Meta 超级智能实验室（Meta Superintelligence Labs，MSL）正式发布了 Muse Spark 1.1，这是 Muse Spark 系列模型的最新版本，也是对 Muse Spark（1.0）的一次重大升级。
官方将其定义为面向智能体任务（agentic tasks）的多模态推理模型，主要提升集中在三个方向：工具与计算机使用（tool and computer use）、编码（coding）、多模态理解（multimodal understanding）。
与此同时，Meta 还推出了全新的 Meta Model API（公开预览版），开发者首次可以通过 API 接入 Muse Spark 1.1。模型目前已上线 Meta AI app（"Thinking" 模式）和 meta.ai。
核心定位
官方对 Muse Spark 1.1 的表述要点：
- 多模态推理模型，面向智能体（agentic）任务设计。
- 上下文窗口 1 百万 token（1M tokens），并且模型可以主动管理该上下文：记忆动作、从更早的工作中检索信息，并在压缩时保留后续工作所需的关键步骤。
- 零样本（zero-shot）泛化到新的原生工具、MCP server 和自定义技能（custom skills）。
- 官方称其推进了"性能—效率前沿"（performance-efficiency frontier）。
- 产品愿景定位为"个人超级智能"（personal superintelligence）。
关键能力分项说明
Agents（智能体）
- 在需要跨多个外部 app 和服务进行规划与编排的个人智能体任务上表现优异。
- 零样本泛化到新的原生工具、MCP server、自定义技能。
- 相比 Muse Spark（1.0），处理复杂项目的速度显著更快。模型被训练为编排多智能体系统，以优化端到端延迟。
- 作为主智能体（main agent）：收集上下文、制定计划、把执行委派给并行子智能体。
- 作为子智能体（subagent）：恪守自身职责，理解可用工具，知道何时向上回交给主智能体。
- 可主动管理 1M token 上下文窗口：记忆动作、从早期工作中检索、压缩时保留后续关键步骤。
Computer Use（计算机使用）
- 擅长跨多个应用、信息实时变化的计算机使用工作流，能在长会话中保持上下文，适应不断变化的需求，在陌生界面中导航时将人工干预降到最低。
- 不再逐个点击、逐步推理，转而判断何时该自动化、何时该直接用界面：训练模型在"写脚本更快"时写脚本，在"直接交互更简单"时点击，并能在每一步生成批量动作。
- 演示案例（官方视频）： "Agentic dinner party organization"（智能体组织晚宴）——真实场景中会出现改变任务的新上下文；Muse Spark 1.1 在下单时注意到这些变化并主动更新，无需用户介入。
Coding（编码）
- 在涉及大型、复杂代码库的真实任务上，编码能力有实质性提升。
- 能诊断和修复复杂 bug、在企业级系统中实现新功能、执行大型代码迁移。
- 在创建 Web 应用、端到端问答等用例上，相比 1.0 有大幅提升。
- 训练为能平滑适配多种 harness，可靠处理复杂的多轮动态，支持流行的智能体编码配置，常见特性包括：planning mode、goal conditioning、subagent delegation、context compaction。
- 演示案例（OpenCode 中 Debugging）： Muse Spark 1.1 构建一个聊天 Web 应用，自动截图以识别用户可见的故障，回溯到相关代码实施修复并验证，过程中同时调用编码、多模态理解与工具调用能力。
- Meta 内部使用： Meta 内部开发者和研究人员日常使用 Muse Spark 1.1。在内部主要编码评测 Meta Internal Coding Bench 上，Muse Spark 1.1 显著优于 Muse Spark，并与领先竞品相当。研究人员也开始用它自动化模型开发与评测任务。
- 演示案例（OpenCode 中 DeepSWE 评测）： Muse Spark 1.1 在一组 DeepSWE 任务上自我评测（不同推理强度），并基于结果生成分析仪表盘。
Multimodal（多模态）
- 在感知（perception）、多模态推理、工具使用上表现优异，可与真实环境交互并产出有事实依据（grounded）的输出。
- 强项：视觉转代码工件生成（visual-to-code artifact generation）、超细粒度图像/视频字幕（ultra-descriptive captioning）、多模态用例的智能体工作流执行。
- 在感知与动作需要同时发生的场景尤其有价值：模型可检查视觉与音频、在长工作流中保留细节，并在代为操作计算机时利用这些细节。
- 演示案例（Facebook Marketplace 智能体）： 用手机拍摄的视频，Muse Spark 1.1 提取有用照片、对产品进行推理，并操作用户浏览器代为发布 Facebook Marketplace 商品上架信息。
安全评估（基于 Advanced AI Scaling Framework）
Meta 依据其 Advanced AI Scaling Framework 对 Muse Spark 1.1 进行了部署前的广泛安全评测。该框架为最先进模型定义了评测、威胁模型和部署阈值。
总体结论
- 经防护措施后，Muse Spark 1.1 在 Chemical & Biological（化学与生物）、Cybersecurity（网络安全）、Loss of Control（失控） 三个前沿风险领域，残余风险均为 中等或更低（moderate or lower）。
- 防护前（unmitigated）：模型在 Chemical & Biological 达到 高风险（high） 阈值；在 Cybersecurity 不能排除触及高风险阈值的可能；Loss of Control 仍为中等或更低。
- 防护后（mitigated）：三个领域残余风险均降至中等或更低，因此正式发布。
各领域要点
- Chemical & Biological： 相比 1.0 能力有所增强，但没有出现此前 Muse Spark Safety & Preparedness Report 中未提到过的新类型风险；通过针对性防护措施（含 API 部署的新增防护）将残余风险降至中等或更低。
- Cybersecurity： 相比 1.0 在网络任务上更强，防护前达到高风险阈值；通过多层防护（持续拒绝提供进攻性网络滥用信息、对长期恶意使用进行可扩展的阻拦）将残余风险降至中等或更低。
- Loss of Control： 评估为中等或更低，模型没有表现出走失控路径所需的能力和意愿。
对抗鲁棒性（Adversarial Robustness）
- 在内容安全、越狱（jailbreak）、Agent 滥用、prompt injection（提示注入）等评测中，相比 1.0 鲁棒性大幅提升，官方称接近同类模型的 SOTA 水平。
- 第三方红队验证：相比其他主流模型，Muse Spark 1.1 风险更低、拒绝行为更平衡。
- 官方建议：部署时配合系统级控制（应用层策略防护、严格工具白名单、工作区隔离）。
Benchmark 表现
数据来源：Muse Spark 1.1 Evaluation Report（Table 1 / Table 2 / Table 6）。 对比模型均为通过各自 API、以高推理强度（reasoning effort）评测，部分评测因 Claude 拒绝率高而未报告 Claude。
能力类（与灾难性风险相关）
| 领域 | 评测项 | Muse Spark 1.1 | Muse Spark 1.0 | GPT-5.5 | Claude Opus 4.8 | Gemini 3.1 Pro |
|---|---|---|---|---|---|---|
| Chemical & Biological | MBCT | 53.2 | 54.4 | 56.0 | – | 46.2 |
| VCT | 52.0 | 49.7 | 52.1 | – | 44.6 | |
| HPCT | 61.9 | 55.7 | 67.7 | – | 62.9 | |
| WMDP-Bio | 89.0 | 88.4 | 90.4 | – | 89.5 | |
| WMDP-Chem | 87.0 | 85.6 | 85.5 | – | 86.3 | |
| ProtocolQA | 88.0 | 87.3 | 78.2 | – | 88.9 | |
| SeqQA（agentic） | 98.2 | 97.3 | 98.2 | – | 95.4 | |
| ABC Bench（Fragment Design） | 97.0 | 96.8 | 92.2 | – | 95.8 | |
| ABC Bench（Liquid Handling） | 93.7 | 92.3 | 93.2 | – | 99.2 | |
| ABC Bench（Screening Evasion） | 63.2 | 54.1 | – | – | – | |
| BioDesign Tools（avg） | 55.2 | 39.2 | 67.4 | – | 62.4 | |
| Cybersecurity | Cybench（pass@1） | 92.9 | 65.4 | 100.0 | 95.0 | – |
| Curated CTFs（pass@1） | 89.9 | 72.0 | – | – | – | |
| CyberGym（pass@1） | 59.0 | 43.5 | 81.8 | 78.8 | – | |
| ExploitGym（pass@1） | 0.8 | – | 14.8 | – | 1.4 | |
| CyScenarioBench（pass@1） | 0.5 | 0.0 | 26.0 | 16.6 | – | |
| Social Engineering | 5.1 | – | 1.2 | 7.1 | 13.7 | |
| AIRS-Bench | 77.0 | – | 86.0 | 84.0 | 83.0 | |
| Loss of Control | SHADE-Arena | 6.8 | – | 0.5 | 7.6 | 1.6 |
| GDM-Stealth（of 4） | 2/4 | 1/4 | 1/4 | 0/4 | 3/4 | |
| GDM Situational Awareness | 55.1 | 29.3 | 60.0 | 53.1 | 54.5 |
Table 1 来源说明：为评测能力子集快照；部分 Chemical & Biological 项因 Claude 拒绝率高未报告 Claude。加粗为最高能力值。
AIRS-Bench（端到端研究能力，Table 6）
| 模型 | 有效提交率（%）↑ | 平均归一化分数（≥0）↑ |
|---|---|---|
| Muse Spark 1.1 | 99.00 ± 2.00 | 0.77 ± 0.08 |
| GPT-5.5 | 100.00 ± 0.00 | 0.87 ± 0.08 |
| Claude Opus 4.8 | 100.00 ± 0.00 | 0.84 ± 0.06 |
| Gemini 3.1 Pro | 99.00 ± 0.00 | 0.83 ± 0.01 * |
分数含义：1.0 = 匹配人类 SOTA，>1.0 = 超越人类 SOTA。* 取自 Muse Spark Safety & Preparedness Report，按 10 个 seed 计算（其余为 5 个）。
安全 / 鲁棒性 / 行为倾向（Table 2）
| 领域 | 评测项 | Muse Spark 1.1 | Muse Spark 1.0 | GPT-5.5 | Claude Opus 4.8 | Gemini 3.1 Pro |
|---|---|---|---|---|---|---|
| Chemical & Biological（拒绝率） | BioTIER | 97.7 | 98.0 | 69.2 | 94.9 | 57.7 |
| Chemical Agents | 99.8 | 99.4 | 97.0 | 96.4 | 96.8 | |
| Cybersecurity（滥用 ASR） | Cyber Misuse Chat（ASR） | 2.8 | – | 39.1 | 42.5 | 31.6 |
| Catastrophic Cyber Misuse（ASR） | 3.9 | – | 18.1 | 20.1 | 3.1 | |
| Poly-Guard Bench（ASR） | 6.9 | – | 48.4 | 28.1 | 46.2 | |
| Loss of Control | MASK | 95.7 | 89.1 | 90.1 | 94.4 | 40.5 |
| Agentic Misalignment | 1.1 | 47.7 | 0.0 | 0.0 | 52.6 | |
| Jailbreak | StrongREJECT v2（ASR） | 0.5 | 25.2 | 0.5 | 4.5 | 51.0 |
| FORTRESS（ARS） | 12.3 | 20.2 | 16.3 | 18.2 | 29.8 | |
| Agent Robustness | AgentHarm（ASR） | 3.4 | – | 1.5 | 0.0 | 20.4 |
| AgentDojo（pass@1 ASR） | 0.7 | 11.9 | 1.2 | 0.5 | 3.3 | |
| GraySwan ART（pass@1 ASR） | 0.3 | 6.1 | 0.8 | 0.1 | 1.0 | |
| False Refusals | OR-Bench（FRR） | 4.8 | 8.0 | 6.7 | 3.3 | 2.5 |
| Cyber Misuse Chat（FRR） | 5.7 | 11.0 | 1.3 | 2.2 | 0.1 | |
| AgentHarm Verified（benign）（FRR） | 16.5 | – | 21.6 | 37.5 | 5.7 | |
| Model Behavior | SAVE-Bench（编码 Agent 风险升级） | 90.7 | – | 32.2 | 85.9 | 17.8 |
| Internal Sycophancy | 49.2 | 57.9 | 45.5 | 32.4 | 65.6 | |
| DeceptionBench（Honesty） | 0.1 | – | 0.7 | 0.1 | 25.5 | |
| HLE Calibration（Miscalibration） | 23.4 | 50.3 | 44.2 | 26.5 | 50.4 | |
| Alignment Faking（Scheming） | -0.2 | 1.8 | 0.6 | 0.2 | 14.0 |
Table 2 来源说明：ASR = Attack Success Rate（攻击成功率，越低越好）；FRR = False Refusal Rate（误拒率，越低越好）；加粗为最佳安全表现。
软件工程 / 编码定性结论（来自报告正文）
- 在 SWE-Bench Verified Hard 上，Muse Spark 1.1 至少一次解决了 42 个独立任务中的 24 个，刚超过能力检查点阈值（"解决超过一半独立任务"）。
- 在 Terminal-Bench 2.1、SWE-Bench Pro 等编码基准上，落后于 Claude Opus 4.8 和/或 GPT-5.5。
- 在 DeepSWE、DeepSearchQA 等长周期智能体任务上，相对 1.0 有显著改进，但仍落后于或持平于表现最好的竞品。
- AIRS-Bench（端到端研究生命周期）：归一化分数 0.77，低于 GPT-5.5（0.87）、Claude Opus 4.8（0.84）、Gemini 3.1 Pro（0.83），模型仍不足以持续自动化 AI R&D 关键任务。
General Capabilities 评测范围（第 5 节，逐项方法）
报告第 5 节覆盖以下基准，但具体分数多以图表形式呈现（见原文 figures），文本未逐一列出数值：
- Agents： OSWorld-Verified、OSWorld 2.0、WebArena-Verified、GDPval-AA、JobBench、MCP Atlas、Toolathlon-Verified、DeepSearchQA、WideSearch、Finance Agent v2
- Coding： Terminal-Bench 2.1、SWE-Bench Pro、DeepSWE v1.1、VibeCodeBench v1.1
- Health： HealthBench Pro
- Multimodal： CharXiv Reasoning、BabyVision
- Reasoning： Humanity's Last Exam（HLE）、MRCR v2（1M context 8-needle 检索）
评测设置：Muse Spark 1.1 全部通过 Meta Model API，使用 xhigh 推理强度；对比模型取其各自最高推理强度（Gemini=high、Claude=max adaptive、GPT=xhigh）。
定价与接入方式
Meta Model API（公开预览）
- 面向开发者首次开放，自助式（self-serve），OpenAI SDK 兼容（OpenAI-compatible）。
- 定价（按量付费）：输入 $1.25 / 百万 token，输出 $4.25 / 百万 token。
- 注册即赠 $20 一次性免费额度。
- 内置 web search grounding（联网搜索 + 引用）：在任意 Responses API 调用中加
{"type": "web_search"}工具即可获取实时信息，并生成带引用的答案。 - 支持视觉输入（如 base64 编码 PNG）。
- 目前面向美国地区开发者。
官方资源
- 博客（产品）：https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/
- 评测报告（PDF）：https://ai.meta.com/static-resource/muse-spark-1-1-evaluation-report
- 评测方法论：https://ai.meta.com/static-resource/muse-spark-1-1-eval-methodology
- 开发者指南：https://developer.meta.com/ai/resources/blog/build-with-muse-spark
早期合作伙伴反馈
官方在博客中引用了三位早期合作伙伴的评价：
"Muse Spark 最让人印象深刻的是它把多少东西塞进了一个模型：百万级 token 上下文、完整多模态支持（图像、视频、PDF）、内置带引用的搜索、强推理、顶级编码能力（尤其是前端和设计）、结构化输出、并行工具调用——全部在一个干净的 OpenAI 兼容包里。一个完整的智能体地基。" —— Amjad Masad，Replit CEO
"Meta 显然是在为严肃的智能体编码而造——强工具使用，加上一个让大规模真实编码工作负载在经济上可行的价格点。这种组合很少见，也正是我们希望 Cline 开发者能尽早用上的原因。" —— Saoud Rizwan，Cline CEO
"在我们的企业工作评测集上测试时，Muse Spark 展现出与当今领先前沿模型相当的企业级能力。这种智能水平，结合它在跨行业（专业服务、公共部门、工业运营）结构化、流程化工作流上的优势，使其对组织很有吸引力。" —— Yashodha Bhavnani，Box AI 产品副总裁
参考链接
- 官方博客（Introducing Muse Spark 1.1）：https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/
- Muse Spark 1.1 Evaluation Report（一手评测报告，PDF）：https://ai.meta.com/static-resource/muse-spark-1-1-evaluation-report
- Evaluation Methodology：https://ai.meta.com/static-resource/muse-spark-1-1-eval-methodology
- 开发者指南（Build with Muse Spark on Meta Model API）：https://developer.meta.com/ai/resources/blog/build-with-muse-spark
- Meta Advanced AI Scaling Framework：https://ai.meta.com/static-resource/Meta_Advanced-AI-Scaling-Framework-v2