智东西

编译 | 茄子

编辑 | 程茜

智东西 7 月 10 日消息，昨晚，Meta 超级智能实验室发布其迄今最强多模态推理模型 Muse Spark 1.1。该模型专为 Agent 任务打造，重点提升了工具调用、电脑操作、编程以及多模态理解能力，能够围绕用户目标规划任务并调用外部工具完成复杂工作流。

Meta 发布 Muse Spark 1.1（图源：X）

同日，Meta 正式推出新 Meta 模型的 API 公开预览版，开发者可以通过 API 调用 Muse Spark 1.1。这也是 Meta 首次向开发者推出付费版本。目前该模型已在 Meta AI 移动端 App、官网 meta.ai 上线，用户可在思考模式下使用该模型。

Muse Spark 1.1 支持 100 万 Token 上下文窗口，且该模型输入价格为每百万 Token 1.25 美元（约合人民币 8.49 元），输出价格为每百万 Token 4.25 美元（约合人民币 28.86 元），低于当前多款主流闭源模型。

大模型价格对比（智东西制表）

Meta 创始人兼 CEO 马克 · 扎克伯格（Mark Zuckerberg）也在 X 上发文宣传该模型，这是扎克伯格 3 年来首次在 X 上发文。有网友戏称，竟然不知道扎克伯格还有 X 账号。

扎克伯格发文宣传 Muse Spark 1.1 与网友评论（图源：X）

马斯克也来凑热闹，在扎克伯格的评论区留下了 "Jinx"。

马斯克的评论（图源：X）

相比传统大模型主要用于回答问题和生成内容，Muse Spark 1.1 进一步强化了 AI 执行任务的能力。Meta 称，该模型可以协调多个 Agent 共同完成任务，管理 100 万 token 上下文窗口，并在长期任务中保持此前操作记录和关键信息。

除了 Agent 能力外，在编程方面，Meta 称，Muse Spark 1.1 在复杂编程任务中实现明显提升，可完成大型代码库理解、Bug 修复和功能开发，并支持 Agent 编程中的规划、协作与上下文管理。

Muse Spark 1.1 在编程能力方面较 Muse Spark 有很大提升（图源：Meta）

同时，Meta 称，通过此次升级，Muse Spark 1.1 进一步提升了模型性能与效率。结合前天发布的图像模型 Muse Image，Meta 认为两款模型正推动其 " 个人超级智能 " 愿景落地，即让 AI 模型能够帮助用户实现目标、创造内容、增强社交连接，并围绕用户关注的事情主动采取行动。

超级智能实验室负责 Alexandr Wang 发文称，Muse Spark 1.1 在多项智能体评估中，可与 GPT-5.5 和 Opus-4.8 相媲美。

Alexandr Wang 发文（图源：X）

一、Agent 能力全面升级，Muse Spark 1.1 可规划任务并完成复杂工作流

Meta 称，Muse Spark 1.1 是一款面向 Agent 场景设计的多模态推理模型，重点优化了任务规划、工具调用、复杂工作流执行以及多模态理解能力。相比传统聊天模型只能根据指令生成回答，Muse Spark 1.1 能够围绕用户目标拆解任务，制定执行计划，并调用外部工具完成连续操作。

在 Agent 协作场景中，Muse Spark 1.1 既可以作为主 Agent 负责收集信息、制定计划，并将任务分配给多个子 Agent，也可以作为子 Agent 执行具体工作。Meta 称，该模型能够零样本适配新的原生工具、MCP 服务器以及自定义技能，无需针对每个工具重新训练。

此外，Muse Spark 1.1 支持管理 100 万 token 上下文窗口，能够记录此前执行过的操作，从更早任务阶段检索信息，并通过上下文压缩保留后续工作所需的重要内容。

在 Computer Use 场景中，该模型可以跨多个应用执行连续任务，并根据需求选择直接操作界面或生成自动化脚本。

在实际应用中，由于新的情境会不断出现，任务也会随之发生改变，而 Muse Spark 1.1 则可以根据情境的变化自行更行任务要求。比如，Muse Spark 1.1 在处理晚宴订单时能够感知到这些变化，并在无需用户干预的情况下进行必要的更新。

Muse Spark 1.1 处理任务时可根据场景变化自行更新任务要求（图源：Meta）

除了任务执行能力，Muse Spark 1.1 也强化了 Agent 编程能力。Meta 称，该模型能够处理大型复杂代码库，完成 Bug 诊断与修复、新功能开发以及代码迁移等任务，并支持规划模式、目标控制、子 Agent 调用和上下文压缩等 Agent 编程能力。

在编程测试平台 OpenCode 测试中，Muse Spark 1.1 能够创建聊天网页应用，通过自动截图发现界面问题，定位相关代码并完成修复验证。

与此同时，Muse Spark 1.1 进一步增强视觉、音频理解和多模态工具调用能力。Meta 称，该模型能够结合视觉和音频信息，在长流程任务中保留关键细节，并利用这些信息帮助用户完成现实环境中的操作。

比如，在 Facebook 二手交易市场上，Muse Spark 1.1 可以根据用户拍摄的视频提取商品信息，分析商品内容，并代表用户完成商品发布。

Muse Spark 1.1 可根据用户拍摄的视频提取信息并完成商品发布任务（图源：Meta）

二、多模态图像功能强大，但存在稳定性问题

Muse Spark1.1 上线后，不少网友对它进行了实测。

开源开发者与技术博主 Simon Willison 拿到几天预览权限，他对 Muse Spark 进行了经典的鹈鹕骑自行车 SVG 测试。比起测试，他认为，Muse Spark 1.1 的评估报告中让两个 Muse Spark 1.1 模型进行对话，而模型谈及关于自身存在的话题非常有趣。

Simon Willison 对 Muse Spark 1.1 的测试（图源：Simon Willison ’ s Blog）

AI 数据和代码工作平台 Julius AI 创始人 rahul 在 Julius 代码工作台里，调用了 Meta 的 Muse Spark 1.1 大模型，直接让 AI 写出、运行整套《我的世界》游戏工程。

rahul 对 Muse Spark 1.1 的测试（图源：X）

还有用户对 Muse Spark1.1 的图像识别功能进行了测试，他让该模型识别图中的食物能不能食用，Muse Spark1.1 回答不能食用，通过了测试，该用户还提到，在同样的测试中，Claude Fable 5 没有通过。

用户对 Muse Spark1.1 的图像识别功能的测试（图源；X）

也有用户对 Muse Spark1.1 的能力提出了质疑，他称，搭载 Muse Spark 1.1 大模型的 Meta AI iPad 客户端稳定性极差，运行时频繁闪退、输出文本乱码断裂，认为新版本模型存在严重稳定性 bug。

用户对 Muse Spark1.1 的不稳定性的吐槽（图源；X）

还有用户吐槽 Meta AI 连一个普通的 Excel 表格都做不好。

用户对 Meta AI 的生成表格功能的质疑（图源；X）

三、Muse Spark 1.1 多项 Agent 任务超越 GPT-5.5 和 Claude Opus 4.8

为验证 Muse Spark 1.1 的综合能力，Meta 公布了内部 Benchmark 测试结果，同时该模型也进入 Vals AI 等第三方评测榜单。测试显示，Muse Spark 1.1 的优势主要集中在 Agent 任务执行、工具调用、软件工程以及多模态理解等方向。

在 Meta 内部测试中，Muse Spark 1.1 在 MCP Atlas 工具调用测试中获得 88.1 分，排名第一，高于 Claude Opus 4.8（max）的 82.2 分和 GPT-5.5（xhigh）的 75.3 分；在 JobBench 职业场景工具使用测试中获得 54.7 分，同样排名第一。

Muse Spark 1.1 多项基准测试评分（图源：Meta）

在计算机操作和软件工程任务中，Muse Spark 1.1 在 OSWorld-Verified 计算机操作测试中获得 80.8 分，仅次于 Claude Opus 4.8 的 83.4 分；在 Terminal-Bench 2.1 终端编程测试中获得 80 分，在 SWE-Bench Pro 软件工程测试中获得 61.5 分。

此外，在 Meta Internal Coding Bench 内部代码测试中，Muse Spark 1.1 获得 68.3 分，高于上一代 Muse Spark 的 58.8 分。

第三方评测方面，大模型测试平台 Vals AI 数据显示，Muse Spark 1.1 在 Vals Index 综合测试中排名第 4，准确率达到 68.41%；在 Vals Multimodal Index 多模态测试中排名第 6，准确率达到 66.74%。

Muse Spark 1.1 在 Vals AI 多项测试中的评分（图源：Meta）

具体任务测试中，Muse Spark 1.1 在 Finance Agent v2 金融 Agent 测试中排名第 2，在 CorpFin v2 企业金融分析测试中排名第 2，在 MedScribe 医疗记录处理测试中排名第 1；代码能力方面，该模型在 Vibe Code Bench v1.1 代码生成测试中排名第 5，在 SWE-bench 软件工程测试中排名第 7。

在法律智能体、税务、医疗文书三大垂直行业专业测试里，Meta 最新模型 Muse Spark 1.1 全部拿到第一名，尤其法律智能体任务拉开极大差距；Anthropic、OpenAI、Grok 系列模型在行业专业实操能力上整体弱于 Muse Spark 1.1。

Muse Spark 1.1 在 Vals AI 关于法律、金融、医疗方面测试均为第一（图源：Meta）

结语：Agent 竞争进入执行能力阶段，模型商业化仍需解决成本问题

随着 OpenAI、谷歌、Anthropic 等公司持续推进 Agent 方向，大模型竞争正在从文本生成、知识问答能力，转向任务规划、工具调用以及复杂工作流执行能力。

过去，模型能力更多通过参数规模、推理性能和生成质量衡量；而在 Agent 场景中，模型不仅需要理解用户需求，还需要调用工具、管理上下文并完成连续任务。因此，如何提升模型在真实环境中的执行效率，正在成为下一阶段竞争重点。

与此同时，随着 Agent 应用逐渐从个人助手走向企业生产场景，模型成本也成为规模化部署的重要因素。更低的推理成本、更开放的调用方式以及更稳定的任务执行能力，将影响 AI Agent 能否真正进入更多实际业务流程。

来源：Meta、X