 Muse Glimmer的意义就不只是一个模型发布 549881 554001 而是Meta在重新争夺AI基础设施的话语权 554001 556301 这场竞争还有一个更大的背景 556301 559161 AI正在从模型能力竞争 559161 561121 转向分发方式竞争 561121 563921 OpenAI想把模型做成超级应用 563921 566601 Google想把AI筛回搜索和安卓 566601 569641 苹果想把AI放进硬件和系统 569641 573241 Meta则想让开放模型成为开发者默认底座 573241 575861 Muse Glimmer只是其中一块拼图 575861 577841 但它指向的方向很清楚 577841 580581 让AI不只存在于云端 580581 582781 也存在于每台电脑 582781 583621 每个应用 583621 585141 每个本地工作流理 585141 587961 所以这次发布不能只看成Meta 587961 589721 又开源了一个模型 589721 591861 它更像一次路线宣言 591861 594641 AI如果只能在数据中心运行 594641 596741 用户就永远是租客 596741 599241 AI如果可以在本地运行 599241 601541 用户才有机会成为主人 601541 603801 Muse Glimmer的价值就在这里 603801 605841 它可能不是最强的模型 605841 607941 但它在提醒整个行业 607941 610961 未来的AI不应该只属于机房 610961 612461 也应该属于桌面 612461 616041 这里还要看Kosla对AI投资的判断 616041 618301 他认为OpenAI和Anthropic 618301 619901 不是AI故事的终点 619901 620921 而只是开头 620921 623401 未来会出现更多千亿美元 623401 625021 万亿美元级公司 625021 628901 影响科学、医疗、能源、教育、制造 628901 629961 这些基础领域 629961 632221 这个判断放到Muse Glimmer上 632221 634161 就能看见Meta的算盘 634161 637361 如果未来有大量垂直AI公司出现 637361 640461 他们不一定都愿意从B原API开始 640461 642921 科学研究就是一个典型场景 642921 644761 实验室需要处理论文 644761 645421 图像 645421 646041 代码 646041 648141 仪器数据和内部记录 648141 651661 很多资料不能随便上传到外部云服务 651661 653641 一个本地多模态模型 653641 654921 就算不是最强 654921 656981 也可以承担文献整理 656981 658701 实验记录搜索 658701 659841 图表理解 659841 660921 工具调用 660921 662581 和初步假设生成 662581 664221 它不会替代科学家 664221 668681 但会把很多低价值搜索和整理动作压低成本 668681 669881 MED很清楚 669881 671741 币源模型越强 671741 674981 外界对模型集中化的担心就越重 674981 677241 一个公司如果控制模型 677241 678721 控制分发 678721 680341 控制价格 680341 681941 控制安全规则 681941 684201 开发者就会变成依附者 684201 686481 今天接口价格可以接受 686481 688001 明天规则可能变 688001 689641 今天调用额度够用 689641 692401 明天业务增长后成本可能翻倍 692401 695301 开放模型给开发者留了一条退路 695301 698361 这条退路本身就是谈判筹码 698361 702121 这也是为什么开放权重会压低行业利润率 702121 704481 只要有足够好的开源替代品 704481 708881 币源公司就很难对中低端任务收太高价格 708881 710801 旗舰模型仍然可以卖高价 710801 715161 但大量日常任务会被本地模型和开放模型赤掉 715161 717461 Meta不靠模型订阅赚钱 717461 720241 反而适合推动这种价格下行 720241 722061 它要让AI变成空气 722061 724081 然后在空气里做平台 724221 727081 有人会问30B模型真的够吗 727081 728721 这个问题要看任务 728721 731561 写一段复杂法律意见可能不够 731561 733821 做一个本地客服分类器 733821 737681 够通读一本手册并回答设备维修问题 737681 741501 可能够整理图片和文字生成初稿 741501 744761 可能够控制一组本地工具跑流程 744761 749721 可能也够AI产品不需要每次都派最强模型上场 749721 753261 就像公司不会让总裁去处理每张报销单 753261 755361 真正成熟的AI系统 755361 757461 很可能是多模型协作 757461 759081 小模型负责本地 759081 759841 便宜 759841 760661 低风险 760661 761781 高频动作 761781 764421 中型模型负责复杂判断 764421 767081 旗舰模型负责少数关键推理 767081 770821 Muse Glimmer的位置就在第一层和第二层之间 770821 772321 它不抢所有舞台 772321 774381 但可以进入很多工作流 774381 776361 这个位置一旦铺开 776361 778101 使用量会非常大 778101 781461 所以Muse Glimmer看起来是技术事件 781461 783401 背后其实是分发事件 783401 786001 AI行业未来最大的战场 786001 787181 不只是模型 787181 788241 谁更聪明 788241 790781 而是谁能接触更多开发者 790781 792001 更多设备 792001 793401 更多工作流 793401 794941 更多真实业务 794941 797941 开放权重提供了一种复制速度 797941 799581 一个模型被下载后 799581 802261 可以在无数环境里变成不同产品 802261 803661 避原模型再强 803661 806021 也必须等用户来到它的入口 806021 806741 当然 806741 808741 开放模型要赢也不容易 808741 810481 开发体验必须好 810481 811961 文档必须清楚 811961 813581 工具链必须稳定 813581 815581 推理速度必须能接受 815581 817681 硬件适配不能太痛苦 817681 819641 如果一个模型开远了 819641 821581 但部署起来像拆炸弹 821581 823581 开发者很快就会放弃 823581 827341 Meta这次把Execute Torch等部署线索放进来 827341 830101 说明他知道只开远权重还不够 830101 832261 真正要真的是落地链路 832261 834381 安全问题也不能回避 834381 836041 一个能在本地运行 836041 837421 能调用工具 837421 840121 能处理多模态输入的模型 840121 841861 如果被错误使用 841861 843661 也会带来自动化滥用 843661 845481 开放社区需要评估 845481 846281 红队 846281 848361 使用限制和透明报告 848361 850521 META不能一边强调开放 850521 852921 一边把风险全丢给社区 852921 854621 开放路线要走得久 854621 856681 必须同时建立开放治理 856681 858901 但避原也不是天然安全 858901 861021 避原模型的能力集中后 861021 863461 外界更难知道它如何训练 863461 864361 如何过滤 864361 865341 如何拒绝 865341 867001 如何偏向某些服务 867001 869861 安全不是封闭和开放的简单选择 869861 874101 而是透明度、责任和可验证性之间的平衡 874101 876181 Muse Glimmer的价值之一 876181 879421 就是让更多研究者能直接测试模型 879421 882281 而不是只能相信厂商声明 882281 884281 Meta设立社区基金 884281 888261 某种意义上也是在承认AI基建的外部成本 888261 890341 数据中心建在某个地方 890341 895901 当地居民可能面对电价、用水、噪音、土地和税收分配问题 896021 899161 科技公司过去常把这些问题当成地方沟通 899161 901221 现在必须当成核心战略 901221 902981 因为没有社区许可 902981 905661 再强的模型也需要机防供电 905661 907601 把这两条线合起来 907601 909921 Meta的新叙事就完整了 909921 911601 一边用开放模型说 911601 913201 AI能力要分散 913201 914961 一边用社区基金说 914961 916841 AI基建收益要回流 916841 918721 这不一定全是理想主义 918721 921741 但他比单纯喊超级智能更聪明 921741 924961 他知道AI行业如果继续只展示估值 924961 926221 参数和算力 926221 928261 公众反弹会越来越强 928261 930861 未來真正有殺傷力的Muse Glimmer 930861 931521 應用 931521 934241 可能不會出現在發布新聞裡 934241 937041 而會出現在很小的工作場景裡 937041 939661 一個設計師用他本地整理素材 940085 949185 一個設計師用他本地整理素材。一個律師事務所用他檢索內部文件。一個工廠用他讀設備圖片。一個個人開發者用他搭自己的桌面Agent。 949185 954685 每個場景都不震撼,但加起來就是生態。這也是開放模型最強的地方。 954685 956765 它的價值不是一次性釋放 956765 959085 而是被別人不斷重新發明 959085 961425 碧原模型像一座中央電站 961425 964265 開放模型像一批可移動工具箱 964265 966165 中央電站功率更大 966165 968045 工具箱更容易進入角落 968045 970165 AI要真正改變社會 970165 972045 不能只靠中央電站 972045 973565 也需要工具箱 973565 975725 所以Muse Glimmer不是Meta 975725 978125 对碧原模型的一次正面冲锋 978125 979865 而是一次彻翼包抄 979865 982625 它不说自己在所有能力上第一 982625 984885 他说自己更容易被拿走 984885 986265 更容易本地跑 986265 988145 更容易进入普通设备 988145 989825 这个策略如果成功 989825 992305 Meta会在AI入口战争里 992305 994405 拿到一个很难被关闭的位置 994405 996265 Execute Torch的存在 996265 999845 说明Meta对端侧部署有长期准备 999845 1004945 端侧AI不是把云端模型硬塞进手机 1004945 1007245 而是重新考虑模型大小 1007245 1010405 延迟 内存 占用 电池和隐私 1010405 1011665 Muse Glimmer 1011665 1015025 如果能和端侧框架形成完整链路 1015025 1018005 就会成为Meta连接硬件厂商的桥 1018005 1021925 以后手机、眼镜、耳机、笔记本、桌面设备 1021925 1026465 都可能需要一个能本地处理多模态任务的模型底座 1026465 1028505 这对开发者很有吸引力 1028505 1031745 闭源API最舒服的地方是审视 1031745 1033945 最痛的地方是不可控 1033945 1038745 接口变更、价格变更、限流、地区限制、内容政策 1038745 1040285 都可能影响产品 1040285 1041905 开放模型麻烦一点 1041905 1042665 但可控 1042665 1044925 对长期做产品的人来说 1044925 1047805 可控往往比短期省事更重要 1047805 1050185 Muse Glimmer如果性能足够稳定 1050185 1051705 就会被放进很多 1051705 1054145 不愿完全依赖云端的产品里 1054145 1055645 企业采用AI时 1055645 1057645 常常不是被能力卡住 1057645 1059385 而是被审批卡住 1059385 1061085 法务问数据去哪 1061085 1063305 安全团队问权限怎么管 1063305 1065625 财务问每月调用成本 1065625 1068345 业务部门问延迟能不能接受 1068345 1071265 开放本地模型可以同时回答几个问题 1071265 1072985 数据可以留在内网 1072985 1074365 成本可以固定 1074365 1075805 延迟可以降低 1075805 1077485 权限可以自己定义 1077485 1078985 它不是完美答案 1078985 1082265 但比纯云端更容易通过某些企业流程 1082265 1085845 Meta还可以借开放路线给监管传递信号 1085845 1088905 B原超级模型越强监管越担心 1088905 1090765 权力集中和黑箱决策 1090765 1092025 开放模型 1092025 1095565 让更多研究者能省计能力和风险 1095565 1099545 至少表面上更符合广泛分发的公共叙事 1099545 1103645 对一家掌握社交平台和广告系统的公司来说 1103645 1105325 这种姿态很重要 1105325 1109345 它需要证明自己不是把AI变成下一层垄断 1109345 1111765 但市场不会因为姿态就买单 1111765 1113885 开发者最后只看三件事 1113885 1115025 够不够好 1115025 1116105 跑不跑得动 1116105 1117665 出问题能不能修 1117665 1121065 Muse Glimmer需要在真实任务里证明自己 1121585 1123265 比如本地图片理解 1123265 1124265 文档问答 1124265 1125465 桌面自动化 1125465 1126465 工具调用 1126465 1127525 失败恢复 1127525 1131345 只要这些能力能稳定解决一批中等难度问题 1131345 1133545 30B就不再是小模型 1133545 1136185 而是刚好够用的生产力模型 1136185 1138925 AI行业正在出现一种新分工 1138925 1141165 最强壁源模型负责天花板 1141165 1143945 开放模型负责地板和中间层 1143945 1146305 天花板决定行业想象力 1146305 1148525 地板决定普及速度 1148525 1149365 没有天花板 1149365 1151345 AI缺少突破 1151345 1152425 没有地板 1152425 1155745 AI只会变成少数公司的高价服务 1155745 1158585 Muse Glimmer的意义就在地板和中间层 1158585 1160985 它让更多人能踩上去 1160985 1162225 扎克伯格讲 1162225 1164885 发明创造而不是自动化 1164885 1168005 其实是在修复AI的公共形象 1168005 1169345 过去两年 1169345 1172425 很多人听到AI就想到裁员 1172425 1173445 替代 1173445 1175465 数据中心耗电 1175465 1177485 和大公司集中权力 1177485 1181185 Meta要把话题拉回创造力和个人赋能 1181185 1183285 Muse Glimmer适合这个叙事 1183285 1187385 因为它看起来不像一个只服务企业裁员的工具 1187385 1190565 而像一个可以被个人拿走的创造工具 1190565 1193585 当然这种叙事也要接受现实检验 1193585 1197505 如果开放模型最后主要被大公司拿去降低成本 1197505 1199405 普通人没有明显受益 1199405 1201905 那负能就会变成漂亮化 1201905 1203685 真正能证明Method的 1203685 1206025 是它有没有让个人开发者 1206025 1207045 小企业 1207045 1207785 学校 1207785 1210025 研究者用更低成本 1210025 1211985 做出过去做不了的东西 1211985 1214585 开源的价值不能停在下载量 1214585 1217725 要落到新作品和新产品上 1217725 1218785 未来一年 1218785 1222005 Muse Glimmer最值得观察的不是发布热读 1222005 1223945 而是二次开发热读 1223945 1225865 有没有高质量微调版本 1225865 1231945 有没有中文代码医疗法律教育设计方向的社区版本 1231945 1234845 有没有人把它做成一件本地agent 1234845 1238805 有没有硬件厂商围绕它优化驱动和推理速度 1238805 1242045 这些才是开放模型真正的生命迹象 1242045 1243925 如果这些生态长出来 1243925 1246905 Meta就会完成一次很聪明的布局 1246905 1249685 它不需要每个用户直接打开Meta产品 1249685 1252625 也不需要每次推理都走Meta服务器 1252625 1257085 只要大量AI工具底层运行的是Meta开放模型 1257085 1259805 它就会成为看不见的基础设施 1259805 1263965 基础设施的力量往往比一个热门应用更持久 1264165 1265425 Meta的优势是 1265425 1268565 它不急着把模型本身变成利润中心 1268565 1270845 它可以允许模型价格下降 1270845 1272845 因为它真正赚钱的地方 1272845 1275805 在广告、社交关系和平台分发 1275805 1279725 OpenAI必须证明订阅和API能覆盖成本 1279725 1284425 Anthropic必须证明企业安全和高端能力能卖出价格 1284425 1286845 Meta则可以用开放模型靴 1286845 1288305 若对手收费能力 1288305 1289625 这种打法很狠 1289625 1292685 如果未来个人设备都能跑中型模型 1292685 1294925 AI产品形态也会变 1294925 1298605 很多应用不再需要把所有请求传到服务器 1298605 1301245 而是把模型嵌进本地功能里 1301245 1303625 写作软件可以本地整理抄稿 1303625 1306245 剪辑软件可以本地识别素材 1306245 1308605 浏览器可以本地总结网页 1308605 1311105 开发工具可以本地读项目 1311105 1312505 云端仍然存在 1312505 1315105 但本地会承担更多基础动作 1315105 1318165 所以这件事最后要落到一个判断 1318165 1321085 AI的未来不会只有一种入口 1321085 1323245 云端旗舰模型会存在 1323245 1325525 本地开放模型也会存在 1325525 1327305 前者负责极限能力 1327305 1329705 后者负责普及和控制权 1329705 1331545 Meta现在压的是后者 1331545 1333185 而且压得很聪明 1333185 1335025 它不一定引走所有收入 1335025 1337485 但可能引走很多默认选择 1337485 1339625 如果把它放进更长周期 1339625 1340785 Muse Glimmer 1340785 1343765 代表的是AI商品化之后的下一步 1343765 1346545 模型能力会越来越像基础能力 1346545 1348985 真正差异会转移到数据 1348985 1349785 场景 1349785 1350465 部署 1350465 1351905 体验和生态 1351905 1354645 META提前把模型底座打开 1354645 1357885 是在承认模型本身迟早会变便宜 1357885 1359525 既然便宜不可避免 1359525 1361305 不如主动让它变便宜 1361305 1363585 再去控制更大的生态入口 1363585 1366365 这对B原公司是一种压力测试 1366365 1368965 B原模型如果只是略强一点 1368965 1370125 却贵很多 1370125 1372485 很多企业会改用开放模型 1372485 1376185 B原模型必须在关键任务上强到无法替代 1376185 1379765 或者在产品体验上省心得足够明显 1379765 1382565 否则开源模型每进步一步 1382565 1385265 B元模型的中地段收入就少一块 1385265 1388065 Muse Glimmer也会推动AI Agent 1388065 1390305 从玩具走向基础设施 1390305 1393465 以前很多Agent演示看起来很聪明 1393465 1395485 但实际运行成本高 1395485 1396365 延迟长 1396365 1397585 隐私风险大 1397585 1400165 把一部分能力放到本地之后 1400165 1402885 Agent可以更安静地处理日常任务 1402885 1404665 他不需要每次都上云 1404665 1406605 不需要每一步都花钱 1406605 1409465 也不需要把所有私人资料交出去 1409465 1411125 这就是它的流量点 1411125 1413545 Meta不是在送一个模型 1413545 1415205 而是在告诉市场 1415205 1418425 AI的权力不一定只能往云端集中 1418425 1420425 普通设备也可以有智能 1420425 1422385 小团队也可以有底座 1422385 1424305 开发者也可以有退路 1424305 1427825 这个故事比单纯参数发布更有传播性 1427825 1431165 因为它击中了很多人对AI垄断的焦虑 1431165 1434285 所以Muse Glimmer值得被单独拿出来讲 1434285 1437685 不是因为它一夜之间改写大模型格局 1437685 1440825 而是因為它把一個被忽略的問題擺到檯面 1440825 1443605 AI普及到底靠更大的模型 1443605 1446285 還是靠更容易被部署的模型 1446285 1448445 閉緣巨頭會繼續沖天花板 1448445 1450505 但真正改變日常工作的 1450505 1453125 往往是那些能被普通人裝進電腦 1453125 1454165 接近流程 1454165 1455625 反覆修改的東西