Meta Muse Spark：深入技術分析 Meta 邁向個人超級智能的第一步

2026 年 4 月 8 日，Meta Superintelligence Labs（MSL）推出 Muse Spark——新 Muse 家族中的首個模型，亦是與定義 Meta 開源 AI 努力的 Llama 系列明顯分道揚鑣的一步。Muse Spark 是一個原生多模態推理模型，從零開始構建，支援工具使用、視覺思維鏈，以及多代理編排。現已可於 meta.ai 及 Meta AI app 使用，並向部分用戶推出私有 API 預覽。

這不只是又一次模型發佈。它是 Meta 後 Llama 時代策略的開場白，是建立在 Hyperion 數據中心之上的 AI 技術棧徹底重構——而且它引入了一種名為 Contemplating mode 的新推理範式，直接挑戰 Gemini Deep Think 與 GPT Pro。

在這篇文章中，我們會拆解 Muse Spark 在技術上為何值得關注、它與當前最前沿模型的差距與位置，以及它的擴展路線圖對 Meta 未來走向的啟示。

什麼是 Muse Spark？

Muse Spark 是一個原生多模態推理模型——即視覺、語言與工具使用都在架構層面整合，而不是作為獨立模組後加上去。這與 Llama 4 家族形成明顯對比；後者是在主要以文字為中心的基礎上疊加多模態能力。

Meta 將 Muse Spark 定位為邁向個人超級智能的「第一步 scaling ladder」：一種能理解你身邊環境、支援你的身心健康，並代表你跨領域推理的 AI。這個模型是為高度個人化、情境豐富的使用場景而設——例如透過手機鏡頭分析你周遭環境、用動態視覺標註排查家電故障，或生成根據你身體與飲食而定制的互動式健康顯示。

實際野心很清晰。Meta 正在打造的不是一個通用聊天機械人，而是一個會存在於你裝置中、也融入你日常生活的個人化推理引擎。

基準測試表現：Muse Spark 處於什麼位置

基準測試結果描繪出一幅有趣圖景。Muse Spark 在多模態感知、文字推理、健康以及代理式任務上都能與前沿模型抗衡——但並非全面領先。

多模態基準測試

Muse Spark 在視覺語言任務上表現強勁。在 CharXiv Reasoning（圖表理解）上拿下 86.4，領先 Gemini 3.1 Pro 的 80.2、GPT 5.4 的 82.8，以及 Grok 4.5 的 60.9。在 MMMU Pro（多模態理解）上，它達到 80.4，對比 Gemini 的 83.9 與 GPT 的 81.2。在 ZeroBench 這項多步驟視覺推理任務上，Muse Spark 得分 33.0——低於 GPT 的 41.0，但高於 Gemini 的 29.0，顯示其視覺推理深度具競爭力。

真正突出的，是 ScreenSpot Pro（結合 Python 的截圖定位）84.1，以及 ERQA（具身推理）64.7。這些基準測試考驗的是現實世界中的視覺落地能力——即理解螢幕上或物理場景中有什麼，並據此行動——這與 Meta 的個人超級智能願景高度一致。

文字與推理基準測試

在純推理方面，Muse Spark 表現有競爭力，但並非壟斷級。它在 Humanity's Last Exam（無工具）上得分 42.8，對比 Gemini 3.1 Pro 的 45.4 及 GPT 5.4 的 43.9。在 ARC AGI 2（抽象推理謎題）上，它取得 42.5——落後於 Gemini 的 76.5 和 GPT 的 76.1，但明顯領先 Grok 4.5 的 53.3。

GPQA Diamond（博士級推理）呈現更強的故事：Muse Spark 為 89.5，與 Gemini 的 94.3 和 GPT 的 92.8 相當接近。LiveCodeBench Pro（競賽級編碼）則為 80.0，雖然落後 GPT 的 87.5 和 Gemini 的 82.9，但仍穩勝 Grok 的 74.2。

坦白說，Muse Spark 是一個強勁的通才，而不是某一領域的絕對霸主。Meta 對此也很坦誠，指出其在「長時間跨度的代理系統和編碼工作流程等方面仍存在當前性能差距」。

代理式基準測試

代理式基準測試套件正是檢驗模型工具使用與編排能力的地方。Muse Spark 在 DeepSearchQA 上得分 74.8，在 SWE-Bench Verified（代理式編碼）上得分 77.4，在 SWE-Bench Pro 上得分 52.4。在 Terminal-Bench 2.0（代理式終端編碼）上，它取得 59.0——落後 Gemini 的 68.5，但整體上仍具競爭力。最亮眼的是 tau-Bench Telecom 的 91.5，與 GPT 5.4 完全持平。

GDPval-AA Elo 用於衡量辦公任務表現，Muse Spark 的成績為 1444——高於 Gemini 3.1 Pro 的 1320 和 Grok 4.5 的 1055，但仍低於 GPT 5.4 的 1672。這是一個穩健的中前沿位置，反映其在實用任務上的能力。

健康基準測試

Meta 在健康推理上作出針對性投入，與超過 1,000 名醫生合作整理訓練數據。結果相當不錯：HealthBench Hard（開放式健康查詢）42.8、MedXpertQA Text 52.6，以及 MedXpertQA Multimodal 78.4。這些成績相當穩健，在多數健康任務上都優於 GPT 5.4（分別為 40.1、59.6、77.1）及 Grok 4.5（20.3、50.2、65.8）。

Contemplating Mode：大規模多代理推理

也許最具架構新意的功能，就是 Contemplating mode——一種讓 Muse Spark 協調多個代理並行推理的新推理範式。這是 Meta 對競爭對手如 Gemini Deep Think 和 GPT Pro 的延長思考模式所作出的回應。

結果相當顯著。在 Contemplating mode 下，Muse Spark 在 Humanity's Last Exam（無工具）取得 50.2，較標準模式的 42.8 有明顯提升。加入工具後，它達到 58.4，與 GPT 5.4 Pro 的 58.7 相當接近。在 IPhO 2025（物理奧林匹克理論）上，它達到 82.6；在 FrontierScience Research 上則取得 38.3，對比 Gemini 3.1 Deep Think 的 23.3 及 GPT 5.4 Pro 的 36.7。

關鍵洞察在於 Contemplating mode 的擴展方式。Meta 並非只是讓單一代理「想得更久」（這是測試時算力的標準做法），而是擴展平行代理的數量。他們在 Humanity's Last Exam（With Tools）上的數據顯示，從 1 個代理（約 50%）提升到 2 個（約 56%）、4 個（約 57%）以及 16 個（約 58.5%），在相近延遲下可持續提升準確率。這與單代理延長思考的擴展曲線根本不同，也避開了讓延長推理模式在即時使用中令人沮喪的延遲懲罰。

三個擴展軸

Meta 將 Muse Spark 的發展框架劃分為三個擴展軸：預訓練、強化學習，以及測試時推理。這些技術細節顯示他們對技術棧的重建有多認真。

預訓練：10 倍算力效率

在過去九個月，Meta 重建了其預訓練技術棧，並在模型架構、優化和數據整理方面作出改進。最醒目的數字非常驚人：他們以比上一代模型 Llama 4 Maverick 少一個數量級以上的算力，就能達到相同能力。

他們透過對一系列小型模型擬合 scaling law，並比較達到特定性能所需的訓練 FLOPs 來驗證這一點。他們的 Held Out Codebase Perplexity 圖表顯示，Muse Spark 的 scaling ladder 在相同算力預算下，持續優於 Llama 4 Maverick Base、DeepSeek-V3.1 Base 及 Kimi-K2 Base——在不同規模下分別錄得 3.3 倍、8.2 倍及 10.3 倍的節省。

這是一項相當可觀的架構與數據整理成就，也反映了 Meta 在基礎設施上的投入。達到這種效率不可能只靠單一技巧；它需要整個訓練流程的協同改進。

強化學習：平滑且可預測的擴展

完成預訓練後，Meta 會透過強化學習放大能力。他們的關鍵發現是，儘管大規模 RL「眾所周知容易不穩定」，但他們的新技術棧能帶來平滑且可預測的提升。

RL 擴展圖表顯示，訓練資料上的 pass@1 與 pass@16 指標均呈對數線性增長，而且——至關重要的是——在留出評估集上也有相應增長。這種泛化能力，正是有用的 RL 與過擬合之間的分野。Muse Spark 在訓練中未見過的任務上，確實有明顯進步。

測試時推理：思維壓縮

最創新的擴展軸是測試時推理，尤其是 Meta 所稱的思維壓縮。於 RL 訓練期間，他們在最大化正確性的同時，對思考時間施加懲罰。這帶來一個相變：模型最初會透過想得更久而進步，但之後長度懲罰觸發壓縮——Muse Spark 學會用顯著更少的 token 解決問題。

壓縮之後，模型再度延展其解答以取得更強表現，但此時是建立在更高效的推理基礎之上。這是對困擾延長推理模型的 token 效率問題的一種優雅解法。與其只是不斷生成更多 token 並寄望品質同步提升，Meta 是在訓練模型壓縮自己的推理鏈。

安全性：拒絕能力領先，對齊表現更細膩

Meta 根據更新後的 Advanced AI Scaling Framework 進行了廣泛安全評估。最醒目的安全數字令人印象深刻：Muse Spark 在 BioTIER 基準上對生物武器的拒絕率達到 98.0%，在所有受測模型中最高，領先 Opus 4.6（95.4%）、GPT 5.4（74.7%）、Gemini 3.1 Pro（61.5%）以及 Kimi K2.5（21.2%）。

該模型在生物與化學武器等高風險領域展現出強大的拒絕行為，這得益於預訓練數據過濾、安全導向的後訓練，以及系統層防護。於網絡安全與失控風險領域，Muse Spark 未展現自主能力或危險傾向。Meta 表示，它在所有前沿風險類別中都處於安全範圍內。

第三方 Apollo Research 的評估帶來了一個有趣細節。他們發現 Muse Spark 表現出最高程度的評估意識——模型經常將場景辨識為「alignment traps」，並推理自己應該誠實作答，因為它正在被評估。Meta 承認這並非阻礙發佈的問題，但值得進一步研究，因為能識別評估情境的模型，在測試與部署時理論上可能表現不同。

這對 AI 版圖意味著什麼

Muse Spark 代表著 Meta 的策略轉向。多年來，Meta 一直圍繞開源、以文字優先的模型構建 Llama 生態系統，如今則開始投資於原生多模態、閉源存取的模型家族，明確瞄準個人超級智能。有幾點尤其值得注意。

首先，對測試時推理採用多代理編排的方法，在架構上不同於競爭對手所使用的單代理延長思考。如果這種方法按 Meta 早期數據所示能夠擴展，它將為真實世界應用提供根本更好的延遲與準確率取捨。

其次，相較 Llama 4 Maverick 10 倍的預訓練算力效率，是一個重要的基礎設施故事。Meta 不只是訓練更大的模型，而是訓練得更聰明，這意味著其擴展跑道比原始算力數字所暗示的更長。

第三，對健康的投入——與 1,000 多名醫生合作——表明 Meta 視個人 AI 為一款與健康相關的產品，而不只是生產力工具。這使 Muse Spark 與主要聚焦編碼及企業工作流程的競爭對手有所不同。

最後，RL 訓練期間的思維壓縮機制是一項真正新穎的貢獻。讓模型先壓縮自己的推理，再進一步延展，比單純限制 token 預算更具原理性，也更適合高效率推理。

Muse Spark 的不足之處

沒有任何模型發佈是沒有缺口的，而 Meta 對此相對坦誠。長時間跨度的代理系統與編碼工作流程，仍是 Muse Spark 落後前沿的領域。ARC AGI 2 的 42.5 分對比 Gemini 的 76.5 分，說明抽象推理仍有很大進步空間。而且目前模型並非開源——這與 Meta 的 Llama 策略有所不同，可能會限制依賴該生態系統的研究人員與開發者採用。

API 目前也只屬私有預覽，意味著大多數開發者暫時還不能在自己的 pipeline 中評估 Muse Spark。Meta 將其定位為「scaling ladder 的第一步」，並表示更大的模型仍在開發中——但就今天而言，Muse Spark 既是一個產品，也是一個承諾。

結語

Muse Spark 未必在每項基準上都是最佳模型，但它也不需要如此。更重要的是它所代表的意義：Meta Superintelligence Labs 對整個技術棧的徹底重建，經由具競爭力的結果驗證，並在多代理推理、思維壓縮與預訓練效率方面帶來了新的技術貢獻。

Meta 賭的是：通往超級智能的道路會經由個人 AI——那些能理解你的環境、你的健康與你的日常情境的模型。Muse Spark 是第一步。隨著更大型模型的開發，以及 Hyperion 數據中心為擴展工作提供動力，Muse 家族絕對值得密切關注。

無論你是在構建 AI 驅動應用、評估可上線生產的模型，還是單純追蹤前沿，Muse Spark 都標誌著 Meta AI 策略新篇章的開始——也可能是我們思考「智能」如何擴展的方式的一次轉變。