Meta烧掉数百亿美元，却养出一个“AI做题家”

10月12日，Meta发布新一代AI模型Muse Wonder与Muse Wonder Full，试图在OpenAI、Anthropic、Google DeepMind三强夹击中夺回主动权。过去一年，Meta囤算力、挖顶尖研究员，把Scale AI创始人Alexandr Wang招入超级智能团队，两款模型是这场数百亿美元豪赌的阶段性交卷之作。

希鸥网观察到，纸面成绩确实能打。Artificial Analysis Intelligence Index综合测试中，Muse Wonder Full拿到56分，普通版52分，夹在Claude Opus 5.5的58分与GPT-6 Astra的53分之间。SWE-Marathon长期软件工程测试更夸张，Muse Wonder Full跑出57.5分，断层领先Claude Opus 5.5的46.3分和GPT-6 Astra的42.5分。

反转来自测评机构BridgeMind的一道开放题：做一盏带透明玻璃外壳、动态熔岩效果和真实光影变化的熔岩灯。Muse Wonder交出的作品没有玻璃通透感，熔岩纹丝不动，看着像路边摊随手糊的台灯。马斯克在X上留下一句“Hmm”，嘲讽意味拉满。

问题不在单次翻车，而在Meta的组织激励把模型逼成了应试机器。小扎过去一年用天价薪酬从OpenAI、DeepMind挖人，团队背着“必须登上榜首”的KPI，最省力的路径就是对主流benchmark做定向优化。这就像学生考前疯狂押题，分数上去了，真本事没长。

更深层的商业逻辑是：开源Llama时代的Meta靠生态影响力换话语权，成本低但难变现；转向Muse Wonder主打个人AI助手和长期记忆，等于从“卖铲子”改成“下场挖金子”。Facebook、Instagram、WhatsApp覆盖数十亿用户，是它唯一能压过对手的牌。可产品体验一旦塌房，用户迁移成本几乎为零。

希鸥网认为，这场翻车暴露的是大模型竞赛的评级机制失灵。基准测试本是研究者的量尺，如今变成厂商的营销物料，谁刷得狠谁拿融资、拿估值。投资人在尽调时若只看跑分，不做真实场景的开放式验收，最终买单的是掏了数百亿美元的股东，以及被高分低能模型误导的企业客户。

创业者最该警惕的，正是“体系比人强”这件事。模型团队再豪华，若考核体系只认榜单，顶尖研究员也会被异化成刷分工具。真正该做的，是建立一套不依赖单点英雄的评估体系——它要比任何明星研究员都稳定，也要比任何一次发榜都看得更远。

决策权归属必须清晰。产品负责人要对真实用户场景的失败负责，而不是把锅甩给“测试集不匹配”。谁有权定义“什么叫做好了”，谁就该为熔岩灯这种低级失误承担后果。评估人还要同时满足三个条件：有足够时间摸清模型真实表现、有判断能力、自身利益不被榜单数字绑架。

报告路线也得独立。监督模型质量的团队不能向上汇报给背销售指标的负责人，否则反馈必然被过滤。治理体系不能替代出色的伙伴关系，但体系至少要保证坏消息能传到决策层。Meta手里那数十亿用户，就是最好的真实测试集，用不用，是选择问题。

金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。 如需修改或发布文章，请加微信号：sheisceo