或許是因為最近Meta財報發(fā)布，或許是因為最近Llama受到的非議太多，或許是因為小扎個人的分享欲爆棚，他在和的前后腳，還接受了這檔商業(yè)人文播客Dwarkesh Podcast的訪談。
，這個訪談犀利點評他人更多，他聊到了OpenAI、聊到了谷歌的Gemini，聊到了 Anthropic，全程還提及14次DeepSeek，8次China，4次Trump。
本次訪談的幾大主題
Llama 4、基準測試刷榜、開源vs閉源之爭
AI爆炸，但AGI 的商業(yè)模式是什么？
DeepSeek和中國、export controls和Trump
Orion智能眼鏡、人與 AI 的關(guān)系，如何避免被技術(shù)的獎勵機制劫持？
Llama 4 和其他AI模型的比較
以下是整個訪談的內(nèi)容目錄，本篇只包含前四部分。下篇幾天后發(fā)出，里面提到了美國科技巨頭是否會配合 Trump的問題，也挺有意思，歡迎關(guān)注本號，敬請期待。
一、How Llama 4 compares to other models
二、Intelligence explosion
三、AI Friends, Therapists & Girlfriend
四、 DeepSeek & China
五、Open source AI
六、Monetizing AGI
七、The role of a CEO
八、Is big tech aligning with Trump?
九、100x productivity
一、How Llama 4 compares to other models
Dwarkesh Patel：Mark，感謝你再次參加我們的播客。
Mark Zuckerberg：很高興來，見到你很開心。
DP：彼此彼此。上次你來，我們聊的是 Llama 3，現(xiàn)在你們發(fā)布了 Llama 4。
MZ：嚴格來說，是 Llama 4 的首個版本。
DP：沒錯。有哪些新亮點？發(fā)生了什么變化？
MZ:整個領(lǐng)域變化太快了。自上次交談以來，真是天翻地覆。Meta AI 的月活用戶已逼近十億，著實令人驚嘆。
我覺得今年會是大年，尤其是當(dāng)我們真正跑通用戶的個性化閉環(huán)，就是利用算法掌握關(guān)于興趣的context，包括信息流、個人檔案、社交圖譜，還有基于你與 AI 對話的內(nèi)容，這種“個性化”，將成為下一個令人振奮的大方向，我對此十分看好。
模型本身也在突飛猛進。我對 Llama 4 的首批發(fā)布相當(dāng)滿意。我們官宣了四個模型，率先放出其中兩個，Scout 和 Maverick，算是中小模型。
Llama 3 最受歡迎的是 80 億參數(shù)版本，所以 Llama 4 也會有同等規(guī)模的后繼，內(nèi)部代號Little Llama，預(yù)計數(shù)月內(nèi)上線。
Scout 和 Maverick的“單位成本智能”極高（highest intelligence per cost），原生多模態(tài)、高效、單機即可運行，專為低延遲場景打造，我們會先滿足內(nèi)部需求，再開源給大眾，這一直是我們的做法。
我同樣期待即將到來的Behemoth，這是我們首個“前沿級”模型，參數(shù)量逾 2 萬億，非常龐大。僅僅是為它做后訓(xùn)練，我們就得搭一堆新基礎(chǔ)設(shè)施。
現(xiàn)在要思考的是，普通開發(fā)者如何用得上？也許需要蒸餾成更易部署的尺寸，畢竟消費級產(chǎn)品，不可能直接跑這么大的模型。
回想Llama 3 的節(jié)奏，首發(fā)很激動人心，隨后一年我們持續(xù)迭代，3.1 是4050 億參數(shù)版本，3.2 加入完整多模態(tài)，今年我們同樣有類似路線圖，事情很多。
DP：有人覺得，過去一年頂級閉源模型與頂級開源模型的差距更大了，雖說 Llama 4 全系列尚未放完，但 Llama 4 Maverick 在 Chatbot Arena 僅排第 35，在多項主流基準上，同級別的 o4-mini 或 Gemini 2.5 Flash 的表現(xiàn)都更好，你怎么看？
MZ：幾點想法吧，第一，今年總體對開源模型而言絕對是大年，去年像樣的創(chuàng)新開源模型幾乎只有 Llama，如今優(yōu)秀模型百花齊放。
普遍預(yù)測稱，今年開源模型的使用量將超過閉源，我認為很有可能。令人驚喜的是，不止 Llama，很多模型都很出色。
再說推理模型現(xiàn)象，你提到的 o3、o4 等，現(xiàn)在出現(xiàn)了專業(yè)化：若要在數(shù)學(xué)、編程等任務(wù)上做到最好，就需要推理模型在推理時，投入更多算力，換取更高智能。
我們也在做 Llama 4 的推理版本，日后會放出。
但對我們關(guān)注的大量應(yīng)用來說，延遲與單位成本智能（intelligence per cost），更為關(guān)鍵。面向消費者時，沒人愿意多等半分鐘，若能在半秒給出足夠好的答案，那就是最好的。
兩條路線，都很重要，我也看好將推理模型與核心語言模型融合——Google 最新的 Gemini 就在走這條路，未來會出現(xiàn)多種形態(tài)。
你提到 Chatbot Arena，這暴露了基準測試的弊?。喝绾卧u估模型在哪些任務(wù)表現(xiàn)優(yōu)異？
過去一年，我們更多把模型錨定在Meta AI 的北極星用例（Meta AI product north star use cases）。
許多開源基準，偏向極其特定的場景，未必符合普通用戶真實需求，它們衡量的能力組合，與用戶在產(chǎn)品中真正關(guān)心的往往不同。
過度迎合這些基準，就會跑偏，未必帶來最佳產(chǎn)品體驗和最高使用量。我們的北極星是用戶反饋，用戶說想要什么，以及實際行為，很多基準也很容易被“刷榜”。
舉例說，Sonnet 3.7 是好模型，卻排不上前列，我們團隊其實可以輕松把 Llama 4 Maverick 調(diào)優(yōu)到榜首，但現(xiàn)在發(fā)布的模型，壓根沒為榜單做微調(diào)，所以排名靠后。
對這些榜單，要審慎看待，我們主要還是以產(chǎn)品價值為依據(jù)。
DP：你覺得有沒有某種基準，能客觀衡量你所謂的“用戶價值”北極星，讓你說：“我得讓 Llama 4 在這項基準上拿第一？”
MZ：我們的基準，就是Meta AI 的用戶價值user value。
DPa：可那無法與其他模型對比吧？
MaZ：也許能，因為我們可以內(nèi)部運行其他模型做對照，這正是開源的一大優(yōu)勢，社區(qū)能幫你揪出模型的短板與長處。
現(xiàn)實是，各模型的優(yōu)化組合略有不同。所有領(lǐng)先實驗室，都在追求同一個終點：人工通用智能AGI、或者人工超級智能ASI，讓每個人擁有超人級工具，創(chuàng)造任何想要的東西，極大賦能個人并帶來經(jīng)濟紅利。
但不同團隊確有各自的側(cè)重，Anthropic更聚焦編程及相關(guān)智能體，OpenAI 近期更偏向推理。
我猜最終使用最廣的，會是那種響應(yīng)迅速、交互自然、原生多模態(tài)、能融入日常的模型。
你應(yīng)該試過我們即將發(fā)布的新 Meta AI App，我們放了個全雙工語音（full-duplex voice）的 Demo。雖然還早，還沒設(shè)為默認語音模型，但其自然對話的感覺，非常吸引人。
把這與正確的“個性化”結(jié)合，未來的產(chǎn)品體驗將是，幾年后，我們?nèi)粘恢迸c AI 交談。
拿著手機瀏覽信息流時，它與你對話，提供上下文、回答問題，在消息應(yīng)用中，輔助溝通。最終，我們走在街頭，戴著眼鏡或其他 AI 設(shè)備，與之無縫互動。
這就是北極星，只要某項基準能讓人們覺得質(zhì)量足夠好、愿意使用，那才對我們最重要。
二、 Intelligence Explosion 智能爆炸
DP：我同時體驗了 Orion 和 Meta AI App，語音模式流暢得驚人，真的很出色。
關(guān)于各大實驗室所追求的優(yōu)化方向，如果非得為他們的觀點做辯護，他們通常認為，一旦徹底自動化軟件工程與 AI 研究，就能引爆一場“智能爆炸”。
屆時，數(shù)以百萬計的“軟件工程師的副本copies of software engineers”，會把 Llama 1 到 Llama 4 之間那種量級的進步再復(fù)制一遍，只是時間從數(shù)年縮短到數(shù)周或數(shù)月。
所以，只要把“軟件工程師”這個環(huán)節(jié)閉環(huán)起來，你就能率先抵達人工超級智能ASI，你怎么看？
MZ：我認為這個設(shè)想頗具說服力，這也是我們在 Meta 內(nèi)部大力投入編碼代理的原因。鑒于我們并不是一家企業(yè)級軟件公司，我們主要是為自身需求構(gòu)建這些工具。
我們的目標很明確——不是去做一個通用的開發(fā)者工具，而是打造能推進 Llama 研究的編碼代理coding agent和 AI 研究代理research agent，并且它們完全接入了我們的內(nèi)部工具鏈toolchain。
這的確重要，也必將成為 AI 研發(fā)的關(guān)鍵一環(huán)。我猜在未來 12-18 個月內(nèi)，為這些項目編寫的大部分代碼，都將由 AI 完成，而且我指的不是自動補全?，F(xiàn)在自動補全已經(jīng)不錯：你開始寫一段代碼，它可以把一整段補全。
我說的是，你只需給出目標，它就能運行測試、改進功能、定位問題，寫出的代碼質(zhì)量，已超過團隊里一般優(yōu)秀工程師的平均水平，我確信這會非常關(guān)鍵。
但我并不認為這就是全部，這個行業(yè)很大，AI 的開發(fā)方式也會多種多樣。我不相信最終只會出現(xiàn)一家擁有單一優(yōu)化函數(shù)、能最好地服務(wù)所有人的公司。
不同實驗室會在不同領(lǐng)域領(lǐng)跑：有的更偏向企業(yè)或編碼場景，有的專注效率提升，有的聚焦社交或娛樂。
即便在助手領(lǐng)域，也會有注重信息與生產(chǎn)力的助手，也會有偏向陪伴的助手，或者純粹有趣、娛樂，直接出現(xiàn)在信息流里的內(nèi)容。
總之空間巨大，奔向 AGI 的道路上既有共同要邁的臺階，也有大量仍待創(chuàng)造的全新事物，我猜未來會看到各團隊之間的進一步專業(yè)化。
DP：有意思的是，你基本同意會出現(xiàn)“智能爆炸”，最終會誕生超級智能。如果我沒理解錯的話，在這種情況下，為什么還要費心開發(fā)個人助手之類的應(yīng)用？為什么不先把超級智能做出來，其他東西晚點再說？
MZ：那只是飛輪flywheel的一部分。我不太認同“快速起飛fast take-off”論的一個原因是——建設(shè)實體基礎(chǔ)設(shè)施需要時間。
如果要建一個吉瓦級算力集群gigawatt cluster of compute，就需要時間。NVIDIA 需要時間穩(wěn)定新一代系統(tǒng)，你還得規(guī)劃網(wǎng)絡(luò)架構(gòu)，建設(shè)機房，拿許可證，搞能源——可能是燃氣輪機，也可能是可再生能源——無論哪種，背后都有完整的供應(yīng)鏈。
我們上次播客里，聊過很多這類問題。這些都是現(xiàn)實世界、以人類時間尺度推進的事。當(dāng)你在某一層獲得更高智能，往往會撞到另一層的瓶頸。
工程學(xué)永遠如此：解決一個瓶頸，下一個瓶頸就出現(xiàn)。
另一個瓶頸是：人們需要時間去適應(yīng)、去學(xué)習(xí)如何與系統(tǒng)形成反饋閉環(huán)。
這些系統(tǒng)不會一現(xiàn)身，就讓所有人瞬間會用，它們與人的使用方式是共同進化的，人學(xué)著如何最好地用助手，助手也在學(xué)用戶在乎什么，開發(fā)者再把助手做得更好。
同時，我們還在積累上下文。一年兩年后回頭看，助手能引用你兩年前聊過的話，這非?？?。如果它今天才上線，就算再完美，也不可能引用兩年前不存在的對話。
所以我的觀點是：智能增速確實陡峭。人們與 AI 助手的交互量和數(shù)據(jù)反饋飛輪同樣增長迅猛。
同時，算力供應(yīng)鏈、基礎(chǔ)設(shè)施、監(jiān)管框架也都在建設(shè)中，單有“寫代碼”那一環(huán)，遠遠不夠。
舉個例子：幾年前，我們廣告團隊做過一個項目，自動化廣告排序?qū)嶒灐Ｄ鞘莻€相對封閉的環(huán)境，并非開放式編碼，系統(tǒng)會回溯公司歷史上每一次廣告實驗，分析成敗和結(jié)果，然后提出新假設(shè)去做試驗，提高廣告效果。
結(jié)果我們發(fā)現(xiàn)，瓶頸在于運行實驗的算力，以及可用的用戶分層。哪怕 Meta 有 35 億用戶，每個實驗仍需幾十萬甚至上百萬人，才能顯著統(tǒng)計，我們已經(jīng)有更多優(yōu)質(zhì)想法，但算力和受試人群都不夠用。
因此，僅僅生成更多實驗想法，并不會帶來增益。AI 生成的“假設(shè)”，如果未來能有價值，平均質(zhì)量得先超越目前“上線門檻”以上的、由頂尖工程師提出的想法才行。
我相信我們會很快達到哪里，但這不是“AI 會寫代碼，一切瞬間升級”的故事，現(xiàn)實約束很多。你得有算力，有人群做實驗，隨著 AI 質(zhì)量持續(xù)提升。
也許五到十年后，沒有任何人類團隊能再提出比 AI 更好的假設(shè)了，也許吧，但那絕非現(xiàn)在。
DP：如果你認同智能走向這幅圖景，那看好 Meta 的理由，顯然在于你們擁有龐大分發(fā)渠道，也能由此收集更多可用于訓(xùn)練的數(shù)據(jù)，你說Meta AI現(xiàn)在已有十億活躍用戶。
MZ：不是獨立App，本次單獨推出的 App 才剛上線，供想嘗鮮的人使用，體驗確實不錯，里面有些新點子值得聊。
但我所說的“十億”，主要發(fā)生在我們的各大應(yīng)用里。
用Meta AI 用得最多的是WhatsApp，而 WhatsApp 的主戰(zhàn)場在美國以外。雖然我們在美國已突破一億用戶，但美國的主流消息平臺其實是 iMessage，所以美國用戶往往低估了Meta AI 的實際使用量。
也正因如此，獨立App就很重要。美國無論如何都是關(guān)鍵市場，可WhatsApp在這兒確實不是老大，我們需要別的路徑交付一流體驗，讓Meta AI 真正出現(xiàn)在美國用戶面前。
DP：如果 AI 的未來不再只是答疑，而是成為虛擬同事，那么在 WhatsApp里集成 Meta AI ，是否就無助于訓(xùn)練出完全自主的程序員或遠程工作者？那時，誰擁有更大語言模型的分發(fā)量，或許就沒那么重要了？
MZ：我還是覺得場景會多元，想象一下互聯(lián)網(wǎng)剛誕生時，你問：互聯(lián)網(wǎng)的主戰(zhàn)場會是什么？知識工作還是面向大眾的消費級應(yīng)用？
結(jié)果，其實兩者都成了支柱。
世界如此龐雜，通常不會由一家企業(yè)包攬所有需求。
具體到你的問題：人們確實不會在 WhatsApp 里寫代碼，我絲毫不覺得那會成為主要用例。但人們肯定會讓 AI 去做很多事，其中不少都需要 AI 寫代碼，只是用戶未必意識到。
我們內(nèi)部有大批工程師在用 Meta AI，公司內(nèi)還有名為 MetaMate 的工具，以及一系列圍繞它打造的編碼與研究代理，這條反饋循環(huán)可以大幅提速我們的內(nèi)部研發(fā)。
AI 幾乎肯定會帶來知識工作和編碼的革命，我也相信它會定義下一代搜索，幫助完成更復(fù)雜的信息任務(wù)。
此外，人們會用它來娛樂自己，如今互聯(lián)網(wǎng)到處都是梗和段子，未來也一樣。人類傾注大量精力去娛樂、去推動文化、用幽默闡釋觀察到的現(xiàn)象，這點永遠不會變。
回顧Instagram、Facebook 的演變：十幾、二十年前主要是文字，后來手機有了攝像頭，圖片成主流，再后來移動網(wǎng)絡(luò)提速，手機看視頻不再卡頓，于是視頻崛起。過去十年，大多數(shù)人在 FB 和 IG 上花的時間，都在看視頻。
那你覺得五年后，大家還會只是刷視頻嗎？不會的，內(nèi)容會變得可互動：你滑到一條看似Reels 的內(nèi)容，卻能跟它對話，它會回應(yīng)你，甚至像游戲一樣，讓你跳進去互動，這一切都將由 AI 驅(qū)動。
所有形態(tài)將百花齊放，我們野心很大，會涉獵多個領(lǐng)域，但我不認為任何一家公司能包辦全部。
三、 AI Friends, Therapists, Girlfriend
DP：關(guān)于 AI 生成內(nèi)容與 AI 互動這點，現(xiàn)在已經(jīng)有人與 AI 心理咨詢師、AI 朋友，甚至更多角色建立了有意義的關(guān)系。隨著 AI 變得更獨特、更有個性、更聰明、更即興、更風(fēng)趣，這種關(guān)系只會愈發(fā)緊密。
人們肯定會和 AI 建立關(guān)系，我們該如何確保這些關(guān)系是健康的？
MZ：很多問題只有真正看到用戶行為后，才能回答。最重要的前提是，在每一步都主動提出這個問題，并認真對待。但是，如果一開始就過于武斷，認定某些做法必然不好，往往會扼殺掉價值。
人們之所以使用某樣?xùn)|西，是因為它對他們有價值。我設(shè)計產(chǎn)品的核心原則之一是：用戶是聰明的，他們知道什么對自己有用。
偶爾產(chǎn)品里會出現(xiàn)負面情況，你要盡量把風(fēng)險降到最低?？扇绻阌X得某件事不好，而用戶卻樂此不疲，大多數(shù)情況下，以我的經(jīng)驗，用戶肯定是對的，你錯了。
只是你尚未找到解釋框架，理解為何這件事對他們有益，這就是我的基本思路。
我相信人們會把 AI 用在許多社交場景。實際上，我們已經(jīng)看到不少人用 Meta AI 來練習(xí)與親友的艱難對話：
“我和女友出現(xiàn)問題，該怎么談？”
“我得跟老板進行一場硬碰硬的交流，該怎么說？”
這樣的功能很有幫助，等到個性化閉環(huán)真正跑起來，AI 越來越了解你，這種體驗會更具吸引力。
有個我常提的數(shù)據(jù)：平均美國人擁有的“真朋友”不足 3 個。可他們心里期望的朋友數(shù)量，大約是 15 個。到某個點，人們會覺得“我太忙，顧不過來了”，但大多數(shù)人都渴望比現(xiàn)實更多的聯(lián)結(jié)，也經(jīng)常感到孤獨。
有人擔(dān)心 AI 會取代現(xiàn)實中的面對面關(guān)系，我傾向認為不會。線下交流有無可替代的優(yōu)勢，只是現(xiàn)實中很多人得不到足夠的連接感。
今天，一些 AI 心理師、AI 女友之類的應(yīng)用，仍帶著輕微的“污名”。隨著時間推移，社會會逐漸找到合適的解釋，說明它們的價值、使用者的合理性，以及它們怎樣真正改善了生活，但現(xiàn)在仍然非常早期。
目前做虛擬治療師、虛擬伴侶的公司，不過寥寥數(shù)家，而且“具身化”很弱，打開應(yīng)用只是一張頭像，最多有點粗糙的動畫，談不上真正的具身。
你見過我們 Reality Labs 的 Codec Avatars，那真的像真人一樣。這正是未來，你將能隨時與 AI 進行視頻對話，而手勢同樣關(guān)鍵，真實對話中，超過一半的信息并非語言，而是非語言信號。
DP：前幾天我體驗了 Orion，印象相當(dāng)深刻。我總體對這項技術(shù)持樂觀態(tài)度，也像你說的那樣較為“自由主義”，如果用戶選擇做某事，很可能對他們有益。
雖說，我不確定一個沉迷 TikTok 的人，是否真的滿意自己花在 TikTok 上的時間。
而我之所以樂觀，是因為要在未來 AGI 世界生存，我們也需要用這類工具升級自身能力，而且世界會因此更美，比如處處都能見到“吉卜力風(fēng)”。
不過，你們團隊展示的一個標志性場景，讓我有些擔(dān)心，我坐在早餐桌前，余光里不斷劃過一排排 Reels，也許將來屏幕另一側(cè)還會有我的 AI 女友。
這很糟糕，技術(shù)的“獎勵劫持reward-hacked”的所有阻力，似乎正在被全部消除，該怎么確保五年后不會變成這樣？
MZ:我仍然相信人們清楚自己想要什么，你看到的只是一個多任務(wù)與全息演示，僅用于展示能力。我同意未來不該是視野邊角總有東西爭奪注意力，大多數(shù)人不會喜歡那樣。
在設(shè)計眼鏡時，我們尤其注意這一點。對眼鏡而言，首要任務(wù)是“隱形”，它本質(zhì)上是一副好眼鏡。這也是 Ray-Ban Meta 受歡迎的原因，它能聽歌、接電話、拍照錄像，AI 只有在你需要時才出現(xiàn)，當(dāng)你不需要時，它就是一副好看的眼鏡。
把存在感降到最低，這將是 AR 時代至關(guān)重要的設(shè)計原則。
更宏觀地看，數(shù)字世界在我們生活中如此重要，卻只能通過“物理數(shù)字屏幕”來訪問——手機、電腦、墻上的電視，這些都是大塊硬件。
技術(shù)已經(jīng)走到讓物理與數(shù)字徹底融合的階段，比如全息疊加holographic overlays就是實現(xiàn)路徑。
我同意，設(shè)計原則必須圍繞人與人互動，你可隨時把數(shù)字對象帶入對話，比如：
想展示什么？直接拉出一個屏幕，三維可交互；
想打牌？來，一副虛擬牌，我們一起玩；
我們倆面對面，第三位朋友可以“全息”加入。
但正如沒人愿意讓現(xiàn)實空間過度雜亂，因為精神上會被壓垮，人們同樣不會想讓混合現(xiàn)實空間顯得擁擠不堪。
這更像一種美學(xué)規(guī)范，最終會形成共識，我相信我們會找到平衡。
四、DeepSeek and China
DP：回到 AI 這個話題。你剛才提到，物理基礎(chǔ)設(shè)施會成為非常大的瓶頸。拿其他開源模型來說，比如 DeepSeek，他們目前掌握的算力明顯少于 Meta 這樣的實驗室，可有人認為它的表現(xiàn)已經(jīng)能和 Llama 系列抗衡。
如果中國在搭建物理基礎(chǔ)設(shè)施、擴大工業(yè)規(guī)模、獲取電力以及上線數(shù)據(jù)中心方面更有優(yōu)勢，你會不會擔(dān)心他們最終在這條賽道上超過我們？
MZ：這確實是一場真刀真槍的競賽，而你已經(jīng)能看到各國產(chǎn)業(yè)政策在發(fā)揮作用。中國正在并網(wǎng)更多電力，因此，美國必須加快數(shù)據(jù)中心建設(shè)和能源生產(chǎn)的流程，否則我們會落入相當(dāng)不利的境地。
與此同時，針對芯片等產(chǎn)品的export control，也的確在產(chǎn)生效果。大家談到 DeepSeek 時常說，他們做了很多“令人驚嘆的底層優(yōu)化”。沒錯，他們確實做到了，而且相當(dāng)厲害。
可接著就要問：為什么 DeepSeek 得這么做，而美國的實驗室卻不用？
原因是，他們用的是經(jīng)export controls“降級”后的 NVIDIA 芯片，而美國實驗室可以直接用完整版。DeepSeek 只好把大量精力花在低層基礎(chǔ)設(shè)施優(yōu)化上，這是美國同行不必付出的成本。
結(jié)果是，DeepSeek 在文本任務(wù)上，拿出了漂亮的成績，但他們目前只支持文本。他們的優(yōu)化很驚艷，文本效果也不錯，可如今每個重磅新模型都是多模態(tài)：既能處理圖像，也能處理語音，而 DeepSeek 的模型做不到。
為什么？并不是他們能力不足，而是他們必須先投入資源去彌補export controls帶來的硬件缺口。
再看 Llama 4 與 DeepSeek 的比較。我們的推理版本還沒發(fā)布，所以 R1 的對標暫時不清楚。但就文本任務(wù)而言，我們用更小的模型，就能達到和 DeepSeek 相同的水平，因此單位智能成本（cost-per-intelligence）更低。在多模態(tài)上，我們目前處于領(lǐng)先，而他們的模型根本沒有這部分能力。
綜合來看，Llama 4 表現(xiàn)很強，我相信大多數(shù)人最終會更愿意使用 Llama 4。不過，DeepSeek 那邊顯然也有一支優(yōu)秀的團隊。你提到的電力、算力與芯片的可獲得性，確實至關(guān)重要。不同實驗室能夠做什么、做到何種程度，在很大程度上都取決于這些前置條件。
熱門跟貼