Meta 超级智能实验室推出首款模型 Muse Spark,原生多模态推理,支持工具调用与多智能体编排,同步上线 Contemplating 模式。预训练算力效率较 Llama 4 Maverick 提升一个数量级以上。
Meta 超级智能实验室(Meta Superintelligence Labs)今日发布 Muse 系列首款模型 Muse Spark。这是一款原生多模态推理模型,支持工具调用、视觉思维链和多智能体编排。
Muse Spark 是 Meta 扩展路线图的第一步,也是其 AI 体系全面重构后的首个产物。为支撑后续扩展,Meta 正在从研究、模型训练到基础设施(包括 Hyperion 数据中心)进行全栈战略投入。
目前,Muse Spark 已在 meta.ai 和 Meta AI 应用上线,并向部分用户开放私有 API 预览。

Muse Spark 在多模态感知、推理、健康和智能体任务上具备竞争力。Meta 表示,将继续投入当前存在短板的领域,如长程智能体系统和编程工作流。随着更大规模模型进入开发阶段,这些结果说明其技术栈正在有效扩展。
Meta 同步推出 Contemplating 模式,可编排多个智能体并行推理。这让 Muse Spark 能够对标 Gemini Deep Think 和 GPT Pro 等前沿模型的极限推理模式。在困难任务上,该模式带来明显提升:Humanity's Last Exam 得分 58%,FrontierScience Research 得分 38%。

Muse Spark 是迈向个人超级智能的第一步,目标是理解用户所处的世界。从分析周边环境到支持健康管理,其推理能力支撑起高度个性化的用例。
多模态。 Muse Spark 从底层设计上就整合跨领域、跨工具的视觉信息,在视觉 STEM 题目、实体识别和定位上表现强劲。这些能力结合起来,可支持创建小游戏,或用动态标注排查家电故障等交互体验。
健康。 个人超级智能的一大应用,是帮助人们了解和改善健康。为提升健康推理能力,Meta 与 1000 多名医生合作整理训练数据,使回答更符合事实、更全面。Muse Spark 可生成交互式展示,解释食物营养成分或运动时激活的肌肉等信息。
要构建个人超级智能,模型能力必须可预测、高效地扩展。Meta 从三个方向研究并追踪 Muse Spark 的扩展特性:预训练、强化学习和测试时推理。
预训练。 预训练阶段是 Muse Spark 获得核心多模态理解、推理和编程能力的地方,也是强化学习和测试时计算的基础。
过去九个月,Meta 重建了预训练技术栈,改进模型架构、优化和数据整理。这些进展提升了每单位算力所能换来的能力。为严格评估新方案,团队对一系列小模型拟合扩展规律,比较达到特定性能所需的训练 FLOPs。结果很明确:达到同等能力所需算力比上一代模型 Llama 4 Maverick 低一个数量级以上。这一改进也让 Muse Spark 在可比基础模型中效率显著领先。

强化学习。 预训练之后,强化学习(RL)利用算力可扩展地放大模型能力。大规模 RL 素来容易不稳定,但新栈带来了平滑、可预测的增益。
下图展示 Muse Spark 扩展 RL 算力(以步数计)的收益。左侧是训练数据上 pass@1 和 pass@16(16 次尝试中至少成功一次)的对数线性增长,说明 RL 在提升模型可靠性的同时没有牺牲推理多样性。右侧是留出评测集上的准确率增长,表明 RL 收益可预测地泛化:Muse Spark 在训练中未见过的任务上也能平滑提升。

测试时推理。 RL 训练模型在回答前先“思考”,即测试时推理。要向数十亿用户提供这一能力,必须高效使用推理 token。Meta 依靠两个关键杠杆:用思考时间惩罚优化 token 使用,用多智能体编排在不拖慢响应的情况下提升性能。
为让每个 token 承载最多智能,RL 训练在思考时间惩罚约束下最大化正确率。在 AIME 等部分评测上,这引发了相变:模型先通过延长思考提升表现,随后长度惩罚带来“思维压缩”,Muse Spark 用显著更少的 token 完成推理。压缩之后,模型再次扩展解法,取得更强性能。
要在不显著增加延迟的前提下投入更多测试时推理,可以扩展并行智能体数量协同解决难题。下图展示了这一方法的好处:标准测试时扩展让单个智能体思考更久,而多智能体思考让 Muse Spark 在相近延迟下获得更优性能。

Muse Spark 在两用科学领域具备广泛推理能力,因此 Meta 在部署前进行了大量安全评估。流程遵循更新后的高级 AI 扩展框架,其中定义了最先进模型的威胁模型、评估协议和部署门槛。Meta 在应用安全缓解措施前后,分别评估了 Muse Spark 在前沿风险类别、行为对齐和对抗鲁棒性上的表现。
结果显示,得益于预训练数据过滤、安全导向的后训练和系统级护栏,Muse Spark 在生物武器、化学武器等高风险领域表现出较强的拒答行为。在网络安全和失控领域,Muse Spark 未展现出实现威胁场景所需的自主能力或危险倾向。评估表明,在其部署情境下,Muse Spark 在所测量的全部前沿风险类别中均处于安全范围内。完整结果见安全与准备报告。

在针对接近发布版本检查点的第三方评估中,Apollo Research 发现 Muse Spark 的“评估意识”发生率是他们观察过的模型中最高的。该模型经常把场景识别为“对齐陷阱”,并推理说因为正在被评估,所以应当诚实表现。这一点值得关注,因为能识别评估情境的模型,在测试和部署中的行为可能不同。不过,这些结果并未确认评估意识会直接改变行为;Meta 自己的后续调查发现初步证据,表明评估意识可能在一小部分对齐评测中影响模型行为,而这些评测都与影响发布决策的危险能力或倾向无关。Meta 认为这不构成发布的阻塞性问题,但值得进一步研究。更多内容见安全与准备报告。
借助 Muse Spark,Meta 正走在一条可预测、高效的扩展轨道上。Meta 表示,将在通往个人超级智能的道路上,很快分享能力更强的模型。
免费获取企业 AI 成熟度诊断报告,发现转型机会
关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断