meta公司近期对内部工程师使用外部AI编程工具做出了严格限制，特别是针对Claude Code和Codex这两款热门模型。根据内部文件显示，meta要求暂停部分涉及这两个模型的任务，以防止潜在的“知识蒸馏”风险，即自家模型可能无意中学习到竞争对手的技术能力。
作为Claude Code的全球最大客户之一，meta每年在内部AI工具上的支出高达数十亿美元。然而，公司现在却要求工程师减少对这些工具的依赖，转而专注于自主研发的metaCode（原DevMate）项目。这一转变的背后，是meta对训练数据纯净性的高度关注——公司担心外部模型的输出可能混入自家训练数据，导致metaCode在不知不觉中模仿竞争对手的技术路径。
AI模型的训练过程高度依赖数据质量。如果工程师在开发测试题或评估标准时过度依赖Claude Code或Codex，metaCode可能会沿着“对手认为正确”的方向进化，而非基于人类工程师的原始训练。这种风险在评测环节尤为突出——若由外部模型判断答案优劣，metaCode的优化方向可能被对手的技术逻辑所主导。
meta的内部指南明确划定了三条红线：禁止使用外部模型输出生成测试题、禁止AI直接参与代码调试或测试方案设计、禁止将AI生成内容暴露给被测模型。这些措施旨在构建一道数据隔离墙，确保metaCode的能力完全源自自主训练，而非“偷师”竞争对手。例如，工程师仍可利用AI工具搭建工作流或整理代码，但所有输出必须经过人工审核，防止意外数据泄露。
这一决策反映了行业对“知识蒸馏”的普遍担忧。该技术指通过强模型的输出来训练弱模型，虽能大幅降低研发成本，却可能引发知识产权争议。尽管美国法律未明确禁止此类行为，但OpenAI和Anthropic等公司已在服务条款中限制用户将模型输出用于竞争性开发。去年，Anthropic甚至切断了OpenAI对Claude API的访问，理由是对方可能用于评测竞争产品。
meta的谨慎并非毫无道理。除了技术风险，成本压力也是重要因素。随着内部AI使用量激增，公司已开始限制员工的token配额。若能将开发流程迁移至自主平台，meta既可节省巨额授权费用，又能避免潜在的法律纠纷。然而，这一转型充满挑战——构建高质量的训练数据集和评测体系需要大量人力投入，短期内可能影响开发效率。
