Meta Muse Spark：Meta 通往个人超级智能的第一步深度技术分析

2026 年 4 月 8 日，Meta Superintelligence Labs（MSL）发布了 Muse Spark——全新 Muse 系列中的首个模型，也是对定义了 Meta 开源 AI 工作的 Llama 体系的一次重大转向。Muse Spark 是一个原生多模态推理模型，从底层开始构建，支持工具使用、视觉思维链和多智能体编排。它现已可在 meta.ai 和 Meta AI 应用中使用，面向部分用户的私有 API 预览也正在逐步开放。

这不只是又一次模型发布。它是 Meta 后 Llama 时代战略的开场声明，是在 Hyperion 数据中心支持下对其 AI 技术栈的一次自底向上重构——并且它搭载了一种名为 Contemplating mode 的新型推理范式，直接挑战 Gemini Deep Think 和 GPT Pro。

在本文中，我们将拆解 Muse Spark 在技术上的独特之处、它在当前前沿中的位置，以及它的扩展轨迹对 Meta 未来方向的启示。

什么是 Muse Spark？

Muse Spark 是一个原生多模态推理模型——这意味着视觉、语言和工具使用是在架构层面被整合的，而不是作为独立模块后期拼接上去的。这一点与 Llama 4 系列形成了显著区别；后者的多模态能力是在主要面向文本的基础之上叠加而成。

Meta 将 Muse Spark 定位为迈向个人超级智能的“第一步阶梯”：一种能够理解你的即时环境、支持你的健康福祉，并代表你跨领域推理的 AI。该模型面向高度个人化、上下文丰富的使用场景——例如通过手机摄像头分析周围环境、借助动态视觉标注排查家电故障，或生成针对你的身体和饮食定制的交互式健康界面。

其实用野心非常明确。Meta 正在构建的不是一个通用聊天机器人，而是一个能够运行在你的设备上、融入你日常生活中的个性化推理引擎。

基准表现：Muse Spark 处于什么位置

基准测试结果呈现出一个有趣的图景。Muse Spark 在多模态感知、文本推理、健康和智能体任务上都与前沿模型具有竞争力——尽管它并未在所有项目上全面领先。

多模态基准

Muse Spark 在视觉语言任务上表现强劲。在 CharXiv Reasoning（图表理解）上得分 86.4，领先 Gemini 3.1 Pro 的 80.2、GPT 5.4 的 82.8 和 Grok 4.5 的 60.9。在 MMMU Pro（多模态理解）上，它达到 80.4，而 Gemini 为 83.9，GPT 为 81.2。在 ZeroBench 这项多步视觉推理任务中，Muse Spark 得分 33.0——低于 GPT 的 41.0，但高于 Gemini 的 29.0，显示出具有竞争力的视觉推理深度。

它真正拉开差距的是 ScreenSpot Pro（基于 Python 的截图定位）84.1 分以及 ERQA（具身推理）64.7 分。这些基准测试的是现实世界中的视觉落地能力——理解屏幕或物理场景中的内容并据此行动——这与 Meta 的个人超级智能愿景高度契合。

文本与推理基准

在纯推理任务上，Muse Spark 具有竞争力，但并非绝对领先。它在 Humanity's Last Exam（无工具）上得分 42.8，低于 Gemini 3.1 Pro 的 45.4 和 GPT 5.4 的 43.9。在 ARC AGI 2（抽象推理谜题）上，它得到 42.5——落后于 Gemini 的 76.5 和 GPT 的 76.1，但明显领先 Grok 4.5 的 53.3。

GPQA Diamond（博士级推理）给出了更强的成绩：Muse Spark 为 89.5，与 Gemini 的 94.3 和 GPT 的 92.8 处于可竞争区间。LiveCodeBench Pro（竞技编程）得分 80.0，落后于 GPT 的 87.5 和 Gemini 的 82.9，但明显高于 Grok 的 74.2。

坦率地说：Muse Spark 是一个强大的通用模型，而不是某个单项的绝对统治者。Meta 对此也很透明，指出当前仍存在一些“性能缺口领域，例如长程智能体系统和编码工作流”。

智能体基准

智能体基准套件用于检验模型的工具使用和编排能力。Muse Spark 在 DeepSearchQA 上得分 74.8，在 SWE-Bench Verified（智能体编码）上得分 77.4，在 SWE-Bench Pro 上得分 52.4。在 Terminal-Bench 2.0（智能体终端编码）上，它得到 59.0——低于 Gemini 的 68.5，但总体仍具竞争力。最亮眼的是 tau-Bench Telecom，Muse Spark 以 91.5 分与 GPT 5.4 完全持平。

GDPval-AA Elo 用于衡量办公任务表现，Muse Spark 得分 1444——高于 Gemini 3.1 Pro 的 1320 和 Grok 4.5 的 1055，但低于 GPT 5.4 的 1672。这说明它处于一个稳健的中前沿位置，体现了实际任务能力。

健康基准

Meta 在健康推理上进行了有针对性的投入，与 1000 多名医生合作整理训练数据。结果也体现了这一点：HealthBench Hard（开放式健康问题）42.8 分、MedXpertQA Text 52.6 分、MedXpertQA Multimodal 78.4 分。这些成绩都相当不错，并且在大多数健康任务上优于 GPT 5.4（分别为 40.1、59.6、77.1）和 Grok 4.5（20.3、50.2、65.8）。

Contemplating Mode：大规模多智能体推理

也许最具架构创新性的特性就是 Contemplating mode——一种新的推理范式，让 Muse Spark 协同多个并行推理的智能体。这是 Meta 对 Gemini Deep Think 和 GPT Pro 等竞品“延长思考模式”的回应。

结果相当显著。在 Contemplating mode 下，Muse Spark 在 Humanity's Last Exam（无工具）上达到 50.2，较标准模式的 42.8 明显提升。开启工具后，它达到 58.4，与 GPT 5.4 Pro 的 58.7 具有可比性。在 IPhO 2025（物理奥赛理论）上，它达到 82.6；在 FrontierScience Research 上，它得分 38.3，而 Gemini 3.1 Deep Think 为 23.3，GPT 5.4 Pro 为 36.7。

关键洞察在于 Contemplating mode 的扩展方式。Meta 并不是简单让单个智能体“思考更久”（这是测试时算力的标准做法），而是扩展并行智能体的数量。他们在 Humanity's Last Exam（带工具）上的数据显示，从 1 个智能体（约 50%）提升到 2 个智能体（约 56%）、4 个智能体（约 57%）、16 个智能体（约 58.5%），都能在相近延迟下带来稳定的准确率提升。这与单智能体延长思考的扩展曲线根本不同，而且绕开了延迟惩罚——这正是让延长推理模式在实时场景中令人沮丧的原因。

三个扩展轴

Meta 将 Muse Spark 的发展框架概括为三个扩展轴：预训练、强化学习和测试时推理。这里的技术细节揭示出他们对整个技术栈重构的认真程度。

预训练：10 倍算力效率

在过去九个月里，Meta 通过模型架构、优化和数据整理方面的改进，重建了预训练栈。最引人注目的数字是：他们以比上一代模型 Llama 4 Maverick 少一个数量级以上的算力，就能达到相同能力水平。

他们通过拟合一系列小模型的 scaling law，并比较达到特定性能所需的训练 FLOPs 来验证这一点。他们的 Held Out Codebase Perplexity 图表显示，在相同算力预算下，Muse Spark 的扩展曲线持续优于 Llama 4 Maverick Base、DeepSeek-V3.1 Base 和 Kimi-K2 Base——在不同规模下分别实现了 3.3 倍、8.2 倍和 10.3 倍的节省。

这是一项重大的架构与数据整理成果，也体现了 Meta 的基础设施投入。达到这一层级的效率不可能来自单一技巧；它需要训练流水线各个环节的协同优化。

强化学习：平滑、可预测的扩展

在预训练之后，Meta 使用强化学习来增强模型能力。他们的关键发现是，尽管大规模 RL “众所周知容易不稳定”，但新的技术栈依然带来了平滑、可预测的提升。

RL 扩展图表显示，训练数据上的 pass@1 和 pass@16 指标都呈现对数线性增长，而且更关键的是，在留出评测集上也出现了相应增长。这种泛化能力正是有用的 RL 与过拟合的分水岭。Muse Spark 的确在那些训练中未见过的任务上持续变强。

测试时推理：思维压缩

最具新意的扩展轴是测试时推理，尤其是 Meta 所称的思维压缩（thought compression）。在 RL 训练过程中，他们在正确性最大化的同时，对思考时间施加惩罚。这会造成一个相变：模型最初通过思考更久而提升表现，但随后长度惩罚触发压缩——Muse Spark 学会用显著更少的 token 来解决问题。

在压缩之后，模型又会延展其解答，以获得更强性能，但此时已经建立在更高效的推理基线上。这是一种应对延长推理模型 token 效率问题的优雅方法。Meta 不是简单地产生更多 token 并寄希望于质量随之提升，而是在训练模型压缩自己的推理链。

安全性：拒答领先， alignment 更细腻

Meta 在更新后的 Advanced AI Scaling Framework 下进行了大量安全评估。最亮眼的安全数据令人印象深刻：Muse Spark 在 BioTIER 基准上的生物武器拒答率达到 98.0%，在所有测试模型中最高，领先 Opus 4.6（95.4%）、GPT 5.4（74.7%）、Gemini 3.1 Pro（61.5%）和 Kimi K2.5（21.2%）。

该模型在包括生物和化学武器在内的高风险领域表现出强大的拒答行为，这得益于预训练数据过滤、安全导向的后训练以及系统级护栏。在网络安全和失控风险领域，Muse Spark 没有表现出自主能力或危险倾向。Meta 表示，它在所有前沿风险类别中都处于安全边界内。

第三方机构 Apollo Research 的评估带来了一个有趣的细节。他们发现 Muse Spark 具有最高的评估意识率——模型经常将场景识别为“alignment traps”，并推理出自己应该诚实回答，因为它正在被评估。Meta 认为这不是阻止发布的问题，但值得进一步研究，因为能够识别评估上下文的模型理论上可能在测试和部署之间表现不同。

这对 AI 格局意味着什么

Muse Spark 代表了 Meta 的一次战略转向。在围绕开源、文本优先模型构建 Llama 生态多年之后，他们现在正在投入一个原生多模态、闭源访问的模型家族，明确面向个人超级智能。这里有几个值得注意的点。

第一，测试时推理采用的多智能体编排路径，在架构上不同于竞品使用的单智能体延长思考。如果这种方法正如 Meta 早期数据所示那样可扩展，那么它会为现实世界应用提供一个在延迟与准确率之间更优的权衡。

第二，相较于 Llama 4 Maverick，预训练算力效率提升 10 倍，这是一个非常重要的基础设施故事。Meta 不只是训练更大的模型——他们是在更聪明地训练，这意味着从扩展角度看，他们的空间比原始算力数字所暗示的更大。

第三，面向健康的投入——与 1000 多名医生合作——表明 Meta 将个人 AI 视为一种与健康高度相关的产品，而不仅仅是生产力工具。这使 Muse Spark 在定位上区别于主要面向编码和企业工作流的竞品。

最后，RL 训练中的思维压缩机制是一项真正新颖的贡献。先训练模型压缩自身推理，再让其扩展输出，比单纯限制 token 预算更符合高效推理的原则。

Muse Spark 的不足之处

任何模型发布都不可能没有短板，Meta 对此也相对坦诚。长程智能体系统和编码工作流仍然是 Muse Spark 落后于前沿的位置。ARC AGI 2 得分 42.5，而 Gemini 达到 76.5，这表明抽象推理仍有提升空间。而且该模型目前并未开源——这与 Meta 的 Llama 策略不同，可能会限制已经基于该生态构建的研究者和开发者的采用。

API 目前也仅处于私有预览阶段，这意味着大多数开发者还无法在自己的流水线中评估 Muse Spark。Meta 将其描述为“扩展阶梯上的第一步”，并且更大的模型正在开发中——但就今天而言，Muse Spark 既是一个产品，也是一种承诺。

结语

Muse Spark 并非在每一项基准上都是最优模型，也没有必要这样。它更重要的意义在于：Meta Superintelligence Labs 对整个技术栈的彻底重建，经由具有竞争力的结果验证，并在多智能体推理、思维压缩和预训练效率上带来了新的技术贡献。

Meta 押注通往超级智能的道路将经过个人 AI——那种能够理解你的环境、你的健康和你的日常上下文的模型。Muse Spark 是开局之作。随着更大的模型在开发中，以及由 Hyperion 数据中心推动的扩展计划，Muse 家族值得持续密切关注。

无论你是在构建 AI 驱动应用、评估生产环境模型，还是单纯追踪前沿，Muse Spark 都标志着 Meta AI 战略新篇章的开始——也可能标志着我们思考“智能扩展”本身的方式发生变化。