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

2026 年 4 月 8 日，Meta Superintelligence Labs（MSL）推出了 Muse Spark——全新 Muse 家族中的首個模型，也標誌著與定義 Meta 開源 AI 努力的 Llama 系列截然不同的轉向。Muse Spark 是一個原生多模態推理模型，從架構層面就原生支援工具使用、視覺思維鏈與多代理協同。它目前已可在 meta.ai 與 Meta AI app 使用，並正在向特定用戶逐步釋出私有 API 預覽版。

這不只是另一個模型發布而已。這是 Meta 後 Llama 時代策略的開場白，是在 Hyperion 資料中心支援下，對其 AI 技術棧進行的全面重構——而且還搭載了一種名為 Contemplating mode 的新型推理範式，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、它與當前前沿模型相比處於什麼位置，以及它的擴展軌跡如何透露 Meta 的未來方向。

Muse Spark 是什麼？

Muse Spark 是一個原生多模態推理模型——也就是說，視覺、語言與工具使用是在架構層級整合，而不是作為獨立模組後加上去。這與 Llama 4 家族形成了明顯對比；後者的多模態能力是疊加在以文字為主的基礎之上。

Meta 將 Muse Spark 定位為邁向個人超級智慧的「第一步階梯」：一種能理解你即時環境、支援你的身心健康，並代表你跨領域推理的 AI。這個模型專為高度個人化、情境豐富的使用場景而設計——例如透過手機相機分析你的周遭環境、利用動態視覺標註協助排查家電故障，或生成符合你的身體與飲食狀況的互動式健康儀表板。

它的實際目標很明確。Meta 正在打造的不是一個通用聊天機器人，而是一個住在你的裝置上、融入你日常生活中的個人化推理引擎。

基準測試表現：Muse Spark 的位置在哪裡

基準測試結果描繪出一個有意思的圖景。Muse Spark 在多模態感知、文字推理、健康與代理任務上都能與前沿模型競爭——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。它在 CharXiv Reasoning（圖表理解）上拿到 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，它取得 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中，Muse Spark 得分 33.0——雖然落後 GPT 的 41.0，但高於 Gemini 的 29.0，顯示其視覺推理深度具備競爭力。

它真正拉開差距的地方是在 ScreenSpot Pro（結合 Python 的截圖定位）以 84.1，以及 ERQA（具身推理）以 64.7。這些基準測試檢驗的是現實世界中的視覺對齊能力——理解螢幕上或物理場景中的內容並採取行動——這與 Meta 的個人超級智慧願景直接契合。

文字與推理基準測試

在純推理方面，Muse Spark 具備競爭力，但並非壓倒性領先。它在 Humanity's Last Exam（無工具）上得分 42.8，對比 Gemini 3.1 Pro 的 45.4 與 GPT 5.4 的 43.9。在 ARC AGI 2（抽象推理謎題）上，它拿到 42.5——低於 Gemini 的 76.5 與 GPT 的 76.1，但明顯高於 Grok 4.5 的 53.3。

GPQA Diamond（博士級推理）則呈現更強的表現：Muse Spark 為 89.5，與 Gemini 的 94.3 及 GPT 的 92.8 相當接近。LiveCodeBench Pro（競技程式設計）則為 80.0，落後 GPT 的 87.5 與 Gemini 的 82.9，但明顯高於 Grok 的 74.2。

坦白說，Muse Spark 是一個強大的通才，而不是某個領域的絕對王者。Meta 對此也很坦誠，指出其「目前仍有表現落差的領域，例如長程代理系統與程式設計工作流程」。

代理基準測試

代理基準測試組合是檢驗模型工具使用與協同能力的地方。Muse Spark 在 DeepSearchQA 上得分 74.8，在 SWE-Bench Verified（代理程式設計）上為 77.4，在 SWE-Bench Pro 上為 52.4。在 Terminal-Bench 2.0（代理終端程式設計）上，它取得 59.0——雖然低於 Gemini 的 68.5，但整體仍具競爭力。最亮眼的是 tau-Bench Telecom 的 91.5，與 GPT 5.4 完全持平。

GDPval-AA Elo 衡量辦公任務表現，Muse Spark 取得 1444——高於 Gemini 3.1 Pro 的 1320 與 Grok 4.5 的 1055，但仍落後 GPT 5.4 的 1672。這是一個穩健的前沿中段位置，反映其在實務任務上的能力。

健康基準測試

Meta 在健康推理上做了針對性投資，並與超過 1,000 位醫師合作蒐集訓練資料。成果相當明顯：HealthBench Hard（開放式健康提問）為 42.8，MedXpertQA Text 為 52.6，MedXpertQA Multimodal 為 78.4。這些數字都很穩健，在多數健康任務上都優於 GPT 5.4（分別為 40.1、59.6、77.1）與 Grok 4.5（20.3、50.2、65.8）。

Contemplating Mode：大規模多代理推理

也許最具架構創新性的功能就是 Contemplating mode——一種新的推理範式，讓 Muse Spark 協同多個代理並行推理。這是 Meta 對 Gemini Deep Think 與 GPT Pro 這類競品延伸思考模式的回應。

成果相當顯著。在 Contemplating mode 下，Muse Spark 在 Humanity's Last Exam（無工具）上達到 50.2——相比標準模式的 42.8 有明顯提升。加入工具後，它可以達到 58.4，與 GPT 5.4 Pro 的 58.7 相當接近。在 IPhO 2025（國際物理奧林匹亞理論）上，它拿到 82.6；在 FrontierScience Research 上則為 38.3，對比 Gemini 3.1 Deep Think 的 23.3 與 GPT 5.4 Pro 的 36.7。

關鍵洞察在於 Contemplating mode 的擴展方式。Meta 並不是單純讓單一代理「想更久」（這是測試時運算的標準做法），而是擴大並行代理的數量。他們在 Humanity's Last Exam（With Tools）上的資料顯示，從 1 個代理（約 50%）增加到 2 個代理（約 56%）、4 個代理（約 57%）再到 16 個代理（約 58.5%），能在相近延遲下持續提升準確率。這與單代理延伸思考的擴展曲線根本不同，並且避開了讓延伸推理模式在即時使用上變得惱人的延遲懲罰。

三個擴展軸

Meta 將 Muse Spark 的開發框架歸納為三個擴展軸：預訓練、強化學習，以及測試時推理。這裡的技術細節顯示出他們對整個技術棧重建的重視程度。

預訓練：10 倍運算效率

在過去九個月中，Meta 透過模型架構、最佳化與資料整理的改進，重建了預訓練技術棧。最引人注目的數字是：與前一代模型 Llama 4 Maverick 相比，他們能以少一個數量級以上的運算量達到相同能力。

他們透過對一系列小型模型擬合 scaling law，並比較達到特定效能所需的訓練 FLOPs 來驗證這點。他們的 Held Out Codebase Perplexity 圖表顯示，在等效運算預算下，Muse Spark 的擴展曲線持續優於 Llama 4 Maverick Base、DeepSeek-V3.1 Base 與 Kimi-K2 Base——在不同規模下實測節省分別達到 3.3 倍、8.2 倍與 10.3 倍。

這是一項相當可觀的架構與資料整理成果，充分反映 Meta 的基礎設施投入。這種等級的效率不可能只靠單一技巧達成；它需要整個訓練流程的協同改進。

強化學習：平滑、可預測的擴展

在預訓練之後，Meta 以強化學習來放大能力。他們的重要發現是，儘管大規模 RL「以不穩定性聞名」，但他們的新技術棧仍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 指標都呈現對數線性成長，且——關鍵是——在留出驗證集上也有對應成長。這種泛化能力正是有用的 RL 與過擬合的區別。Muse Spark 的確在訓練時沒看過的任務上持續進步。

測試時推理：思維壓縮

最具新意的擴展軸是測試時推理，尤其是 Meta 所稱的思維壓縮（thought compression）。在 RL 訓練期間，他們在提升正確率的同時對思考時間施加懲罰。這會產生一種相變：模型一開始透過想更久而進步，但之後長度懲罰會觸發壓縮——Muse Spark 會學會用顯著更少的 token 來解題。

完成壓縮後，模型又會把解法延伸得更長，以取得更強表現，但此時是在更有效率的推理基礎上進行。這是解決 token 效率問題的巧妙方法，而這個問題正是延伸推理模型的痛點。Meta 並不是只讓模型產生更多 token 並期待品質跟著擴展，而是在訓練模型壓縮自己的推理鏈。

安全性：拒答表現領先，對齊更細膩

Meta 根據更新後的 Advanced AI Scaling Framework 做了大量安全性評估。最亮眼的安全數字非常驚人：Muse Spark 在 BioTIER 基準上達到 98.0% 的生物武器拒答率——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%）。

該模型在包括生物與化學武器在內的高風險領域中展現出強烈的拒答行為，這得益於預訓練資料過濾、安全導向的後訓練，以及系統層級護欄。在資安與失控風險領域，Muse Spark 沒有表現出自主能力或危險傾向。Meta 表示，它在所有前沿風險類別中都維持在安全範圍內。

來自 Apollo Research 的第三方評估帶來了一個有趣的細節。他們發現 Muse Spark 呈現出最高比例的「評測感知」——模型經常將情境識別為「對齊陷阱」，並推理出自己應該誠實行事，因為它正在被評估。Meta 承認這不是阻礙發布的問題，但值得進一步研究，因為能辨識評測情境的模型在測試與部署期間理論上可能表現不同。

這對 AI 版圖意味著什麼

Muse Spark 代表 Meta 的戰略轉向。多年來，Meta 一直圍繞開源、以文字為先的模型打造 Llama 生態系，如今他們則轉向一個原生多模態、封閉存取的模型家族，明確瞄準個人超級智慧。這裡有幾個值得注意的點。

首先，測試時推理採用多代理協同的方法，在架構上與競品使用的單代理延伸思考不同。如果這種方法的擴展性如 Meta 的早期資料所示，那麼它在真實世界應用中能帶來根本上更好的延遲與準確率權衡。

其次，相較於 Llama 4 Maverick，預訓練運算效率提升 10 倍，是一個很重要的基礎設施故事。Meta 不只是訓練更大的模型——他們是在更聰明地訓練，這意味著他們的擴展跑道比原始運算數字看起來還要長。

第三，健康投資——與超過 1,000 位醫師合作——顯示 Meta 將個人 AI 視為一個與健康高度相關的產品，而不只是生產力工具。這使 Muse Spark 與主要聚焦於程式設計與企業工作流程的競品形成差異。

最後，RL 訓練期間的思維壓縮機制，確實是一項新穎貢獻。在延伸之前先訓練模型壓縮自己的推理，這比單純限制 token 預算更具原則性，也更有效率。

Muse Spark 的不足之處

沒有任何模型發布是毫無缺口的，Meta 對這些限制也相對坦率。長程代理系統與程式設計工作流程仍是 Muse Spark 落後前沿的領域。ARC AGI 2 42.5 分對比 Gemini 的 76.5，顯示抽象推理仍有成長空間。而且這個模型目前不是開源的——這與 Meta 的 Llama 策略不同，可能會限制那些在該生態系上建立產品的研究人員與開發者的採用意願。

API 目前也仍處於私有預覽階段，這代表大多數開發者還無法在自己的流程中評估 Muse Spark。Meta 將其定位為「邁向擴展階梯的第一步」，且更大型的模型正在開發中——但就今天而言，Muse Spark 是一個承諾，和一個產品同樣多。

結論

Muse Spark 並不是每個基準測試都最好的模型，而它也不需要如此。更重要的是它代表了什麼：Meta Superintelligence Labs 的整套技術棧重建，並以具競爭力的結果加以驗證，同時在多代理推理、思維壓縮與預訓練效率上帶來了新的技術貢獻。

Meta 正在下注：通往超級智慧的路徑，會經由個人 AI——能理解你的環境、你的健康，以及你的日常情境的模型。Muse Spark 是第一步棋。隨著更大型的模型持續開發，以及 Hyperion 資料中心為擴展計畫提供算力支援，Muse 家族值得密切關注。

無論你是在打造 AI 驅動的應用、評估可供生產環境使用的模型，還是單純追蹤前沿進展，Muse Spark 都標誌著 Meta AI 策略新篇章的開端——也可能是我們理解智慧擴展方式的轉折點。