北京
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：
主打原生多模態的Muse Spark。
模型發布后，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。
隨手一扒你就會發現，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，沒有反復強調自己拿了多少SOTA，而是稍顯克制地表示：
Muse Spark在多模態感知、推理、健康和自主任務方面表現不錯，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llama 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“計劃未來開源后續版本”）
“Meta回來了”
老規矩，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突出：
一是多模態理解能力。
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。
（當然也不排除是數據污染的問題，畢竟問題出來也挺久了…）
再一個就是工具調用能力，測評情況也和多模態理解能力類似。
以及這次Muse Spark著重強調的醫學能力。
由于和1000+醫生展開了合作，它不僅在開放式健康問答HealthBench Hard上拿到42.8的最高分，而且在多模態醫學問答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
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。
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、新的數據管道。
具體可以看網友給大家劃的重點：
- 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。
結果發現，相比Llama 4，Muse Spark達到同樣水平所需要的計算量低了一個數量級以上（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。
雖然大規模RL訓練通常很不穩定，但他們聲稱自己的新架構做到了“穩中有進”。
如下圖所示，隨著RL訓練步數增加，模型在訓練數據上的成功率（無論是單次嘗試還是16次中至少成功一次）呈現對數線性增長。
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”。
二是多智能體協作。讓多個模型或模塊協同工作，在保證響應速度不降的前提下提升整體表現。
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“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，模型還表現出了擴展性能——在高效的基礎上繼續優化解法，最終實現用更少的資源獲得更強的性能表現。
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，模型剛發布，翻車集錦也來了……
有人想用它生成網站，結果3個請求一個都沒實現，而且連最基本的前端都無。
不過后來貼主發現可能是偶然錯誤，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文件里實現自動微分（autograd）和神經網絡。
網友甚至調侃，模型根本沒在學，訓練了1800個epoch，損失函數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？
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
