Meta AI重组风波：Llama模型兴衰录与内部架构的失衡与重构

2025年10月下旬，Meta AI部门意外宣布裁员600个职位，波及核心研究总监，同时掌管AI业务的高管纷纷离职或边缘化，连图灵奖得主Yann LeCun也被认为地位不稳。

一方面，扎克伯格以亿美元年薪抢夺AI人才，另一方面却果断裁员，这种看似割裂的行为背后究竟隐藏着什么？

为此，我们专访了Meta前FAIR研究总监AI科学家田渊栋、参与Llama 3后训练的前员工Gavin Wang、硅谷资深HR专家及匿名人士，试图还原Meta的Llama开源路线真相：

为何Llama 3惊艳众人，而一年后的Llama 4却表现平平？期间发生了什么？Meta的开源路线是否从一开始就注定失误？在AI大模型激战当下，乌托邦式的AI研究实验室还能生存吗？

01 FAIR与GenAI的诞生：Meta的AI十年布局与架构搭建

首先，解析Meta对AI布局的整体公司架构。

2013年底，扎克伯格着手构建Meta的AI团队。当时，谷歌收购了Geoffrey Hinton的DNN团队，招入Hinton；与此同时，Meta邀请Yann Lecun坐镇AI发展。至此，图灵奖三巨头中的两位步入商业科技领域主导AI研发。

扎克伯格邀请Yann LeCun加入Meta时，后者提出三个条件：

1.不离开纽约；

2.保留纽约大学职位；

3.必须开展开放研究，公开发布所有工作，并将代码开源。

因此，Meta从一开始就确立了开源路线。Yann LeCun加入后，着手前沿AI研发，组建了Fundamental AI Research实验室（FAIR），主导人工智能前沿探索。

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

FAIR专注于前沿研究，探索当前看似无直接应用但蕴含新想法、新算法、新框架或新模型架构的领域。这些探索可能带来重大突破，这是基本逻辑。

但对Meta而言，最终需看到AI在产品中的进展。因此，与FAIR平行设置了“Generative AI”（GenAI）组。

该组包含不同功能团队：Llama开源模型研发、将AI能力集成到产品的Meta AI团队、AI算力基建的数据中心团队，以及其他小部门如Search（搜索）、Enterprise（企业服务）、Video-gen（文生视频）模型等。

GenAI与FAIR形成天平：一边是前沿科研，一边是产品化。理想情况下，前沿研究提升产品力，产品盈利后管理层更愿拨款给FAIR研发。

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

例如，FAIR会提供创新想法给GenAI，后者将其融入生产，用于下一代模型。许多人的初心是探索不同方向，能否真正实现AGI（通用人工智能）？这是一个宏大问题。

陈茜

硅谷101联合创始人：

因此，FAIR的目标是AGI，而GenAI旨在将AI融入Meta现有产品，发挥效应。

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

对，主要一方面是大模型Llama，另一方面是如何将AI有效应用于具体场景。

然而，保持这种天平平衡是理想化状态。前提是Meta的AI模型需保持领先，至少开源赛道领先，且不落后闭源模型太多。

陈茜

硅谷101联合创始人:

你在FAIR最快乐的时光是什么时候？

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

从入职FAIR到2022年，我很开心。大语言模型兴起后，生态和研究者关系变化，算力成为关键因素。

算力有限导致矛盾：大家需训练大模型，资源分配引发问题，如卡多卡少影响模型质量。2023年后，状态不如从前。

Meta的AI天平如何失衡？从Llama四代发布中可见端倪。

02 “开源之光”：Llama的昔日骄傲与滑铁卢？

Meta将大语言模型命名为“Llama”，据称因Large Language Model缩写“LLM”发音不便，补上元音字母。“Llama”易记易传播，自此大模型与“羊驼”关联。

Chapter 2.1 Llama 1：开源的“种子”

Llama 1为Meta大模型“开源”路线奠基。

2023年2月24日，Meta发布Llama模型，主打“更小参数更好效果”（多规模：7B/13B/33B/65B），强调13B模型在多项基准上超越175B参数的GPT-3。

发布一周后，权重在4chan上以种子形式“泄露”，引发AI社区对开源模型广泛讨论，甚至招致国会参议员质询Meta。

尽管有质疑，业界对Llama“意外泄露”出奇支持，被视为“大模型开源”格局重塑，迅速催生众多民间微调项目。

解释大模型“开源”定义：Meta并非完全开源，称为“开放权重”（Open weights）。

机器学习中，有三部分：结构（architecture）、权重（weights）和代码（code）。“权重”是模型学习到的参数数值。训练后，参数存为巨大二进制文件，每文件保存神经网络每层矩阵数值。推理时，模型代码加载权重文件，用GPU进行矩阵运算生成文本。

因此，“开放权重”意味着向公众提供训练好的参数文件，外界可本地加载、部署和微调，但非完全“开源”。真正开源需公开训练数据、代码和许可等。Meta未公开这些信息，后续Llama 2、3、4代仅开放权重，许可证政策略有松动。

相比OpenAI、Anthropic和谷歌等完全闭源、仅通过API提供模型服务的公司，Llama“半开源”为开源社区注入旺盛活力。

Chapter 2.2 Llama 2: 开放“可商用”

2023年7月28日，Meta联合微软发布大模型Llama 2，含7B、13B和70B参数变体。

新一代模型“开源”仍为“开放权重”，但对比Llama 1不可商用、仅限研究，Llama 2免费可商用，放宽许可证权限。Wired等杂志指出，Llama 2让“开放路线”对抗封闭模型巨头成为现实。

Llama 2迅速风靡开发者社区，可得性显著放大生态和AI开发。

之后是2024年Llama 3，Llama系列最辉煌时刻。

Chapter 2.3 Llama 3系列: 逼近闭源阵营

进入Llama 3时代，Meta成为AI开源社区顶流。2024年4月至9月，Meta连发三个版本迭代。

2024年4月18日，Meta发布8B、70B规格Llama 3版本，称同等规模“显著超越Llama 2”，并作为Meta AI助手底座之一。

7月23日，Meta推出405B、70B、8B三档Llama 3.1模型，宣称405B是“全球最强开放可得基础模型”之一；同步登陆AWS Bedrock、IBM watsonx等平台。

仅两月后，2024年9月25日，Meta推出Llama 3.2，主打小而全多模态，新增1B与3B轻量文本模型与1B与90B视觉多模态模型，面向终端/边缘场景；AWS等平台同步接入，开源框架OLlama可本地运行。

采访Llama 3团队Gavin Wang，他负责后训练工作，表示当时GenAI团队以“光速”前进，真有“AI一天，人间一年”之感。

Gavin Wang

前Meta AI工程师，从事Llama 3后训练：

Llama 3.1/3.2进展显著，如多模态发布，以及轻量化模型1B/3B。产品化生态取得很大进展，社群广泛支持，包括朋友在Llama Stack团队专支持Llama生态在企业级或小企业级落地。

Llama 3强势出击，特别是405B版本被认为在模型能力上逼近闭源阵营，也被认为将快速推动AI应用落地。对Meta内部员工，尤其Llama组AI工程师，这是值得骄傲的项目。

Gavin Wang

前Meta AI工程师，从事Llama 3后训练：

当时叙事是，Meta是大厂中唯一坚持开源的模型，对整个开源生态贡献显著。许多人觉得这不仅是一份工作，更是支持AI前沿发展，每件事都充满意义，我非常自豪。出去说我在做Llama 3团队，创业公司创始人常感谢我的努力。感觉整个技术圈，尤其AI创业圈，都指望Llama。

Meta乘势而上，期望Llama 4发布进一步扩大在AI开发社区影响力，保持“顶尖大模型中唯一开源存在”。

扎克伯格在2025年1月底财报会议后发帖称，“我们对Llama 3的目标是使开源与封闭模型竞争，而对Llama 4的目标是领先。”

然而，三个月后Llama 4发布，却是彻底灾难和滑铁卢。

Chapter 2.4 Llama 4: 滑铁卢

2025年4月5日，Meta推出Llama 4两个版本（Scout与Maverick），宣称多模态与长上下文能力大幅跃进，宣传中高调引用LMArena排行榜领先成绩：Maverick版本仅次于Gemini 2.5 Pro，与ChatGPT 4o和Grok 3 Pro并列第二。

但很快，开发者社区反馈负面，认为Llama 4效果不及预期。流言质疑Meta在LMArena上冲到第二的版本作弊，怀疑是经过优化的变体，经过对话强化训练，存在误导LMArena、导致过拟合现象。

尽管Meta高层迅速否认作弊，但影响迅速发酵：一方面，媒体视此为“用特调版本刷榜”的“诱饵换包”，行业对基准公信力与可复现性讨论升温；另一方面，Meta更高端Behemoth版本推迟发布，公关与节奏严重受挫。

截至目前，Behemoth仍未发布，Meta似已放弃。

随后，扎克伯格孤注一掷大手笔收购Scale AI，挖来Alexander Wang领导新AI架构，用亿美元支票挖人，疯狂搅局硅谷AI人才市场。

再后是最近新闻，Alex重组整个Meta AI架构，裁掉600人。

但看时间线，仍觉割裂：Llama 3到Llama 4一年中，发生了什么？Llama 4为何突然不行？

通过复盘，或找到答案。前文提到Meta内部AI架构是天平？Llama 4失败原因正是：天平失衡。

03 失衡天平：前沿研究与商业化的路线之争

Meta的AI架构中，FAIR和GenAI是并行两组，Yann Lecun管FAIR，但他常沉浸研发，网上与马斯克等人对战，常说不看好LLM路线，让Meta头疼。

于是，2023年2月，Meta高层将Meta AI研究负责人Joelle Pineau调到FAIR，担任全球负责人，与Yann LeCun共同领导FAIR。

GenAI负责人是Ahmad Al-Dahle，此前在苹果工作近17年，扎克伯格挖他来旨在将AI与Meta各种产品结合，包括元宇宙、智能眼镜AI整合及聊天工具meta.ai等。

经历Llama 2成功，公司研发Llama 3过程中，Meta高层越来越强调“将AI用于自家产品”属性。

2024年1月，Meta AI团队重组，FAIR两名负责人开始直接向Meta首席产品官（CPO）Chris Cox汇报。

Gavin Wang

前Meta AI工程师，从事Llama 3后训练：

整个Llama 1~3是一个时代，大家疯狂追逐缩放法则，行业追随基础模型能力提升，探索大语言模型能力边界。但Meta领导层，如扎克伯格和CPO Chris Cox，很早就意识到大语言模型能力需落地，真正为社会创造价值，他们从产品力出发。

因此，Llama 2和3阶段，GenAI核心目标是让研究成果真正产品化、工程化。最高管理层，包括副总裁、高级总监，多由产品背景和工程背景的人领导。

Llama 3成功推出后，Meta高层制定Llama 4路线时，所有注意力集中在与产品结合，即多模态能力，从而忽视了对模型推理能力的重视。

就在Llama 3到4研发过程中，2024年9月12日，OpenAI推出基于思维链的o1系列模型；2024年12月，中国DeepSeek开源模型横空出世，用MOE混合专家架构在保证推理能力下大幅降低模型成本。

陈茜

硅谷101联合创始人：

你在被拉去救火Llama 4前，手上研究什么？

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

我们做关于推理的研究，主要涉及思维链形态和训练方式。o1是去年9月推出，但在那之前，我们就注意到非常长的思维链会对模型缩放法则产生影响。

事实上，FAIR组中，田渊栋等研究员已着手思维链研究，但这类推理能力前沿探索未及时传达至Llama模型工程。

Gavin Wang

前Meta AI工程师，从事Llama 3后训练：

规划Llama 4时，感觉领导层方向有变。总体他们仍想支持Meta重点推的产品，即Llama生态，多模态是重点。但DeepSeek在1月横空出世，推理能力非常强。

推理能力当时也是讨论方向，但因Meta生态更看重多模态，未重点做推理。DeepSeek出现后，据说他们讨论是否重新捡起推理，但优先级冲突，时间有限，导致加班尝试，非常忙。DeepSeek出现肯定造成公司资源和优先级管理混乱。

另一点，Llama 1~3整个模型和组织架构延续初始设计。但因Llama 3成功，大家希望Llama 4更进一步，做更大工程。这时可能出问题：公司较高层，如副总裁、资深总监，多具传统基础架构、计算机视觉背景，自然语言处理背景者少。

因此，技术层面对AI原生技术或大语言模型缺乏深度理解。真正懂行的是下面做事的博士，尤其华人博士技术扎实，但话语权和内部资源有限。可能造成外行管理内行局面。

因OpenAI的o1系列和DeepSeek出现，Meta在2025年初乱阵脚。高层临时让FAIR研究团队支援Llama 4研发，或直接“救火”，此“救火团队”由田渊栋带队。

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

一大教训是，此类项目不能让不懂的人领导或规划。若出问题，应说：好，我们此时不发布，往后拖。应拖到能正常运作才发布，而非先定deadline，否则很多事情做不好。

我们组很多人非常累，如我在加州，有团队成员在东部时区，他们晚上12点给我打电话，那边已凌晨3点，还在干活，非常辛苦。deadline压得很紧：计划某天发布，项目管理从后往前倒推，看2月底或3月初必须做什么、3月底做什么。

但做这些时，若发现模型某方面不行或数据有问题，很大问题是如何让大家因这句话停下来。如我说数据有问题，不能用，得换数据。这样多出事，得把整个事延后一两个星期。在强deadline压力下，最终结果可能是这事做不了，或大家无法提出异议，最终质量变差。这是较大问题。

陈茜

硅谷101联合创始人：

为何Meta对deadline有如此强压力？开源模型已是第一。当然，DeepSeek年初出现，大家未料到。但为何有强deadline说必须此时推出？

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

应该说有高层定下的deadline，但我不便说，可能需问相关人，懂的都懂。

我们基本有答案：从Llama 3开始，“将AI产品化”路线已定，整个模型注重多模态和应用，忙于整合应用和业务，却忽略推理和更前沿技术研发。这使天平另一边的FAIR团队不得不跨组“救火”，天平失衡。

田渊栋

前Meta基础AI研究（FAIR）团队研究总监：

但实际情况因前沿模型竞争太激烈，很难真用FAIR文章。虽有些文章被用到，但交流中仍存问题。我在FAIR时，有时发信息给GenAI的人，他们不理我，什么情况？但真去GenAI后，我觉得确实我也没法理他们（FAIR研究员）。

因太忙，如我半小时不看手机，可能有20条、30条消息要看，很多人找，很多事情决定。所以我能理解，在GenAI环境下，很难有长期思考过程。

扎克伯格如何修复失衡天平？他直接空降特种部队：由Alex Wang带队的TBD团队。

04 空降“新王”：28岁Alex Wang获“无限特权”

Meta的AI业务架构再次重组后，高层经历一系列动荡。

Alex Wang带领几十位高薪聘请的顶级研究员，单独成立在Meta内部拥有无限特权和优先级别的特别小组TBD。TBD、FAIR和GenAI组成Meta Superintelligence Labs（MSL部门），直接向Alex汇报，Alex直接向扎克伯格汇报。

这意味着，FAIR的Yann LeCun如今向Alex汇报，而Joelle Pineau此前被要求向GenAI组负责人Ahmad汇报。

我们看到，Joelle已在今年5月离职，去Cohere任首席AI官；Ahmad许久无声，未任命负责重要项目；CPO Chris Cox也被Alex抢风头，排除在AI团队直接领导者之外。

因此，现在架构是28岁Alex一人独大局面的局面。

我们听过Meta内部对Alex和这支特权小组的各种不满，包括TBD团队可三年不做绩效考评、可不理其他VP信息、Meta AI所有论文需经TBD审核才能发表。

要知道，TBD中不少人较年轻，这让许多资深研究员不满，内部政治斗争似将再起。

但不可否认，特权等号后是成绩。对扎克伯格而言，成绩不仅是Make Llama Great Again，而是“Meta必须赢”。

在这场AI竞赛中，此次重组对扎克伯格或许是最后也是最重要机会。Alex在内部邮件中写到将做三个改变：

1.集中TBD和FAIR团队的核心基础研究力量；

2.提升产品和应用研发融合、且继续以产品为模型聚焦点；

3.成立核心基建团队支持研究押注。

Tom Zhang

硅谷资深人才专家：

第一条是把基础研究、TBD Lab和FAIR更集中化，让两者更紧密结合。因此，这次裁掉的一些研究人员，邮件上说，可能他们的项目影响力不高。再做前沿研究，但与当前无关，因许多前沿研究高度抽象，从数学或理论角度，与工程离得较远。

第二个是把产品和模型更紧密结合，与Alex Wang一起进来的人包括GitHub原CEO。扎克伯格同时引进两个高端人才：Alex Wang管模型；GitHub前CEO Nat Friedman偏产品，因产品才能给模型更好反馈，在使用中形成飞轮效应。

第三条是组建统一核心基础设施（Infra）团队，把管卡的数据中心团队更集中化。过去可能很散，好几个领导在，要卡得申请。现在卡的事也统一管理。这封邮件写得很清楚。

Alex能否撑起扎克伯格押注？或许很快有答案。

总结：Meta在Llama前三代仍是领先的开源模型，引领开源派对抗OpenAI和谷歌Gemini等闭源派。

然而，Llama 3大获成功后，公司高层急于将AI结合产品化，规划路线时用“产品驱动研发”思维，将Llama 4升级聚焦多模态等工程性能，却错失思维链（CoT）等推理上的前沿技术时间优势。

虽田渊栋等FAIR的AI科学家已在研究CoT，等DeepSeek引发轰动后，又将FAIR田渊栋团队临时救火优化Llama 4上的MoE架构，反中断CoT和推理研发，导致AI前沿技术研究和产品工程这架天平彻底失衡。

采访中，我脑中不止一次闪过历史上那些闪耀一时的前沿实验室：贝尔实验室、IBM Watson Research、HP实验室等，但基本都因无法平衡前沿科研和商业化而衰落。十多年历史的FAIR，曾是一群理想化AI科学家的乌托邦，如今又成另一商业化牺牲品。

你认为这场由Llama 4失败引发的大重组，是Meta AI的最后机会吗？欢迎在评论区留言告诉我们。