SemiAnalysis在最新报告中提出，Meta超级智能实验室目前还不是前沿模型竞争中的赢家，但如果人才、强化学习数据生产和算力扩张三项投入同时兑现，未来6个月可能超过Google，成为继OpenAI、Anthropic之后更有竞争力的追赶者。
这份判断并不意味着Meta已经追上。Meta在4月发布Muse Spark，Axios于7月9日报道称，Muse Spark 1.1已向开发者开放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期待中的“大跃进”模型，代号Watermelon的更大模型仍在训练中。
报告押注的是追赶速度，而不是当前名次
SemiAnalysis的核心观点是，当前模型能力还不足以让Meta进入最前列，但Llama 4受挫之后，扎克伯格正以更激进的方式重组AI组织，把资金、人才、内部工程资源和数据中心容量集中到超级智能实验室。
报告认为，Muse Spark及其后续版本在多数基准测试和通用智能体场景中仍难称前沿。文中也特别提示，诸如Muse Spark 1.1大致相当于Opus 4.6或GLM 5.2、内部token用量暂不迁移等内容，属于作者测试和模型判断，并非Meta官方表述。至少从公开信息看，Meta还没有拿出可直接挑战OpenAI和Anthropic的模型。
不过，SemiAnalysis更关注组织调整之后的“斜率”。报告判断，如果下一轮模型训练和强化学习数据生产开始体现在产品上，Meta未来6个月的位置可能高于当前排行榜所显示的水平。
143亿美元投资Scale AI，目标不只是数据
Meta近期最受关注的一步，是对Scale AI的143亿美元投资。Fortune、Forbes、Reuters等媒体此前报道，Meta通过这笔交易引入Scale AI创始人Alexandr Wang，并让其加入或领导与超级智能相关的团队。
在SemiAnalysis看来，这笔交易不只是购买一家数据标注公司，更像一次高强度的人才引入。报告将Scale旗下安全、评估和对齐团队SEAL视为Meta补足评测、对齐和后训练能力的重要来源。
Reuters此前还提到，Meta向部分AI工程师提供数亿美元级薪酬包。报告据此认为，Meta已把超级智能提升为公司级优先事项，而不是普通的AI产品迭代。对大型科技公司来说，难点不只是预算，还在于让研究、产品、基础设施和管理层围绕同一个目标运转。
SemiAnalysis还引用Alexandr Wang近期在播客中的表述称，真正的前沿实验室往往会先相信超级智能已经接近，然后再让商业决策服从这一判断。报告据此将Meta近来的动作解读为向OpenAI、Anthropic式的AGI优先级靠拢。
约3000名工程师转向RL任务生产
报告给出的第二条判断依据，是强化学习任务和真实工作数据。
SemiAnalysis称，Meta将约3000名工程师重新分配为全职RL任务创建者。该数字需按报告口径理解，但如果执行到位，Meta的优势会比较直接：它不是单纯外包购买人工数据，而是把自身工程组织变成训练任务的生产线。
报告指出，当前模型能力提升已经不只依赖预训练语料，更关键的是模型能否在接近真实工作的环境里完成任务，包括理解上下文、调用工具、执行测试、修复错误，再根据结果迭代。代码库修复、产品分析和内部工具调用，都比普通考试题更接近白领工作的实际难度。
文中还提到，很多强化学习任务表面上难度很高，但提示词往往把步骤写得过细，与真实工作习惯并不一致。屏幕录制、日常工作流、工具调用记录和内部评估体系，可能更适合训练能够自动化白领工作的模型。
这也是SemiAnalysis看好Meta追赶Google的原因之一。报告认为，Google拥有DeepMind、Gemini、TPU和云业务等优势，而Meta正在把内部组织、数据和工程能力集中到同一个模型目标上。
多GW算力扩张被视为第三条主线
算力是报告中的第三条主线。SemiAnalysis在7月2日的文章中称，Meta今年上半年签约超过5GW容量，2024年以来累计接近10GW交易，并判断新增容量的大头仍将流向Meta超级智能实验室。
报告认为，重点不在具体数据中心设计，而在资本开支的流向。Meta扩充算力并不是为了常规云服务，而是为内部模型训练、后训练和智能体循环准备更大规模集群。训练和强化学习负载越重，算力部署速度对模型迭代速度的影响就越明显。
文中还提到跨区域互联、快速部署数据中心等基础设施设想。SemiAnalysis说明，这些细节仍属于模型推演，但方向很明确：Meta正在用基础设施换时间。
对于Google，报告提出的争议点不在于是否具备算力，而在于算力如何分配。SemiAnalysis预计，Google新增数据中心容量中，相当一部分将用于IaaS和第三方API业务，DeepMind可用于前沿训练的资源集中度可能低于外界想象。即便Google通过外部融资或资本市场扩建更多AI基础设施，新增容量也可能被云客户消耗掉一部分。
基于这一判断，报告认为，AI“第三名”之争不再是Google稳居其位，而可能演变为Meta、Google乃至其他高算力玩家之间的重新排序。
最大变量仍是下一代模型能否兑现
这份报告最具冲击力的部分，也正是风险最高的部分：它押注的是未来6个月，而不是已经发生的结果。
目前，Meta已经具备143亿美元Scale AI交易、Alexandr Wang加盟、数亿美元级薪酬包、多GW算力扩张，以及内部工程资源向RL任务倾斜等追赶条件，但这些仍然只是条件，不是模型胜利本身。
Muse Spark 1.1还不能证明Meta已进入OpenAI和Anthropic所在的位置。Watermelon等更大模型仍在训练中，其实际能力、成本、可用性和开发者反馈，还没有经过市场检验。
Google也没有退出竞争。DeepMind、TPU、Gemini和云业务仍是其现有优势。SemiAnalysis真正提出分歧的地方在于，Google的资源需要同时服务搜索、云、API客户和内部模型，而Meta正把更多资源集中押向超级智能实验室。
如果Meta下一代模型没有明显进步，143亿美元挖人和大规模算力投入会转化为更重的资本开支压力；如果新模型和智能体产品兑现，AI第三名的位置才可能真正出现变化。