新智元報(bào)道

編輯：好困 桃子

【新智元導(dǎo)讀】太猛了！Meta超級(jí)智能實(shí)驗(yàn)室沉寂9個(gè)月，首個(gè)大作Muse Spark深夜炸場(chǎng)。跑分直接從18飆到52，盤中暴漲10%，小扎這143億美元花得太值了。

毫無(wú)預(yù)警！時(shí)隔一年，小扎終于殺回來了！

就在剛剛，Meta超級(jí)智能實(shí)驗(yàn)室（MSL）的第一個(gè)作品，上線了——

Muse Spark，代號(hào)Avocado，就是傳聞中的那個(gè)「牛油果」。

它是真正的「全能六邊形戰(zhàn)士」：原生多模態(tài)感知、工具調(diào)用、視覺思維鏈、多Agent編排，全點(diǎn)滿。

先說最炸的一個(gè)數(shù)字。

在Artificial Analysis的測(cè)試中，Muse Spark拿下了高達(dá)52分的戰(zhàn)績(jī)，僅次于Gemini 3.1 Pro、GPT-5.4和Opus 4.6。

相比之下，去年的Llama 4 Maverick只有區(qū)區(qū)18分。

18到52，一步跨完，Meta盤中直接一度暴漲近10%。

Meta首席AI官Alexandr Wang激動(dòng)得在X上連發(fā)九條推文。

九個(gè)月前我們從零重建了整個(gè)AI技術(shù)棧，新基礎(chǔ)設(shè)施、新架構(gòu)、新數(shù)據(jù)管線。Muse Spark就是這些工作的成果。

MSL團(tuán)隊(duì)的華人研究員也集體刷屏，這些人去年從OpenAI、DeepMind跳槽到一個(gè)剛組建的實(shí)驗(yàn)室，賭的就是今天。

MSL首席科學(xué)家Shengjia Zhao說得很直白，「我們重構(gòu)了整個(gè)技術(shù)棧來支撐Scaling，這才剛剛開始」。

值得一提的是，Muse Spark還上線了對(duì)標(biāo)Gemini Deep Think和GPT Pro的「沉思模式」（Contemplating），多個(gè)Agent并行思考、協(xié)同作答。

只需輸入「幫我規(guī)劃一個(gè)5口之家去佛羅里達(dá)的7天文化美食行程，3個(gè)孩子分別12、9、7歲」，Muse Spark就會(huì)同時(shí)派出三個(gè)子Agent，一個(gè)規(guī)劃美食文化路線，一個(gè)搜索親子活動(dòng)，一個(gè)協(xié)調(diào)物流和住宿

目前，模型已在meta.ai和Meta AI App上線，API預(yù)覽版向部分用戶開放。

功能先在美國(guó)鋪開，未來幾周接入Facebook、Instagram和WhatsApp。

免費(fèi)用，不限量，但閉源。

接下來，劃重點(diǎn)：

·Artificial Analysis得分52，Llama 4 Maverick只有18

·原生多模態(tài) + 視覺思維鏈，視覺賽道僅次于Gemini 3.1 Pro

·「沉思模式」多Agent并行思考，HLE拿下58%

·預(yù)訓(xùn)練算力需求砍到Llama 4的1/10

·1000+臨床醫(yī)生參與訓(xùn)練，健康問答吊打全場(chǎng)

·思維會(huì)自己壓縮，Token消耗僅Opus的1/3

·Apollo Research發(fā)現(xiàn)它能感知自己在被安全測(cè)試

跑分追上第一梯隊(duì)，但寫代碼還差口氣

先看硬數(shù)據(jù)。

Meta把Muse Spark（Thinking模式）和Opus 4.6、Gemini 3.1 Pro、GPT 5.4、Grok 4.2放在一起比了個(gè)遍，覆蓋多模態(tài)、文本思考、健康、Agent四個(gè)維度，總共20多個(gè)benchmark。

Reddit網(wǎng)友重新標(biāo)注的跑分

多模態(tài)是Muse Spark最亮眼的部分。

CharXiv理解86.4，超過GPT 5.4的82.8和Gemini 3.1 Pro的80.2。

ScreenSpot Pro截圖定位84.1，比Opus 4.6的83.1略高。

ZeroBench多步視覺33.0，Gemini 3.1 Pro是29.0。

文本賽道上，互有勝負(fù)。

GPQA Diamond博士級(jí)難題89.5，Opus 4.6拿了92.7，Gemini 3.1 Pro是94.3。

ARC AGI 2抽象思維42.5，被Opus 4.6的63.3和Gemini的76.5甩開了一大截。

LiveCodeBench Pro競(jìng)賽編程80.0，Gemini 82.9，GPT 5.4拿了87.5。

Meta自己也承認(rèn)了，在代碼和長(zhǎng)時(shí)間Agent任務(wù)上，Muse Spark和最強(qiáng)模型還有差距。

不過，令全網(wǎng)震撼的是，Muse Spark可以直接將圖片轉(zhuǎn)化成代碼，效果非常驚艷！

但是醫(yī)療健康這個(gè)賽道，Muse Spark打得很兇。

HealthBench Hard開放式健康問答42.8，Gemini 3.1 Pro只有20.6，GPT 5.4是40.1。

MedXpertQA多模態(tài)醫(yī)學(xué)78.4，也領(lǐng)先Gemini的81.3不遠(yuǎn)（這里Gemini略高），但遠(yuǎn)超Opus 4.6的64.8。

Meta在訓(xùn)練階段和1000多名臨床醫(yī)生合作的數(shù)據(jù)清洗和篩選，確實(shí)帶來了實(shí)打?qū)嵉男Ч?/p>

Agent賽道同樣值得關(guān)注。

DeepSearchQA搜索Agent拿了74.8，是五家中最高的。

τ2-Bench工具使用91.5，和GPT 5.4并列。

GDPval-AA Elo辦公Agent達(dá)到1444，超過了Gemini的1320但低于Opus 4.6的1606。

SWE-Bench方面差距明顯，Verified 77.4 vs Opus 80.8 vs GPT 82.9（據(jù)稱78.2），Pro 52.4 vs GPT 57.7。

一句話總結(jié)跑分，多模態(tài)和健康打贏了，思考持平，代碼和Agent差一口氣。

Alexandr Wang：Llama 4的錯(cuò)誤不會(huì)再犯，牛油果沒有刷分

Artificial Analysis的獨(dú)立測(cè)試還揭示了一個(gè)重要細(xì)節(jié)，Token效率。

跑完整個(gè)Intelligence Index測(cè)試套件，Muse Spark用了5800萬(wàn)輸出Token，和Gemini 3.1 Pro（5700萬(wàn)）相當(dāng)，但遠(yuǎn)低于Opus 4.6（1.57億）和GPT-5.4（1.2億）。

同樣的智力水平，消耗的Token少了一半到三分之二。

此外，在由數(shù)學(xué)大佬出題的FrontierMath上， Muse Spark在1-3層級(jí)上，直接碾壓Gemini 3.1 Pro，不過在4層級(jí)卻排在了倒數(shù)。

更值得一提的是，在Vals指數(shù)排行榜上，Muse Spark強(qiáng)勢(shì)奪得第三名，具體指標(biāo)如下。

繼Llama 4發(fā)布一年之后，Meta再次重返A(chǔ)GI第一梯隊(duì)。

多Agent并行思考

58%拿下「人類最后一場(chǎng)考試」

「沉思模式」是Muse Spark的殺手锏。

傳統(tǒng)思考模式是一個(gè)Agent花更長(zhǎng)時(shí)間想，沉思模式是多個(gè)Agent同時(shí)想，最后匯總答案。

Humanity's Last Exam（無(wú)工具），Muse Spark沉思模式拿了50.2，Gemini Deep Think 48.4，GPT 5.4 Pro 43.9。

Humanity's Last Exam（有工具），58.4，Gemini 53.4，GPT 5.4 Pro 58.7，幾乎打平。

FrontierScience Research科學(xué)前沿研究38.3，Gemini Deep Think只有23.3，GPT 5.4 Pro是36.7。

不過物理奧賽IPhO 2025理論題，Muse Spark沉思模式82.6，GPT 5.4 Pro拿了93.5，差距不小。

整體看，沉思模式讓Muse Spark在最難的綜合思考任務(wù)上，確實(shí)摸到了第一梯隊(duì)的門檻。

劍指「?jìng)€(gè)人超級(jí)智能」

拍張照就能當(dāng)私人營(yíng)養(yǎng)師

Meta給Muse Spark定義的方向很明確，就是個(gè)人超級(jí)智能。

翻譯成人話，就是一個(gè)懂你、懂你周圍世界的AI助手。

多模態(tài)方面，Muse Spark從底層就為跨領(lǐng)域整合視覺信息而設(shè)計(jì)。

官方演示了幾個(gè)場(chǎng)景。

拍一張數(shù)獨(dú)照片，Muse Spark能把它變成一個(gè)可以在網(wǎng)頁(yè)上玩的互動(dòng)游戲。

拍咖啡機(jī)和磨豆機(jī)，它先標(biāo)出所有核心部件，然后生成一份網(wǎng)頁(yè)版互動(dòng)拿鐵教程。

鼠標(biāo)懸停到某個(gè)步驟時(shí)，照片中對(duì)應(yīng)部件的邊界框自動(dòng)高亮，視覺指引和操作步驟一一對(duì)應(yīng)。

健康場(chǎng)景更有想象空間。

拍一桌子食物，告訴它「我膽固醇偏高，是魚素者」，Muse Spark會(huì)在推薦的食物上打綠點(diǎn)，不建議的打紅點(diǎn)。

Prompt的控制粒度很細(xì)，直接把UI交互邏輯講清楚了。

健康評(píng)分的數(shù)字不用懸停就直接顯示在點(diǎn)的正上方，懸停后彈出詳細(xì)的卡路里、碳水、蛋白質(zhì)和脂肪數(shù)據(jù)，而且彈出框的層級(jí)被要求「永遠(yuǎn)在最上層，不能被其他點(diǎn)擋住」。

拍瑜伽動(dòng)作也是同樣的思路。

它識(shí)別出每個(gè)姿勢(shì)拉伸了哪些肌肉群，標(biāo)注難度級(jí)別，懸停后還能給出體態(tài)糾正建議。兩個(gè)人的圖左右拼在一起，按1到10分分別打分。

這些demo背后的底層支撐是視覺STEM問答、實(shí)體識(shí)別和目標(biāo)定位的組合。

單項(xiàng)看都不稀奇，但串聯(lián)成場(chǎng)景后，確實(shí)能看到「?jìng)€(gè)人超級(jí)智能」這個(gè)詞背后的產(chǎn)品意圖。

還有一個(gè)新功能值得單獨(dú)拎出來說，「購(gòu)物模式」。

Wang在推文中說，購(gòu)物模式能「識(shí)別你在Instagram、Facebook和Threads上關(guān)注的創(chuàng)作者、品牌和風(fēng)格內(nèi)容，轉(zhuǎn)化成個(gè)性化推薦」。

這是Meta獨(dú)有的數(shù)據(jù)優(yōu)勢(shì)，30億日活用戶的社交行為數(shù)據(jù) + AI購(gòu)物助手，商業(yè)化想象空間很大。

三條Scaling曲線

算力砍90%，思維還會(huì)自我壓縮

技術(shù)博客的重頭戲不在跑分，在Scaling。

Meta把Muse Spark的表現(xiàn)來源拆成三條軸線講，預(yù)訓(xùn)練、強(qiáng)化學(xué)習(xí)、測(cè)試時(shí)計(jì)算。每一條都有對(duì)應(yīng)的縮放曲線做支撐。

預(yù)訓(xùn)練：同樣的能力，算力砍到1/10

過去九個(gè)月，Meta對(duì)預(yù)訓(xùn)練技術(shù)棧做了大換血，架構(gòu)、優(yōu)化算法、數(shù)據(jù)策略全部重做。

為了衡量效果，Meta在一系列小尺寸版本上擬合了Scaling Law，然后對(duì)比達(dá)到同一個(gè)性能水平需要多少訓(xùn)練FLOPs。

結(jié)論很硬，同樣的能力水平，Muse Spark需要的算力不到Llama 4 Maverick的十分之一。

這條曲線說明了一件事，Meta不只是砸更多GPU，而是從底層提升了每一單位算力的產(chǎn)出。

華盛頓大學(xué)的Yuchen Jin在X上的評(píng)價(jià)很到位，「我仍然認(rèn)為基礎(chǔ)設(shè)施才是AI實(shí)驗(yàn)室的真正護(hù)城河。因?yàn)槟隳芨斓赜?xùn)練，研究員就能更快地實(shí)驗(yàn)更多想法。」

強(qiáng)化學(xué)習(xí)：對(duì)數(shù)線性增長(zhǎng)，泛化到?jīng)]見過的題

大規(guī)模RL出了名的不穩(wěn)定，但Meta說，新技術(shù)棧的RL曲線異常平滑。

左圖是訓(xùn)練集上的表現(xiàn)。pass@1和pass@16（16次嘗試中至少對(duì)1次）都呈對(duì)數(shù)線性增長(zhǎng)。

這說明RL在提升可靠性的同時(shí)，沒有折損解題多樣性，Muse Spark沒有「一條路走到黑」，它還保持著探索不同解法的靈活性。

右圖更重要，是留出評(píng)估集上的準(zhǔn)確率。

曲線同樣穩(wěn)步上升，說明RL帶來的進(jìn)步不是死記硬背，而是能泛化到從沒見過的新題。

測(cè)試時(shí)推理：思維先膨脹、再壓縮、再膨脹

這是全文技術(shù)含量最高、也最有意思的部分。

RL教會(huì)了Muse Spark在回答前先「在腦子里推演一遍」，這就是測(cè)試時(shí)推理。

但問題是，給幾十億用戶提供這種服務(wù)，Token成本扛不住。

Meta的解法分兩步。

第一步，在RL訓(xùn)練中加入「思考時(shí)間懲罰」。你可以想更久，但想太久會(huì)被扣分。

這個(gè)約束引發(fā)了一個(gè)有意思的「相變」現(xiàn)象。

AIME子集上的表現(xiàn)是這樣的，訓(xùn)練早期，Muse Spark通過想更久來提升正確率，曲線向右延伸。

然后，長(zhǎng)度懲罰觸發(fā)了「思維壓縮」。Muse Spark學(xué)會(huì)了用少得多的Token把同一道題解出來，曲線向左折返。

壓縮完成之后，它又一次拉長(zhǎng)了解題過程，去挑戰(zhàn)更難的題。

整條軌跡畫出來，是一個(gè)先右拐、再左拐、再右拐的三段式進(jìn)化路徑。

第二步是解決延遲問題。

單個(gè)Agent想得更久，延遲線性增加。

Meta的做法是擴(kuò)展并行Agent數(shù)量，1個(gè)、2個(gè)、4個(gè)、16個(gè)Agent同時(shí)思考。

從圖上看，16個(gè)Agent在相近的延遲水平下，準(zhǔn)確率從約54%跳到約58%。

傳統(tǒng)的測(cè)試時(shí)Scaling是拿時(shí)間換質(zhì)量，多Agent Scaling是拿并行度換質(zhì)量，延遲幾乎不變。

硅谷「最貴華人」團(tuán)隊(duì)

交了第一份卷子

Muse Spark的背后，是扎克伯格去年對(duì)Meta AI體系的一次徹底重構(gòu)。

2025年6月，Meta以143億美元收購(gòu)Scale AI 49%股權(quán)，將其創(chuàng)始人Alexandr Wang挖來?yè)?dān)任Meta首任首席AI官，組建Meta超級(jí)智能實(shí)驗(yàn)室（MSL）。

同期加入的還有前GitHub CEO Nat Friedman（聯(lián)合負(fù)責(zé)產(chǎn)品和應(yīng)用研究）、SSI聯(lián)合創(chuàng)始人Daniel Gross，以及從OpenAI、DeepMind、Anthropic挖來的11名研究員。

如今，Muse Spark的發(fā)布證明了一件事，Meta超級(jí)智能實(shí)驗(yàn)室九個(gè)月的重構(gòu)是有產(chǎn)出的。

預(yù)訓(xùn)練效率翻了一個(gè)數(shù)量級(jí)，RL擴(kuò)展曲線平滑可預(yù)測(cè)，多模態(tài)和醫(yī)療賽道摸到了第一梯隊(duì)。

但代碼和Agent的差距擺在那里，沉思模式還沒全面開放，開源時(shí)間表也還是一個(gè)「希望」。

更現(xiàn)實(shí)的壓力是，同一周Anthropic發(fā)布了據(jù)稱「太強(qiáng)而不能公開」的Mythos，OpenAI代號(hào)Spud的新作也在路上。

143億買來了一張入場(chǎng)券。接下來的考試，才是真正的。

參考資料：

https://ai.meta.com/blog/introducing-muse-spark-msl/

https://ai.meta.com/blog/scaling-how-we-build-test-advanced-ai/

https://ai.meta.com/static-resource/muse-spark-eval-methodology

https://x.com/alexandr_wang/status/2041909376508985381