Meta发布MuseSpark AI：单一框架处理文本与视觉，计算量减至1/10

Meta Muse Spark 引入并行推理智能体与多模态 AI，声称效率提升达十倍。

Meta 已正式推出 Muse Spark，这款全新人工智能模型标志着其 AI 战略的重新调整。

该模型是 Meta 超级智能实验室发布的首款成果，融合了多模态推理能力与智能体式任务执行方式。

此次发布正值各大科技公司竞相定义聊天机器人之后 AI 的下一阶段。

与此前模型不同，Muse Spark 能够在单一框架内同时处理文本、图像及工具调用。

该系统还首次引入多个推理智能体并行运作的机制。

Meta 表示，这一设计能提升解决复杂问题的表现，不过公司也承认目前仍存在不足。

Muse Spark 折射出更广泛的行业转向——即构建能够解读并依据视觉与现实世界数据采取行动的系统。

该模型可分析图像、解答视觉类 STEM 问题，并能结合上下文理解来识别物体。它还能对视觉输入进行逐步推理，Meta 将此功能描述为“视觉思维链”。这些能力支撑起更具实用性的应用场景。

用户可让系统排查家电故障，或借助带标注的视觉指引完成操作步骤。模型还可生成交互式内容，包括基于用户提示构建的简易小游戏。不过，此类功能在行业内仍表现参差不齐。

尽管各公司都在强调多模态方面的进步，但稳定的真实世界表现依然落后于受控基准测试结果。

并行智能体，更高风险

Meta 引入的一项关键功能名为“沉思模式”。该模式可让多个推理智能体并行运行，旨在更有效地处理更困难的任务。

此举与竞争对手通过在推理阶段增加算力投入以扩展推理能力的做法相呼应。

据 Meta 披露，Muse Spark 在“人类终极考试”基准上得分为 58%，在“前沿科学研究”任务上得分为 38%。

这些基准旨在评估模型应对复杂推理问题的表现。

然而，由于各家评估方法不同，此类分数在不同模型间难以直接比较。

公司表示，该系统在未降低回应多样性的前提下提升了可靠性。

并称其在训练数据覆盖范围之外的任务上同样取得增益。针对这些说法的独立验证仍然有限。

规模效率成为焦点

本次发布背后是一轮更大规模的基础设施调整。Meta 称在过去九个月内重构了训练流程，重点聚焦模型设计、优化与数据筛选。

公司宣称，这些改动使 Muse Spark 在达到相近性能水平时所需的计算量远低于此前系统。

根据 Meta 说法，相较于其前代 Llama 4 Maverick 模型，Muse Spark 用不足十分之一的算力便实现了可比的成果。

若该数据准确无误，这一效率提升有望降低开发更大型 AI 系统的成本。

强化学习仍是该方法的核心。

Meta 报告称，随着训练规模的扩大，模型在训练任务与评估任务上均持续稳步提升。公司认为这表明相较于早期方法常见的性能不稳定问题，当前进展更具可预测性。

Meta 将 Muse Spark 定位为实现所谓“个人超级智能”的早期一步。该愿景的核心是让 AI 系统理解用户所处环境并提供个性化辅助。

健康领域是首批重点方向之一，相关训练数据与医生合作开发，旨在优化医学解释能力。

Muse Spark 现已在 Meta 的 AI 平台上线，并向开发者提供有限的 API 访问权限。

此次发布凸显出 AI 竞争焦点的转移。企业不再仅仅打造更聪明的模型，而是在构建旨在真实世界中运作的系统——即便可靠性与验证仍是悬而未决的问题。

如果朋友们喜欢，敬请关注“知新了了”！