SemiAnalysis狂吹Meta：僅次於OpenAI和Anthropic的第三大模型

閱讀本文需 11 分鐘

SemiAnalysis認為Meta 追趕的速度要勝過當前模型排名

简短内容
· SemiAnalysis 打赌 Meta 在未来6个月可能超过 Google，成为 OpenAI 和 Anthropic 之后的最强追赶者。
· 这一判断建立在1430亿美元的 Scale AI 交易、RL数据生产和多GW算力扩张三条线上。
· Muse Spark 1.1 仍未追赶前沿模型，Meta 能否赶上 Google 还要看下一代模型的表现。

SemiAnalysis 在最新报告中提出了一项激进的判断：Meta 超级智能实验室目前尚未成为前沿模型的领先者，但如果人才、强化学习数据和算力扩张同时实现，未来6个月有机会超越 Google，成为 OpenAI、Anthropic 之后最具竞争力的追赶者。

这并不意味着 Meta 已经赶上。Meta 在4月发布了 Muse Spark，根据7月9日 Axios 的报道，Muse Spark 1.1 已向开发人员开放 API，价格为每百万输入token 1.25美元、输出token 4.25美元。Axios 称，这并不是 Meta 期望的「重大飞跃」模型，代号为Watermelon的更大模型仍在训练中。

SemiAnalysis 打赌的是另一件事：在 Llama 4 受挫后，扎克伯格正在以更激进的方式重组AI组织，将资金、人才、内部工程资源和数据中心容量压向超级智能实验室。报告的核心分歧在于，Google 是否还能稳坐AI领域的第三位置。

当前模型尚未强大，报告押注在6个月的追赶速度上

Meta 超级智能实验室在 Muse Spark 亮相后，并未再现 Llama 3、Llama 3.1 时期的开源领先优势。根据 SemiAnalysis 的测试和判断，Muse Spark 及其后续版本在大多数基准测试和通用智能场景中仍未达到前沿水平。

这也是该报告最需要进行限定的地方。Muse Spark 1.1 大致相当于 Opus 4.6 或 GLM 5.2，涉及内部token使用情况等细节，这是作者的测试和模型判断，并非 Meta 官方立场。至少从公开信息来看，Meta 尚未推出可以直接挑战 OpenAI 和 Anthropic 的模型。

但 SemiAnalysis 關注的是斜率。Llama 4 失敗後，Meta 超級智慧團隊完成大規模調整，短期組織混亂正在被消化。報告判斷，如果下一輪模型訓練和強化學習數據生產開始反映到產品上，Meta 的位置可能比當前排行榜顯示得更靠前。

143 億美元 Scale AI 交易，補的是前緣模型最稀缺的人

Meta 最顯眼的一步，是對 Scale AI 的 143 億美元投資。Fortune、Forbes、Reuters 等多家媒體此前報導，Meta 通過這筆交易引入 Scale AI 創始人 Alexandr Wang，並讓其加入或領導超級智能相關團隊。

在前緣模型競爭中，這筆交易不只是買數據標註公司，更像一次高強度挖人。Scale 旗下安全、評估和對齊團隊 SEAL，被 SemiAnalysis 視為 Meta 補足評測、對齊和後訓練能力的重要來源。

Reuters 還曾提到，Meta 為部分 AI 工程師提供數億美元級薪酬包。這個數字說明，Meta 已經把超級智慧放到公司級優先事項，而不是普通 AI 產品迭代。對一家大型科技公司來說，真正難的不是拿出預算，而是讓研究、產品、基礎設施和管理層都圍繞同一個目標運行。

SemiAnalysis 引用 Alexandr Wang 近期在播客中的表述稱，真正的前緣實驗室往往先相信超級智慧已經接近，之後商業決策服從這個判斷。報告把 Meta 近期動作解讀為向 OpenAI、Anthropic 式 AGI 優先級靠攏。

3000 名工程師轉向 RL，Meta 想把內部工作變成訓練數據

人才之外，強化學習任務和真實工作數據是第二條線。

今天模型能力提升已經不只靠預訓練語料。更關鍵的是，模型能否在接近真實工作的環境裡完成任務：理解上下文、調用工具、執行測試、修復錯誤，再根據結果迭代。代碼庫修復、產品分析、內部工具調用，都會比普通考試題更接近白領工作的真實難度。

SemiAnalysis 表示，Meta 将約 3000 名工程師重新分配為全職 RL 任務創作者。這一數字尚需按報告口徑理解，但如果執行到位，Meta 的優勢會變得清楚：它不是單純外包購買人工數據，而是把自己的工程組織變成訓練任務生產線。

這類數據對智能體尤其重要。很多強化學習任務看起來難，實際提示詞已經把步驟寫得過細，和真實工作習慣不一致。螢幕錄製、日常工作流、工具呼叫記錄和內部評估體系，可能更適合訓練可以自動化白領工作的模型。

這也是報告看好 Meta 追趕 Google 的原因之一。Google 有 DeepMind、Gemini、TPU 和雲業務，但 Meta 正在把內部組織、數據和工程能力集中到同一個模型目標上。

多 GW 算力擴張，讓 Meta 進入前沿牌桌

算力是第三條線。SemiAnalysis 在 7 月 2 日文章中表示，Meta 今年上半年簽約超過 5GW 容量，2024 年以來累計接近 10GW 交易，並判斷增量容量大頭仍將流向 Meta 超級智能實驗室。

對普通投資者來說，重點不是具體數據中心設計，而是資本支出的方向。Meta 擴算力不是為了做常規雲服務，而是為了內部模型訓練、後訓練和智能體循環準備更大規模集群。訓練和強化學習越重，算力部署速度越會影響模型迭代速度。

報告還提到跨區域互聯、快速部署數據中心等基礎設施設想。這些細節仍屬於 SemiAnalysis 模型推演，但方向很明確：Meta 正在用基礁設施換時間。

Google 的爭議不在於有沒有算力，而在於算力如何分配。SemiAnalysis 預計，Google 新增數據中心容量中相當一部分會服務 IaaS 和第三方 API 業務，DeepMind 可用於前沿訓練的資源集中度可能低於外界想像。即便 Google 通過外部融資或資本市場擴建更多 AI 基礎設施，新增容量也可能被雲客戶消耗掉一部分。

因此，報告給出一個更有爭議的判斷：AI 第三名之爭不再是 Google 穩坐其位，而可能變成 Meta、Google 乃至其他高算力玩家之間的重新排序。