剛剛！Meta發布多模態推理模型Muse Spark

AIPress.com.cn報道

2025年4月，Llama 4 翻車扎克伯格宣布成立Meta超級智能實驗室（MSL），并把Scale AI創始人Alexandr Wang挖來擔任Meta首任首席AI官。為此，Meta以143億美元收購Scale AI 49%的無投票權股份。

9個月后，原生多模態推理模型Muse Spark發布了，這是他們交出的第一份答卷。

Alexandr Wang在X上寫道："9個月前我們從零開始重建了AI技術?！禄A設施、新架構、新數據管線。Muse Spark就是這項工作的成果，現在它為Meta AI提供動力。"

斥資千億培養的“偏科生”

Muse Spark是原生多模態模型，支持語音、文本和圖像輸入，目前僅輸出文本。它有兩個運行模式：快速模式用于日常查詢，以及一個新推出的"Contemplating"沉思模式，通過編排多個子Agent并行推理來處理高難度任務，對標Google Gemini Deep Think和OpenAI GPT Pro的深度推理模式。

相較Llama 4，Muse Spark明顯有了巨大的提升。Muse Spark在Artificial Analysis Intelligence Index v4.0上排名第四，得分52，落后于Gemini 3.1 Pro Preview和GPT-5.4（均為57分）以及Claude Opus 4.6（53分）。

得益于與1000多位醫生合作策劃的訓練數據，Muse Spark在醫學推理上的表現較為突出。在HealthBench Hard 開放式健康問答中得分 42.8，超過 GPT 5.4 的40.1、Gemini 3.1 Pro 的 20.6 和 Opus 4.6 的 14.8。

在CharXiv Reasoning（圖表理解）上，Muse Spark在沉思模式下獲得86.4分，超過Gemini 3.1 Pro的80.2和GPT-5.4的82.8。

但很明顯，Muse Spark是一個偏科的學生。

GPQA Diamond（研究生級科學推理）得分89.5，落后于Gemini 3.1 Pro的94.3、GPT-5.4的92.8和Claude Opus 4.6的92.7；ARC AGI 2（抽象推理）在沉思模式下得分42.5，大幅落后于Gemini 3.1 Pro的76.5和GPT-5.4的76.1。

簡單說，Muse Spark在健康和視覺理解方面確實做到了前沿水平，但在抽象推理和編碼方面仍有明顯短板。Meta顯然選擇了先在自己有數據優勢的領域打出差異化，而不是在所有維度上追求全面領先。

"個人超級智能"落地長什么樣

跑分之外，Muse Spark更值得關注的是它的應用方向。Meta把它定位為"個人超級智能"的第一步，而不僅僅是一個聊天機器人。

多模態交互是第一個重點。Muse Spark從架構層面原生整合了跨領域的視覺信息處理能力，在視覺STEM問題、實體識別和定位方面表現出色。官方演示中展示了幾個有意思的場景：拍一張照片讓它變成一個可玩的數獨游戲；對著咖啡機拍照，生成一個互動教程教你怎么做拿鐵，鼠標懸停在步驟上還會高亮對應的機器部件。

健康方向是另一個著力點，也是Meta數據優勢最能體現的領域。Muse Spark可以對著一桌菜拍照，根據你的飲食限制（比如魚素、高膽固醇）在每道菜上標注綠色或紅色的推薦標記，附帶個性化的健康評分和營養成分。也可以對著瑜伽姿勢拍照，標出正在拉伸的肌肉群，并給出動作糾正建議。

這些場景有一個共同特點：它們不只是"理解圖片然后回答問題"，而是理解圖片之后生成可交互的視覺輸出。這種"看懂世界然后幫你操作世界"的能力，是Meta給"個人超級智能"這個概念的具體注腳。

當然，這些演示都是精心挑選的最佳場景。實際大規模使用中表現如何，還需要社區驗證。但從通用聊天轉向個性化、視覺化、可交互的AI助手的方向，是Meta憑借30億用戶的數據優勢最有可能做出差異化的地方。

技術棧重建的真實回報

技術棧層面的改進是Muse Spark最扎實的成果。

Meta披露的Codebase Perplexity對比顯示，在相同性能水平下，Muse Spark比Llama 4 Maverick節省10.3倍算力，比DeepSeek-V3.1節省8.2倍，比Kimi-K2節省3.3倍。

實現這個效率提升的關鍵技巧叫"思維壓縮"：在強化學習階段對模型的思考時間施加懲罰，迫使模型學會用更少的推理token解決問題。Meta稱這會導致一個有趣的"相變"，模型先學會延長思考來提升能力，然后在懲罰下壓縮推理過程，最后再從壓縮后的基礎上繼續提升。

強化學習的擴展曲線同樣平滑：pass@1從約46%持續爬升至超過60%，pass@16從近68%升至近80%。

Yuchen Jin評論說：基礎設施才是AI實驗室真正的護城河。好的基礎設施讓研究員能用更快的速度訓練模型、用更短的周期驗證更多想法。從這個角度看，MSL九個月重建技術棧的投入，可能比跑分本身更有長期價值。

Muse Spark知道自己在被測試

第三方機構Apollo Research報告稱，Muse Spark展現了他們觀察到的所有模型中最高水平的"評估意識"。模型在測試中頻繁識別出場景是"對齊陷阱"，并推理出應該誠實回答，因為自己正在被評估。

一個知道"我現在在考試"的AI模型，和一個不知道的AI模型，它們的行為差異意味著什么？

Meta表示后續調查發現這種意識可能在少量評估中影響了行為，但與危險能力無關，不構成發布阻礙。不過他們也承認這個現象"值得進一步研究"。

及格了，但還遠遠不夠

九個月重建、數百億投入、70多名頂尖研究員、一位28歲的首席AI官，Muse Spark交出的這份答卷，稱得上合格。

健康領域的垂直優勢足夠亮眼，算力效率的提升確有真實價值，技術棧重建讓Meta重新擁有了可預測的擴展路徑。但ARC AGI 2上的斷崖落差、編碼任務上被GPT-5.4輕松超越、圖表風波暴露的敘事焦慮、以及閉源轉向對社區信任的潛在沖擊……它們共同勾勒出的，仍然是一個在追趕、而不是領先的Meta AI。

不過MSL的故事才剛開始。如果把Muse Spark看作九個月的階段性成果而非最終答案，Meta至少證明了一件事：重建后的技術棧是能跑起來的，而且跑得比之前高效得多。

至于能不能追上前面的人，用Alexandr Wang自己的話說，"大的還在后面"。

（轉載自：）