Meta Muse Image 三天被叫停，为什么“默认 Opt-out”的逻辑会翻车？ Meta 7月7日高调推出首款原生 AI 生图工具 Muse Image，允许用户 @ 任何公开 Instagram 账号，直接生成该账号形象的 AI 图片。但仅仅三天后，在演员 Hannah Einbinder 的公开批评和 SAG-AFTRA（演员工会）的施压下，Meta 承认“未达预期”，迅速下线了该功能。 硅谷巨头为何在核心产品上遭遇如此滑铁卢？这不仅是一次产品经理的激进冒险，更是科技巨头对用户数字资产主权的一次“越界试探”。让我们来捋清这条时间线背后的深层逻辑。👇 💡 核心争议点：“默认退出（Opt-out）”本质上是一种强盗逻辑 Muse Image 默认对所有公开 Instagram 账号启用了被引用权限。如果不想被生成，用户必须自己去迷宫般的设置里大海捞针，主动关闭（Opt-out）。更致命的是，当你的照片被别人当作提示词参考生成时，你不会收到任何通知。 SAG-AFTRA 首席谈判代表 Duncan Crabtree-Ireland 直言：这种未经同意就创建非自愿数字替身（digital replicas）的做法是“不可接受的”。 态度补充： 为什么“默认 Opt-out”会在隐私上翻车？这涉及到一个核心预期违背：用户将照片设为“公开”，预期是“被真人观看并产生社交连接”，而不是“被 AI 拿去当做免费的赛博二创素材”。当平台粗暴地将“公开可见”等同于“可被 AI 随意加工”，实际上是在用技术强权剥夺用户对自身数字形象的绝对控制权。真正的尊重从不搞“先斩后奏”，应该是“默认关闭，选择加入（Opt-in）”，将决定权完完整整地还给用户。 🔍 划清界限：外网讨论在混淆什么？ 在这场风波中，外网讨论也出现了严重的逻辑混淆。我们需要明确区分两个完全不同的法律和技术概念： 1. 训练模型（Training）： 用海量数据训练底层大模型。 2. 参考生成（Inference/Generation）： 在具体生成时，提取特定账号照片作为视觉参考（这是 Muse Image 此次的直接风暴眼）。 这两者虽然都涉及“AI 使用照片”，但在技术实现和法律定性上是完全不同的行为。 关于“训练模型”，业界的争议点主要在于版权例外、合理使用（Fair Use）和大规模数据抓取（Scraping）。而关于“参考生成”，则直接触及了肖像权、公开权（Right of Publicity）以及可能导致的虚假代言风险。 Meta 的技术博客显示，Muse Image 具备多参考图组合能力。这从技术上说明它是在生成阶段实时调用照片，而不是把照片重新塞回底层模型去“炼丹”。把这两者混为一谈，只会稀释公众的维权火力，无助于准确向巨头追责。 ⚖️ 法律的真空期，成了巨头的“特权测试场” 那么，现有的法律管得了“参考生成”吗？ 在欧洲： GDPR 规定个人数据处理必须有合法基础。虽然公开照片不自动等于“生物识别数据”，但平台仍需说明其合法利益，并满足极高的透明度要求。而将于 2026 年 8 月适用的《欧盟 AI Act》第50条虽然规定深度伪造（deep fake）内容必须进行披露，但必须警惕：“贴上了 AI 标签”绝不等于“拿到了合法授权”。 在美国： 情况则更加碎片化。美国版权局早在 2024 年 7 月发布的《数字替身报告》中就指出，现有州层面的公开权、隐私法覆盖不一，呼吁建立新的联邦级数字替身法律。目前，是否构成侵权往往取决于各州的具体法律、使用目的（是否商业化）、以及是否造成公众混淆等。 法律的滞后和条款的灰色地带，恰恰给了科技巨头不断试探公众底线、通过“小步快跑”侵占用户权益的空间。 🛎️ 这场风波给普通人的警示 你发在社交平台的照片，平台能不能默认拿去喂 AI 或参考生成？ 答案是：在现有平台那几万字的隐私协议下，他们往往认为自己拥有这个权利——直到他们遭遇如这次一般强烈的公众反弹和法律铁拳。 面对长篇大论的英文隐私条款、复杂的国际法案以及外网关于 AI 伦理的激烈辩论，语言不应成为我们了解真相、捍卫权利的障碍。 使用 沉浸式翻译 ，你可以一键双语对照阅读外媒第一手报道、科技巨头官方公告和最新的国际法律文件。别让复杂的术语剥夺你的知情权。 保持警惕，保持阅读。不要让你的数字化身，成为巨头免费的盘中餐。🌐✨

Meta开放30B Muse Glimmer权重 本地就能跑agent，还预告即将开放Spark 1.2 大家关注点早就不只刷分了： 本地部署、推理成本和开发者生态才是真香。 #MuseGlimmer# #MetaAI#

Meta正式发布了Muse Glimmer ♾️ Meta 又放了一个能真正在家里电脑上跑起来的开源智能代理模型，而且还挺能干活的。 简单说就是：你可以直接把它下载到自己的电脑（Mac 或带高性能 GPU 的 PC）上跑，不依赖云端，就能当智能代理用。 核心亮点： 通过量化把模型压到 20GB 以下，再配合轻量级 DFlash 推测解码技术，生成速度够快，支持流畅的实时对话和多步代理操作。 在同类尺寸模型（比如 Gemma4-31B、Qwen3.6-27B）的代理相关基准测试里表现很强，特别擅长工具调用、多步推理、代码生成和端到端任务完成。 官方演示里，它只收到一句自然语言提示，就自动完成了：发现本地 Home Assistant 设备 → 查询 API → 从零写一个响应式 HTML/CSS/JS 控制面板 → 部署本地服务器并验证。整个过程都在本地跑完。 模型权重以 Apache 2.0 宽松许可在 Hugging Face 开放下载，技术博客和开发者资源也同步放出。这是 Meta 继续走「开放科学」路线的又一次动作，让普通用户和开发者都能在自己的硬件上跑比较强的本地代理模型。

Meta 把 Muse Spark 1.1 交给独立安全公司 Irregular，原本是想测试它能不能发现和利用网络漏洞。 结果测试环境配置出错，模型意外连上公网，还利用漏洞进入了第三方服务。 这次不是模型自己突破沙箱，也不是什么突然觉醒。问题更现实：执行网络安全任务的 AI 一旦拿到错误权限，会继续完成目标，却未必知道眼前已经不是靶场。 所以企业部署安全智能体，不能只测试模型有多会找漏洞。网络出口、目标白名单、凭证权限和停止条件，都得由外层系统卡死；评估外包出去，也不等于风险一起外包。 这类工具越能独立干活，配置错误的代价就越接近真实攻击。模型能力是产品卖点，限制它能碰谁、能走多远，才是交付时最费工程的部分。

Meta的 Muse Spark 1.2 是和 Muse Code 一起联合训练的。 输入每百万 token 1.25 美元，输出 4.25 美元，价格接近 Gemini 3.6 Flash（1.50 美元 / 7.50 美元）。 如果同意Meta收集你的数据，可用 muse-spark-1.2-contributor 模型。 价格 0.10 美元 / 0.20 美元，比如GPT-5.6 luna还便宜很多 GPT-5.6 Luna（0.20 美元 / 1.20 美元） --- 但是，Meta 模型国内用起来太费劲了，开虚拟网卡都不行，需特别纯净的魔法。 对中国也是严防死守。 图是Simon的鹈鹕测试效果

Meta 编程模型 Muse Spark 1.1 在安全测试中进入一家真实公司的系统，还修改了内部环境。「AI 又黑进一家公司」的标题立刻刷屏，难道 Meta 一夜之间造出了顶级黑客模型？ 仔细一看，又是门没关。第三方评测机构 Irregular 配错了测试环境，把原本封闭的网络靶场接上公网。模型只是顺着现成通道出去，再利用第三方服务的基础漏洞进入系统。Irregular 也承认，这不属于沙箱逃逸，攻击手段也并不复杂。 同类错误此前还坑过 OpenAI 和 Anthropic。OpenAI 模型把真实网站误认成虚构目标，Anthropic 模型则靠弱密码和未认证接口进入 3 家机构。几次事故的共同点都不是模型成功越狱，而是测试方先把公网入口留了出来。 拿 Meta 这次来吹尤其尴尬。模型连门都没撬，只是看见门开着便走了出去。完全证明不了它能突破隔离，更配不上「自主黑进公司」这种标题。 现在的流量密码已经很固定：公网没关叫黑进公司，猜中弱密码叫黑进公司，发现零日漏洞也叫黑进公司。能力差了几个级别，标题却一模一样。 模型还没学会越狱，媒体先学会了吹牛。

核弹博物馆(National Museum of Nuclear Science & History)，有意思的东西非常非常多，视频里主要拍了我感兴趣的东西，还有二战和冷战历史（有实物展示），恶魔核心，核反应堆，核废料处理装置全都有；另外这里再往上开就是奥本海默胜地Los Alamos，曼哈顿计划实行的部分现在是开放的可以过去巡礼。