Meta 的 AI 动态：Llama 开源模型系列、超级智能实验室与元宇宙之外的 AI 豪赌。
一个叫keon/jepa的开源教学库把LeCun提出的JEPA世界模型拆成了5个独立变体，每个都用单个PyTorch文件实现，最短160行，最长278行，只依赖PyTorch和torchvision。其中iJEPA在CIFAR-10上跑了100轮，线性探测准确率52.7%，不算高，但胜在代码够短、能跑通。V-JEPA、C-JEPA和LeWorldMod...
推荐理由：我会先打个折：这不是新模型或新论文，是一个教学仓库，把 JEPA 的几个变体写成极简 PyTorch 单文件，方便看懂核心思路。亮点是代码量压到 160 行起步，依赖干净，适合想快速上手世界模型、又不想啃大项目的人。正文没披露训练数据或性能对比，所以别当生产级工具用，但作为学习材料够直接。
亚马逊内部要求超过 80% 的开发者每周必须用 AI 工具，还搞了个 token 消耗排行榜。员工为了达标，直接用内部 MeshClaw agent 刷量。目前这些统计数据只有员工本人和直属上级能看到，正文没披露具体刷了多少、有没有处罚措施。
推荐理由：这事不是产品发布或技术突破，但把大厂内部怎么把 AI 工具用量做成 KPI、员工怎么应付，讲得很具体。我会先打个折：正文没披露刷量规模有多大、是否影响业务指标，所以冲击力还到不了头条级别。但“超 80% 开发者每周必须用 AI 工具”和“Token 消耗榜”这两个细节，足够让同行会心一笑，也反映出 AI 落地时管理动作跑偏的典型问题，放在 featured 合适。
作者拿 Qwen 2.5 7B 基础模型做实验，先让它自己写代码、自己跑测试，把跑不过的代码和报错信息收集起来，再让它根据报错改出正确版本，这样就自动生成了“错误-修正”配对数据。用这批数据微调后，7B 模型在 HumanEval 上的通过题数从 25 题（约 15%）提升到 112 题（约 68%），数学能力也超过了 GPT-3.5。14B 版本只用...
推荐理由：我会先打个折：标题说 80% 但正文是 112/164，约 68%，这点先别太激动。不过 hook 确实抓人——让模型自己写题、自己答、再自己改错，用这些修正对去微调，HumanEval 直接翻几倍。14B 版本只用了 100 对样本、一张 H100 跑一个半小时花 3.50 美元，成本低到可以复现。正文没披露数学 benchmark 的具体名称和完整分数，验证偏弱，但作为单人实验，信息量和可操作性都够。保留 78 分，因为它是单篇 Reddit 帖子，且 80% 的说法和实际数字有出入。
南加州联邦法院受理了一起集体诉讼，原告指控 OpenAI 在 ChatGPT 网页里嵌了 Facebook Pixel 这类追踪代码。你输入问题时，问题的主题会变成浏览器标题，连同你浏览器里存着的 Facebook 唯一 ID，一起实时发给 Meta。OpenAI 的说法是只分享“有限标识符”用来投广告，但原告认为问题主题本身就是高度敏感的个人信息。这...
推荐理由：我会先打个折：目前只是集体诉讼的指控，法院还没判，也没有其他独立信源交叉验证，所以别当定论看。但指控本身很具体——不是笼统说“泄露数据”，而是点名用了 Facebook Pixel，把查询主题和能定位到具体人的 Facebook ID cookies 实时发给 Meta。对 AI 从业者来说，这等于把用户问了什么、谁在问，一起打包送给了广告平台，隐私和合规风险比一般的“数据用于训练”要尖锐得多。正文没披露 OpenAI 的回应或技术细节，也没说影响多少用户，所以重要性停在 82 这个区间是合理的。
Alexandr Wang 在访谈里回应了几个近期争议。关于 LeCun 对 Scale AI 的批评，他直接说对方“没搞清楚我们在做什么”。谈到 Manus 时，他评价产品体验不错，但技术上没有看到根本性突破。他还确认 Meta 在过去九个月里把预训练、强化学习和数据处理三套系统全部重写了一遍，这个速度在业内算很快。另外他提到自家产品 Muse Sp...
推荐理由：这篇是 Alexandr Wang 的访谈，不是模型发布，所以分数不会拉满。我会先打个折，因为信息密度不算特别高，但 LeCun 的批评、Manus 的争议和他自曝“父母都是中国人”确实有话题性。Meta 9 个月重建训练栈这件事正文给了细节，说明大厂也在推倒重来，不是小修小补。Muse Spark 因为触发生化、网络、失控等安全检查暂不开源，这点先别太激动，正文没披露具体触发场景和通过标准，只能知道他们加了安全卡口。整体看，有冲突、有事实更新、有从业者关心的开源与安全矛盾，放在 featured 档合理。
Meta 首席 AI 官宣布 WhatsApp 和 Meta AI 上线 Incognito Chat。和 ChatGPT 那种只不存历史记录的临时聊天不一样，这次对话推理完全在手机硬件安全飞地内完成，Meta 工程师拿不到明文，也不产生服务器日志，会话结束后数据永久删除。等于把 WhatsApp 的端到端加密标准搬到了 AI 对话上，想让你敢聊健康、...
推荐理由：我会先打个折：正文只给了官方公告，没第三方实测，也没说安全飞地具体怎么隔离、性能损耗多少。但亮点很直白——隐身聊天把推理塞进手机硬件安全区，服务器不记日志，聊完数据就没了。这对端侧推理和隐私合规是个信号，只是目前信息量撑不起更高权重，排在模型发布和重大能力更新后面比较合适。
Meta 老板扎克伯格亲自发帖，给 Meta AI 加了一个“无痕聊天”模式。按他的说法，这种对话用上了端到端加密，聊完退出会话后消息就没了，服务器上不存对话记录。Meta 强调这跟其他聊天机器人不一样。不过，这篇报道没写这个功能什么时候上线、覆盖哪些地区，也没提 Meta 有没有找第三方来做安全审计，或者密钥到底是怎么管的。所以“完全私密”这个说法，...
推荐理由：我会先打个折：Meta 说“完全私密”的 AI 聊天，服务器不存日志还端到端加密，听着挺省钱省心。但正文没披露上线范围、保留策略审计和密钥管理机制，这点先别太激动。它更像一个产品更新，隐私承诺的验证链条还没给全，所以放在 featured 里当个信号看就行。
Meta 在 WhatsApp 里给 AI 聊天加了个隐身模式。开了之后，你和 AI 的对话不会被保存，关掉聊天窗口消息就自动消失。正文没提这个模式是默认开启还是需要手动打开，也没说端到端加密的情况。
推荐理由：我会先打个折：这只是 WhatsApp 里 Meta AI 的一个功能开关，不是模型或平台级变动，所以放在 featured 档。但它的隐私钩子很清晰——AI 聊天不保存、关掉就消失，对普通用户来说比一堆权限说明好理解得多。正文没披露这个“不保存”是客户端不存还是服务端也不留日志，这点先别太激动。即便如此，WhatsApp 的用户规模摆在那，这种设计一旦铺开，对 AI 产品的数据留存习惯会有示范效应。
这期 Import AI 聊了两件事。第一件是法律与 AI 研究所提出的“激进可选性”监管思路：政府别急着在现在就把 AI 管死，也别完全不管，而是应该花大钱、下大力气，先把未来可能用到的监管工具和能力建起来。文章列了七类具体工具，包括强制公司公开和上报信息的透明度与报告机制、引入第三方审计、保护吹哨人、政府内部及跨国信息共享、用“如果-那么”式的条件...
推荐理由：HKR 三项全中：这不是一次硬核产品发布，而是 Import AI 的高信号周报。真正的价值在于那 7 类监管工具和 Wan 2.1 原型，所以放在 featured 档没问题，但还够不上重大发布那档。
彭博社在 5 月 5 日的一期播客里提到，北京方面拦下了 Meta 收购 Manus AI 的交易，报价是 20 亿美元。播客片段没讲监管层具体用什么理由否决，也没披露交易条款和 Manus AI 到底做什么业务。想知道为什么被拦，得去听完整期节目，光看这个页面信息不够。
推荐理由：Bloomberg 播客摘要说北京阻止了 Meta 收购 Manus AI，20 亿美元的价码摆在那，但正文没解释为什么拦、交易怎么设计的、Manus 具体做什么。我会先打个折，因为关键信息缺失，没法判断是纯监管原因还是有其他考量。冲突性和话题度够高，但细节太少，所以放在 featured 而不是头条。
北京直接叫停了 Meta 对 Manus 的收购。这篇报道只说了这件事震动行业，但正文没披露交易金额、否决的具体法规依据、以及双方接下来的打算。对 AI 创业公司来说，信号很明确：以后想卖身给美国巨头，得先看监管脸色。
推荐理由：HKR 三项都成立：彭博报道北京否决了 Meta-Manus 交易，是一个具体的中美 AI 政策事件。我会先打个折，因为正文没给金额、否决机制和后续安排，信息密度撑不起更高分，落在 72–77 区间合理。
FT 这篇报道正文被付费墙挡住了，只留了一句话摘要。已知信息是：Meta 正在开发一款面向消费者的 agentic AI 助手，对标的是 OpenClaw 这类能替用户执行日常任务的产品。至于具体用哪个模型、什么时候上线、收不收费、在哪些地区开放、以及用户怎么控制权限，正文都没披露。
推荐理由：FT 一句话消息说 Meta 在搞消费级 agentic 助手，对标 OpenClaw，让 AI 替用户执行日常任务。我会先打个折——正文没给模型参数、上线时间、价格和地区，连任务权限怎么设都没提。这点先别太激动，真正值得盯的是执行权限和安全边界，Meta 的量一旦铺开，翻车代价不小。
Macmillan、McGraw Hill 等五家出版商和作家 Scott Turow 把 Meta 告了，说它在训练 Llama 模型时，通过 LibGen、Anna’s Archive 和 Sci-Hub 这些盗版书库，大量复制了受版权保护的书籍和期刊文章。诉状里用了“逐字复制”这个说法，但正文没披露具体索赔金额和案件编号。
推荐理由：我会先打个折：正文没披露索赔金额和案件编号，所以没法判断规模有多大。但“逐字复制”这个说法很具体，不是泛泛的“风格相似”，对 Meta 来说比一般的训练数据争议更难撇清。诉状把 LibGen 这类盗版库直接点出来，等于把侵权链条画得很清楚，从业者看这个案子能感受到开源模型训练数据合规的雷区在哪。
五家主要出版集团把 Meta 和扎克伯格告了，理由是 Meta 在训练 Llama 系列模型时，未经授权就用了他们受版权保护的作品。目前这篇 FT 报道正文被付费墙挡住，只显示了标题和摘要片段，所以具体涉及多少本书、索赔金额、在哪个法院起诉、以及 Meta 到底是通过什么方式把这些书喂给模型的，这些关键信息正文都没披露。
推荐理由：这条消息我会先打个折——正文只是 RSS 摘要，没披露涉案作品数量、索赔金额、具体法院和训练数据怎么被抓包的机制，信息缺口不小。但五家出版集团联手告 Meta 和 Zuckerberg，矛头直指 Llama 的训练语料，这事本身够硬。对做模型的人来说，训练数据到底能不能用、用了要付多少钱、会不会被告，是每天都在算的账。这点先别太激动，等起诉书细节出来再看授权边界怎么划，但眼下值得放进必读。
这篇帖子介绍了一个新基准 ProgramBench，包含 200 个任务，专门考 AI 智能体能不能只靠一个可执行文件和一份使用说明，就把整个程序从零重新写出来。测试过程不允许联网、不允许反编译，相当于给 AI 一个黑盒子，让它猜里面是怎么实现的。团队花了大概 5 万美元生成了 600 万行行为测试用例，再筛出质量最好的来用，这些测试只看程序的外部行为...
推荐理由：这篇东西我会先打个折：它来自 Reddit，没有其他独立信源交叉验证，所以别当定论看。但它的信息量够硬——ProgramBench 用 200 个任务、约 5 万美元生成了 600 万行黑盒测试，让 Agent 只看可执行文件和说明文档去重建程序，还不准联网、不准反编译。结果就是 Agent 基本搞不定，这直接质疑了现在编程 Agent 评测（比如 SWE-bench）到底测的是真本事还是背题库。对从业者来说，这提醒我们别被榜单分数带偏，实际让模型进业务流程干活之前，得先看看它在“闭卷、无网、大工程”这种真实约束下会不会翻车。
Meta 正在部分国家上线一套视觉分析系统，通过照片估算用户的身高和骨骼发育程度，来抓出谎报年龄的未成年用户。公司说后续会推到更多地区，但正文没披露具体是哪些国家、误判率有多高，也没提用户如果被误判后怎么申诉。
推荐理由：我会先打个折：正文没披露覆盖国家、误判率和申诉机制，所以没法判断实际效果。但这件事值得盯，因为用骨骼结构做年龄推断，比单纯看脸更隐蔽，一旦出错，未成年人可能被误拦或漏过，后续怎么申诉、谁来复核，目前全是空白。
Meta 正在为一个位于得克萨斯州 El Paso 的数据中心项目安排融资，总盘子大约 130 亿美元。摩根士丹利和摩根大通已经进场。这笔钱具体怎么拆、期限多长、利率多少，正文都没披露。这件事本身说明大科技公司现在建 AI 基础设施，越来越靠举债而不是全用自有现金。
推荐理由：Bloomberg 报道 Meta 正为 El Paso 数据中心筹备约 130 亿美元融资，事实够硬，H、K、R 都成立。这不是模型或产品发布，正文没披露债务结构、期限和利率，所以我会先打个折，留在 featured 低段。
新智元这篇推文本身被微信环境拦截，正文没披露原始数据表，只能从标题和摘要反推。标题说迪士尼内部有个AI使用看板，一名员工在9个工作日内向Claude发起了约46万次调用，平均每天超5万次，频率高到像在跑自动化任务。另一组数字是Meta 30天消耗60万亿token，按公开API价格算大概值90亿美元，但实际内部成本肯定低得多。我会先打个折：token消...
推荐理由：HKR三项都成立：钩子靠两个夸张的用量数字立住，知识部分有仪表盘截图和token折算，痛点踩在企业最关心的Claude成本控制上。分数维持74，因为数据都是二手转述，正文没给原始数据表，我会先打个折。
Meta 收购了做人形机器人基础模型的初创公司 Assured Robot Intelligence（ARI），收购金额没公布。ARI 的团队会整体并入 Meta 的超级智能实验室，之前他们在做让机器人理解、预测和适应人类行为的模型，目标场景是家务和其他体力活。这笔交易最直接的信号是 Meta 要把机器人数据和模型的工作从外部合作转向内部自研，但正文没...
推荐理由：这条消息本身信息量不大，正文没披露收购金额、团队规模、技术指标和后续路线图，所以我会先打个折。但 Meta 直接买团队而不是合作，说明它想把人形机器人的模型和数据能力握在自己手里，这对关注大厂机器人布局的人是个明确信号。标题里“人形 AI 野心”听着有点大，实际目前只看到团队并入和家务任务方向，别太激动。整体适合放进 featured，因为动作够具体、涉及实体够大，但缺细节，撑不起 P1。
Dave Lee 直接批评 Meta 的 AI 资本支出太离谱，最高可能冲到 1450 亿美元。他的核心质疑是：亚马逊和谷歌敢这么花钱，是因为有云业务带来的销售增长做支撑，Meta 没有这块收入，花大钱却看不到能匹配的回报。视频里没展开讲 Meta 具体把预算烧在了哪些模型或基建上，但点出了这种支出节奏不可持续。
推荐理由：这篇不是产品发布或技术论文，而是对 Meta 花钱逻辑的评论。我会先打个折：它没有新模型或新工具，但把 capex 和收入错配这件事讲得很直白。1450 亿这个数字够大，大到让人想问钱花哪儿了；正文又明确说 Meta 的财报电话会口径偏谨慎，没有云收入来兜底。对在看 AI 投入产出比的人来说，这个提醒是及时的。信息密度不算高，但判断清晰，所以放在 featured 里没问题。