Meta团队耗时九个月打造的大规模语言模型终于问世了！这款新模型由余家辉、宋飏和Jason Wei等专家共同研发，旨在解决Llama系列之前的不足。
一水主打原生多模态
再见了，所有的羊驼。
亚历山大王领导的团队在短短九个月内完成了对Meta所有AI技术栈的重建工作，并成功推出了超级智能实验室的第一个项目：Muse Spark。
Muse Spark的主要特点在于其原生多模态能力。
模型发布后，Meta股价随即上涨了约7%，最高涨幅接近10%，最终收盘时增长了6%左右。
这一新产品的市场反响热烈。
对这款模型的研究表明，背后汇聚了一批业内顶尖的专家：包括思维链理论的主要作者Jason Wei、o1项目的核心贡献者Hyung Won Chung以及被马克·扎克伯格以高价挖来的余家辉等。
当这些专家共同合作时，不难发现一个关键点：推理能力。
Jason Wei透露，在九个月前的讨论中，他们就确定了要开发一款专为逻辑推理设计的语言模型脚本，并且现在这款完全体终于面世。
通过顶尖人才的努力与长时间的技术打磨，Muse Spark在第三方评测中的表现已经足以让Meta进入第一梯队，弥补了Llama系列过去的一些缺陷。
Meta这次的发布策略有所不同，他们并没有强调模型的所有技术优势，而是较为低调地表示：
Muse Spark在多模态感知、推理以及健康问题领域表现出色，但在编程和持续性任务方面仍有提升空间。
这次的发布似乎也缓解了之前llama 4带来的负面情绪（doge）。
此外，Muse Spark的推出终于结束了关于Meta是否会选择开源道路的长期争论：
这次是真闭源了。
目前这款模型已经在Meta官网和应用程序中上线，并且API仅向部分合作伙伴开放。
（不过亚历山大王暗示未来可能会考虑将后续版本开源）
“Meta回来了”
接下来，我们来看一下一些重要的测评结果。
作为Meta迄今为止最强大的语言模型，Muse Spark在以下几个方面尤为突出：
一是多模态理解能力。
在图像转代码、屏幕阅读以及论文图表分析等方面的表现均名列前茅或与Gemini 3.1 Pro、GPT-5.4等顶级产品旗鼓相当。
根据网友的测试反馈，它似乎对图片转码任务特别擅长。
它在文本处理方面同样表现出色（doge），在近期的一次挑战中，轻松通过了新的“弱智吧”风格洗车问答题目的考验。
例如：如果离你一百米的地方有一家洗车店，你会开车去还是步行？Muse Spark的答案是应该开车过去，但不必像上下班那样频繁往返。
此外，它还具备强大的医学知识能力，在开放式健康问答和多模态医学问答的测评中表现出色。
不过在编程和自主任务执行上，Muse Spark仍存在一定的不足之处。
为了尽可能缩小这一差距，Meta团队推出了沉思模式。
这种新模式允许多个代理同时思考同一个问题，并汇总得出最佳解决方案。
在这种策略下，Muse Spark可以与Gemini Deep Think、GPT Pro等极限推理模式直接竞争。
例如，在“人类最后的考试”中，它已经能够轻松应对大多数挑战（尽管在物理竞赛理论题上略逊一筹）。
目前沉思模式正在Meta网站进行灰度测试。
另外值得一提的是，Muse Spark还推出了购物助手功能。
亚历山大王表示，这款模型会根据用户在ins、Facebook和Threads上的偏好信息提供个性化的购物建议。
这次Meta没有给外界留下太多讨论的空间，因为OpenAI之前因为广告问题而受到不少批评。
随着Muse Spark的发布，第三方机构也给出了自己的评测报告：
他们认为Meta已经重新回归人工智能领域的领先地位。
在关键的人工智能分析指数上，其成绩仅次于Gemini 3.1 Pro、GPT-5.4和Claude Opus 4.6。
这一结果也与Muse Spark团队的自我评估基本吻合。
对于外界而言，初步来看，Muse Spark确实帮助Meta重新回到了人工智能的第一梯队。
关于Muse Spark如何实现这一突破，Meta还详细介绍了背后的训练细节。
亚历山大王指出关键在于：九个月的重构工作。
新的技术基础设施、架构以及数据管道均得到了全面升级。
背后训练细节
在预训练阶段，与Llama 4相比，Muse Spark在使用更少计算资源的情况下达到了相似的效果。
强化学习阶段显示了平滑且可预测的性能提升，并具有良好的泛化能力。
测试时间阶段，在引入长度惩罚机制后，“思维压缩”开始生效，模型学会了用更少的token来解决问题。
所有改进都旨在提高每单位算力的价值。
- 为了验证这一点，他们进行了一系列对比实验：用小模型模拟出“计算能力-性能”的Scaling曲线，并据此估算达到特定性能所需的资源量。
- 结果显示，在相同水平下，Muse Spark相比Llama 4减少了十倍以上的计算需求（10.3倍）。
- 预训练完成后，他们利用强化学习进一步增强模型能力。
尽管大规模RL训练通常不稳定，但Meta的新架构声称可以稳定提升性能。
如图所示，随着训练步数增加，模型在训练数据上的成功率呈现对数线性增长。
这证明了强化学习既能提高可靠性又不会破坏推理多样性。
同时，在前所未见的任务上准确率也稳步提升——这表明能力的增强具有可预测性和泛化性，并非简单的机械记忆。
为了实现模型在回答复杂问题前的“思考”阶段，团队继续使用强化学习训练其这种测试时推理的能力。
然而，在这一阶段，由于token使用的高昂成本，如何提高效率成为了关键挑战。
Meta团队采用了两种核心策略来解决这个问题：
一种是时间惩罚机制，鼓励模型用更短的推理路径得出正确答案，迫使它学会“思维压缩”；
另外一个是多智能体协作模式，多个代理或模块共同作业，在不牺牲响应速度的前提下提升整体表现。
在像AIME这样的高难度测试集上，他们观察到了一个有趣的三阶段变化：
模型最初会自动延长思考时间以提高正确率；
但是很快就会触发“思考时间惩罚”，迫使模型简化推理流程，学会用更少的token解决问题。
而在精简之后，模型进一步展现了扩展性能——能够在高效的基础上继续优化解法，最终实现用较少资源获得更强的表现力。
尽管Muse Spark已经将Meta带回了第一梯队，但在编程和代理类任务上仍有改进空间。
新模型发布后不久便出现了一些翻车案例：
有人尝试使用它生成网站，结果三个请求都没成功，并且基础的前端功能也缺失；
后来才发现这可能是偶然错误，在正常情况下模型可以顺利实现这一任务。
在一个简单的编程测试中，Muse Spark虽然产生了很多代码但大多数都不运行；
也不乏翻车的
对于在Python文件中自动微分和神经网络的实施，结果同样不佳。
甚至有网友戏称，训练了1800个周期后损失函数值却一直停滞不前（正常情况下应逐步下降）。
那么问题来了，有试用过的朋友们认为亚历山大王的第一个作品如何呢？
不过后来贴主发现可能是偶然错误，模型正常情况下做出来的前端是这样的。
一个简单的编程任务，Muse Spark虽生成了一大堆东西，但根本跑不通。
在一个Python文件里实现自动微分（autograd）和神经网络。
网友甚至调侃，模型根本没在学，训练了1800个epoch，损失函数却一直卡在同一个值上没动过。
白白浪费算力了……
（正常情况下，随着训练进行损失应该逐步下降，表明模型在“学习”）
所以问题来了，有试过的朋友觉得亚历山大王的首个模型如何？