Anthropic最该担心的 竞争对手 ，不是OpenAI，而是Meta。

这不是因为Meta 研发出了 Coding 能力更强的模型 ，也不是因为Anthropic的模型不再领先 ， 而是Meta可能押中了下一轮 AGI竞争 的关键方向： Personal Agent。

过去一年，Anthropic凭借Coding 能力 建立了自己的竞争优势。 当 越来越多的人相信AI写代码、 做任务才能通往 AGI时，Meta却选择了一条不同的路。

去年夏天， 扎克伯格 重整 AI团队后，在 公开信 中明确了 Meta新的方向， 个人超级智能 （ Personal Super intelligenc e）， 之后Meta 研发 Muse、收购Manus ，都是这 一战略的落地成果。

战略方向不同 ， 会导致对 下一代模型应该具备什么能力的 判断 完全不同。 基于能力目标的设定， 用什么标准评测模型、如何打磨模型 、如何甄选训练数据 ，都 将 随之改变。

Meta首席AI官Alexandr Wang在接受David Senra访谈时，回顾了团队开发Muse Personal Agent的过程。他提到，团队从原型走向产品发布，经历了七个月的研发和打磨，并围绕 1 00多项具体行为和能力建立评测体系，持续改进模型。这 个过程不仅涉及基础模型的预训练，同时覆盖到后训练阶段，是全新的端到端训练重塑，从而 让模型更好地服务于Personal Agent这一目标。

如果Meta赌对了，那么它挑战的 将 是Anthropic赖以建立领先优势的 Coding 技术路线。 当行业发现 AGI 下一轮的方向变了，领先者 Anthropic无法及时 转身 ， AGI的旗手位置将易位 。

01 Anthropic All-in Coding，Meta不跟

要理解Meta为什么能挑战Anthropic，得先弄清楚Anthropic是怎么赢的。

过去几年，AI行业一直在追求更强的模型能力。但模型 刷榜取 得更高的分数、 输出 更漂亮的答案，并不意味着它就能真正替人完成工作 ， Coding改变了这件事。

随着Claude和Claude Code的发展，Anthropic不仅获得了开发者的认可，也逐渐把模型能力转化为商业增长。

这 次技术路线 下注 非常成功，彻底 改变了行业的竞争格局。 OpenAI让位，Anthropic接过了AGI旗手。

对于 追赶 者来说， 要追上 已经被验证的方向，目标明确 、路径清晰，但所缺的唯有时间 。可如果所有人都在追赶上一轮的领先者，下一轮竞争又会从哪里开始？Meta的答案 是，重新定义下一轮的路线方向，放弃 追赶Anthropic，找到另一个能够释放模型能力的方向。

在 公开 访谈中，Wang回顾了当时的行业判断 ， “ 2026年初，Anthropic和Claude在Coding领域已经建立了很强的优势，行业普遍把Coding Agent看作先进AI最重要的产品方向之一。Meta却认为，个人AI和消费级AI可能更适合自己。 ”

Anthropic希望AI能够承担越来越复杂的工作，Meta则希望AI能够更深入地服务于每一个人。 前者从工作能力切入，后者从个人需求切入。 这背后，就是扎克伯格最近提出的新思考， “个人超级智能最大的贡献不是自动化，而是发明创造”。AI不是替代人类工作，而是与人共同创造新事物。

对于 AI的三观差别，会决定 当研发资源有限时，把什么能力放在优先位置。

02 一次成功的路线选择，为什么可能改变行业座次？

大家所熟知的智谱故事即是案例。

2025年下半年，在行业普遍看衰智谱技术能力、非议智谱商业模式之时，唐老师力排众议， 重注 Coding 、舍弃 2B交付 。

为此，智谱 围绕 Coding 目标组织训练数据，设计评测体系，不断优化模型在编程、工具调用和复杂任务执行上的表现。随着 GLM-5发布 ， 智谱的模型能力得到市场迅速认可， 产品获得用户，用户又带来新的使用反馈，进一步推动模型迭代。

仅仅半年时间，智谱从被诟病的二线模型厂商一跃成为头部。 当这条路线被证明有效，厂商就会持续加大投入，逐渐形成优势。

同一时期， Meta的Llama与智谱处于同一困境，但是Meta的选择不是再造一个Coding Llama， 而是选择押注 下一代AI 技术路线， Personal Agent 。 因此， Meta彻底放弃Llama，基于Personal Agent要求重新训练Muse 模型。

针对 Personal Agent，Muse在训练时 面对的任务更加开放。 比如， 用户说了一句模糊的需求，它需要理解背后的意图；一个任务尚未完成，用户又提出了新的要求，它需要协调优先级；要真正帮助用户解决问题，它还可能需要跨越不同应用、调用不同工具，并在行动过程中不断调整计划。

这些能力当然并非Coding Agent完全不具备，但如果厂商将Personal Agent作为优先目标， 就会 围绕这些问题设计更系统的训练和评测。

模型厂商不是先造出一个无所不能的模型，再决定把它用在哪里。 对未来 技术路线 的判断， 决定了模型厂商 训练什么模型、采用什么评测标准，以及把有限的研发资源投入哪里。 当 模型研发走完从预训练到后训练的每一个环节， 这种 目标导向不同带来的 差异不断累积， 使得 原本看起来能力相近的模型，在不同任务上拉开差距。

如果 Personal Agent最终 被证明 是下一个技术路线方向 ，Meta就有机会在自己选择的方向上建立 充分的时间 优势，而不必先在Anthropic已经占优的赛道上完成追赶。

03 Meta的赌注，下一代模型长什么样

Wang在访谈中讲述的研发过程，有一个细节值得注意。

Meta并不是先有了一个Personal Agent产品，再要求模型团队把它做得更好。团队把Personal Agent作为模型研发的重要方向之一，列出了超过 1 00项模型需要具备的具体行为和能力，为每一项建立评测，再通过一轮轮训练与检查，逐渐提高模型的表现。

Wang描述的过程并不神秘，甚至有些笨功夫的 感觉 。模型在哪些事情上做得不好，就针对这些问题继续改进 ， 哪些能力还达不到要求，就继续打磨。但这件事的意义在于， Meta不只是选择了一个产品方向，而是开始围绕这个方向组织模型能力 的 改进。

Meta还有一个 先天优势， 它拥有庞大的消费级产品生态。Wang在访谈中提到，Meta的应用每天触达约35亿用户 ， 对于Personal Agent来说，这意味着它有机会接触大量真实的个人需求，并将产品使用中的问题转化为下一轮改进的依据。

04 Anthropic，将面临当年OpenAI窘境？

假设有一天，Anthropic也认为Personal Agent将成为下一轮竞争的关键方向，它能不能迅速追上Meta？

当然可以开始追赶 ， 但 会有 时间差。

Meta团队从2026年初的原型走到同年9月的产品发布，经历了七个月的研发与打磨。 产品 原型可以在一两周内做出来，但要把一个时灵时不灵的演示，变成能够可靠服务普通用户的产品，需要大量持续 的模型 改进。

因此， Anthropic近期发布的个人智能体产品Claude Duet， 注定是个半成品炮灰。毕竟其背后的模型并非根据主动服务而训练，产品体验自然拉胯。

而且，Anthropic面临的选择可能不只是要不要追赶 ， 还需要决定， 应该在多大程度上调整已有的研发重点，以及如何在Coding等现有优势与Personal Agent等新方向之间分配资源。 届时， Anthropic将面临当年OpenAI的窘境。

由此延伸一下， 假如这一次Meta赌对了，那么Anthropic 掉队将是不可避免的。