再見了，所有的羊駝。

亞歷山大王帶隊9個月從零重構Meta所有AI技術棧，在不斷的質疑中交出超級智能實驗室第一個模型：

主打原生多模態(tài)的Muse Spark。

模型發(fā)布后，Meta股價火速拉升約7%，中間一度漲超近10%，當日整體上漲6%左右。

市場的反應可謂相當熱烈。

隨手一扒你就會發(fā)現(xiàn)，這款模型背后藏著不少我們熟悉的高手：思維鏈作者Jason Wei、o1核心貢獻者Hyung Won Chung、被小扎天價挖來的余家輝、擴散模型核心人物宋飏……

嗯？當這群人湊在一起，很明顯你就會找到一個關鍵詞：推理。

沒錯，據(jù)Jason Wei爆料，9個月前他們坐在一起討論時，首先寫下的就是一款用于推理的llama模型腳本，而現(xiàn)在，完全體終于誕生。

而頂尖高手+耗時9個月打磨，Muse Spark也總算讓Meta在第三方測評中趕上第一梯隊，一雪llama 4帶來的前恥。

而且很有意思的一點是，Meta這次一反常態(tài)，沒有反復強調(diào)自己拿了多少SOTA，而是稍顯克制地表示：

Muse Spark在多模態(tài)感知、推理、健康和自主任務方面表現(xiàn)不錯，但在編程和長時間自主運行方面仍與對家的頂尖模型存在差距。

咳咳，看來之前l(fā)lama 4確實給Meta留下了心理陰影（doge）。

另外，Muse Spark的出生也終于讓長期以來有關“Meta開閉源”的討論蓋棺定論：

這次是真閉源了。

目前這款模型已上線Meta網(wǎng)站和APP，API僅向部分合作伙伴開放。

（不過亞歷山大王還是留了個口子，表示“計劃未來開源后續(xù)版本”）

“Meta回來了”

老規(guī)矩，先看一波測評成績。

作為Meta迄今最強大的模型，Muse Spark這次主要在三個方面表現(xiàn)突出：

一是多模態(tài)理解能力。

不管是看論文圖表還是屏幕，各項得分要么第一、要么和Gemini 3.1 Pro、GPT 5.4等不相上下。

從網(wǎng)友們的測試來看，它好像尤為擅長圖片轉代碼。

當然文本能力也不差（doge），在網(wǎng)友的激情測試中，它就火速通過了新版弱智吧風格的洗車測試。

100米外有個洗車店，我該開車去還是走路去。
Muse Spark：洗車當然要把車開過去，但沒必要搞得跟上下班通勤似的。

（當然也不排除是數(shù)據(jù)污染的問題，畢竟問題出來也挺久了…）

再一個就是工具調(diào)用能力，測評情況也和多模態(tài)理解能力類似。

以及這次Muse Spark著重強調(diào)的醫(yī)學能力。

由于和1000+醫(yī)生展開了合作，它不僅在開放式健康問答HealthBench Hard上拿到42.8的最高分，而且在多模態(tài)醫(yī)學問答MedXpertQA MM中位居前列。

不過短板我們開頭也說了，Muse Spark仍在編程和Agent類任務上與其他頂尖選手存在差距。

可能也是為了盡量彌補這一點，他們這次還專門推出了Contemplating沉思模式。

主要是讓多個Agent同時思考同一個問題，然后匯總結果找出最好的。

在這套打法下，Muse Spark就能和Gemini Deep Think、 GPT Pro這類極限推理模式展開正面PK了。

比如在“人類最后的考試”中，Muse Spark明顯壓過一頭（不過在物理奧賽理論題中還是略遜一籌）。

（目前沉思模式正在Meta網(wǎng)站灰度測試）

另外值得一提的是，Meta這次無預告直接上線了“購物模式”。

亞歷山大王表示，模型會結合用戶在ins、Facebook、Threads上關注的創(chuàng)作者和品牌偏好，做個性化的購物推薦。

好好好，這次也不給你討論的機會了，之前OpenAI可沒少因為廣告挨罵。

目前，隨著Muse Spark測評一同出爐的，還有第三方機構的測評。

他們拿到Muse Spark的早期訪問權測了一波，然后給出了一個結論：Meta回來了！

在關鍵指標人工智能分析指數(shù)上，其得分僅次于Gemini 3.1 Pro、GPT-5.4和Claude Opus 4.6。

這也和Muse Spark自己給出的測評成績差不多。

對外界而言，初步來看，Muse Spark確實把Meta重新帶回了人工智能第一梯隊。

背后訓練細節(jié)

至于Muse Spark是如何做到這一點的，Meta也公布了背后的訓練細節(jié)。

核心其實就是亞歷山大王提到的：9個月重構一切。

新的基礎設施、新的架構、新的數(shù)據(jù)管道。

具體可以看網(wǎng)友給大家劃的重點：

• 在預訓練階段，能夠以比Llama 4 少10倍以上的計算量達到相同的性能水平。
• 強化學習訓練展現(xiàn)出平滑且可預測的改進，具有良好的泛化能力和可擴展性。
• Test-time階段，在加入長度懲罰機制后，“思維壓縮”開始生效，模型學會了用更少的token解決問題。

Meta在博客中介紹，過去9個月，他們對Muse Spark的預訓練技術棧進行了全面升級。

所有改進的目標，都是為了讓每一分算力都能產(chǎn)生更大的價值。

為了驗證效果，他們做了一個對比實驗：先用一系列小模型擬合出一條“算力-能力”的Scaling曲線，然后計算要達到某個性能水平具體需要多少算力。

結果發(fā)現(xiàn)，相比Llama 4，Muse Spark達到同樣水平所需要的計算量低了一個數(shù)量級以上（10.3倍）。

預訓練完成后，他們進一步用強化學習來提升模型能力。

雖然大規(guī)模RL訓練通常很不穩(wěn)定，但他們聲稱自己的新架構做到了“穩(wěn)中有進”。

如下圖所示，隨著RL訓練步數(shù)增加，模型在訓練數(shù)據(jù)上的成功率（無論是單次嘗試還是16次中至少成功一次）呈現(xiàn)對數(shù)線性增長。

這說明，RL在提升可靠性的同時，沒有破壞推理的多樣性。

而且在模型從未見過的任務上，準確率同樣在穩(wěn)步提升——這說明RL帶來的能力提升是可預測、可泛化的，不是死記硬背。

以及為了讓模型在回答復雜問題之前先“想一想”，團隊仍用強化學習訓練它具備這種“測試時推理”能力。

不過需要注意，實踐證明Test-time階段的推理尤為耗費token，所以如何精打細算也是這一階段的重點。

對此，他們用了兩個關鍵手段來平衡效果與效率：

一是思考時間懲罰。鼓勵模型用更短的推理路徑得出正確答案，倒逼它學會“思維壓縮”。

二是多智能體協(xié)作。讓多個模型或模塊協(xié)同工作，在保證響應速度不降的前提下提升整體表現(xiàn)。

然后在AIME這類高難度評測集上，他們觀察到了一個有趣的“三階段變化”：

模型一開始會不自覺延長思考，希望通過拉長推理過程來提高正確率。

但這會馬上觸發(fā)“思考時間懲罰”，于是模型被迫精簡推理，學會用更少的token解決問題。

而在精簡之后，模型還表現(xiàn)出了擴展性能——在高效的基礎上繼續(xù)優(yōu)化解法，最終實現(xiàn)用更少的資源獲得更強的性能表現(xiàn)。

也不乏翻車的

不過前面也說了，Muse Spark雖然將Meta帶回了第一梯隊，但在編程、Agent類任務上仍有不足。

這不，模型剛發(fā)布，翻車集錦也來了……

有人想用它生成網(wǎng)站，結果3個請求一個都沒實現(xiàn)，而且連最基本的前端都無。

不過后來貼主發(fā)現(xiàn)可能是偶然錯誤，模型正常情況下做出來的前端是這樣的。

一個簡單的編程任務，Muse Spark雖生成了一大堆東西，但根本跑不通。

在一個Python文件里實現(xiàn)自動微分（autograd）和神經(jīng)網(wǎng)絡。

網(wǎng)友甚至調(diào)侃，模型根本沒在學，訓練了1800個epoch，損失函數(shù)卻一直卡在同一個值上沒動過。

白白浪費算力了……

（正常情況下，隨著訓練進行損失應該逐步下降，表明模型在“學習”）

所以問題來了，有試過的朋友覺得亞歷山大王的首個模型如何？