继Llama 4曝出基准刷榜丑闻、旗舰模型Behemoth项目搁置等问题之后，扎克伯格决定彻底推倒重来。

他曾砸下140亿美元挖人，亲自在帕洛阿尔托和太浩湖的豪宅里宴请顶级研究员，最终将前Scale AI首席执行官汪韬（Alexandr Wang）延揽麾下，主持成立Meta超级智能实验室（Meta Superintelligence Labs），并用九个月时间将整个AI技术栈从头重建。

美国当地时间4月8日，这场豪赌的第一张答卷正式亮相：Muse Spark。

这是Meta首款闭源大模型，告别了过去全面开源的路线，将直接为Meta AI助手提供支持，并以API私测形式向少数合作伙伴开放。

根据Meta内部基准测试，Muse Spark在多项指标上超越了谷歌Gemini，与OpenAI和Anthropic的同级模型互有胜负，并在大多数测试中大幅领先于xAI的Grok。消息公布后，Meta股价当日大涨6.5%，市值达到1.55万亿美元。

01 领跑多模态和前沿科学基准测试

成绩单是检验重建成果最直接的标尺。

Meta提供的基准测试图呈现了一份复杂的成绩单：有亮点，也有短板，这或许才是一款“起步款”模型最真实的面貌。

在多模态理解方面，Muse Spark表现突出。图表理解测试CharXiv Reasoning中得分86.4，领先Opus 4.6（65.3）和Grok 4.2（60.9），也高于这一项表现较好的GPT 5.4（82.8）和Gemini 3.1 Pro（80.2）。

具身推理ERQA测试中得分64.7，同样优于Opus 4.6的51.6。健康领域是Muse Spark的另一个显著优势：开放式健康问答HealthBench Hard中得分42.8，远超Opus 4.6的14.8、Gemini 3.1 Pro的20.6和Grok 4.2的20.3，是几家竞争对手中的最高分。

深思模式（Contemplating）的表现同样值得关注。在“人类终极考试”（Humanity’s Last Exam）无工具版本中，Muse Spark深思模式得分50.2，超过Gemini 3.1 Deep Think的48.4和GPT 5.4 Pro的43.9；启用工具后得分58.4，超越Gemini 3.1 Deep Think的53.4，与GPT 5.4 Pro的58.7基本持平。

在“前沿科学研究”（FrontierScience Research）测试中，Muse Spark深思模式得分38.3，不仅大幅领先Gemini 3.1 Deep Think（23.3）和GPT 5.4 Pro（36.7），更是几家中的最高分。这是衡量模型逼近真实科研边界的核心指标之一。

然而成绩单并非全面飘红。在抽象推理ARC AGI 2测试中，Muse Spark得分42.5，明显落后于Opus 4.6（63.3）、Gemini 3.1 Pro（76.5）和GPT 5.4（76.1）；智能体终端编程Terminal-Bench 2.0中得分59.0，低于Opus 4.6的65.4、Gemini 3.1 Pro的68.5和GPT 5.4的75.1；竞技编程LiveCodeBench Pro中得分80.0，也落后于Gemini 3.1 Pro的82.9和GPT 5.4的87.5。办公任务综合评估GDPval-AA Elo中，Muse Spark得分1444，低于Opus 4.6的1606和GPT 5.4的1672。

MMMU-Pro多模态理解测试中，Muse Spark得分80.4，介于Opus 4.6（77.4）和Gemini 3.1 Pro（83.9）之间，与GPT 5.4（81.2）相近。博士级推理GPQA Diamond中得分89.5，低于Opus 4.6（92.7）、Gemini 3.1 Pro（94.3）和GPT 5.4（92.8），差距较为明显。

这份成绩单的背景是“Muse系列首款模型”。Meta在发布文件中反复强调，更大规模的后续模型已在研发之中，当前结果的意义更多在于证明技术栈的规模化可行性，而非宣示性能天花板。

Meta强在多模态感知与前沿科研推理，弱在抽象推理与智能体编程。这份有得有失的成绩单，或许比一份完美的跑分更能说明问题：Meta的重建尚未完成，但方向已经清晰。

02 多智能体并行

Muse Spark最引人注目的架构亮点，是多智能体并行编排机制与多模态感知能力的原生整合，二者共同构成了这款模型区别于竞争对手的核心底色。

当用户提出一个复杂问题，Meta AI不再让单个模型“想清楚再回答”，而是同时派出多个子智能体分头行动。以规划一次佛罗里达家庭旅行为例：一个智能体负责起草总行程，另一个对比奥兰多和基韦斯特各自的利弊，第三个同步搜寻亲子友好型活动，三条线并行推进，最终汇总成一份更快、更完整的答案。

与此对应，Muse Spark推出了“深思模式”（Contemplating mode），直接与Gemini Deep Think和GPT Pro的旗舰推理模式正面竞争。多智能体并行并不意味着更长的等待，它用横向扩展取代了纵向堆叠，在可比时延下实现了更优的综合表现。

大多数AI助手的局限在于只能理解用户输入的文字，Muse Spark试图打破这一边界。拍下机场便利店货架，它能识别并筛选出蛋白质含量最高的零食，无需费力辨读食品标签；扫描一款商品，即可即时与同类产品横向比较。这种能力的本质转变，是AI从“等你解释世界”到“直接与你共同观察世界”。当这一能力搭载于Meta AI眼镜，感知的边界将进一步延伸，摄像头即是AI的眼睛。

健康是多模态能力最具现实价值的落地场景。Meta与逾1000名医师合作策划训练数据，使Muse Spark能够就常见健康问题提供更准确、更全面的回应，涵盖图像与图表的解读。用户可获得交互式健康信息展示，直观呈现不同食物的营养成分或运动动作所激活的肌肉群，将枯燥的健康数据变成可视化的个人参考。

视觉编程能力同样值得一提。用户只需一条自然语言提示，即可直接生成可交互的网页应用或小游戏，数独、复古街机、飞行模拟器，乃至一个策划盛大惊喜派对的管理看板，均可一键分享给他人。这不再是“帮你写代码”，而是“帮你造产品”。

与OpenAI和Anthropic不同，Meta手里握着一张任何外部AI公司都无法复制的牌：十亿级别的社交图谱与内容生态。Muse Spark充分利用了这一独特资产。

购物模式整合了Instagram、Facebook和Threads上已有的创作者内容与品牌叙事，为用户提供穿搭建议、家居方案或礼物推荐，灵感来源不是冷冰冰的算法匹配，而是用户已在关注的真实社群。

当用户搜索某个地点或想了解某个热门话题，Meta AI会在对话中同步呈现丰富而相关的背景信息。点击一个地点，即可看到当地居民的公开帖子；询问某件事的全貌，AI会从社区内容中汇聚真实讨论动态，来自用户自己圈子的信息，在最需要的时刻触手可及。

这是一种与通用搜索截然不同的信息整合逻辑：数据源不是泛化的互联网，而是用户自己的社交世界。Meta还透露，随着功能的持续扩展，Reels短视频、图片与动态帖子将被直接织入对话答案，并附带对原创内容创作者的归因致谢，这既是对创作者生态的承诺，也是Meta区别于所有竞争对手的核心护城河。

扎克伯格对此的定义，是“个人超级智能”：“一个不只回答问题，而是真正理解你世界的AI，因为它本就建立在你的世界之上。”

03 三条规模化轴线：下一代已在路上

发布会的另一层信号，比产品本身更值得关注。Meta首次系统性地公开了其规模化路线图的底层逻辑。

预训练：同等能力，十分之一的算力。过去九个月，Meta从模型架构、优化方法、数据策划三个维度全面重构了预训练技术栈。

通过对一系列小模型拟合规模化定律，Meta得出结论：与Llama 4 Maverick相比，Muse Spark达到相同能力水准所需的训练计算量减少了一个数量级以上。这一效率优势，也使其在主流基础模型横向比较中脱颖而出。

强化学习：平滑增益，可预测泛化。大规模强化学习以训练不稳定著称，但Meta的新技术栈交出了平滑、可预测的增益曲线。

训练数据上pass@1与pass@16呈对数线性增长，表明强化学习在提升模型可靠性的同时，并未损害推理多样性；留存评估集上的准确率同步稳定提升，证明训练收益能够真实泛化到未见任务上——而不是“只会考试”。

推理时计算：“思维压缩”后再提速。强化学习训练使模型在回答前学会了“思考”，但向数十亿用户提供这一能力，对token效率提出了极高要求。

Meta采用了两个关键手段：其一是思考时长惩罚项，在AIME等评测中触发了一个有趣的相变——模型先通过延长思考时间提升表现，随后长度惩罚触发“思维压缩”，以大幅减少的token数量完成同等难度的推理，之后再次延伸解题链路实现更强表现；其二是多智能体并行编排，在不显著增加响应时延的前提下，用横向扩展取代纵向堆叠。

从这三条轴线来看，Meta在这份技术报告中着墨最多的，恰恰不是当前成绩，而是规模化的可预测性。这正是资本市场和生态合作伙伴最想看到的东西。

04 起点

Muse Spark在设计上“以小巧、快速为先”，这不是能力不足的委婉说法，而是一种刻意选择的方法论。Meta将Muse系列定位为严格递进式的扩展路线：每一代在前代基础上验证、突破，再向更大规模迈进。更大参数量的后续模型已在研发之中。

回到九个月前那个艰难的起点，Meta用Muse Spark证明了两件事：技术栈在有效扩展，组织在重建之后重新凝聚了方向。

但Meta想要追赶OpenAI、Anthropic和谷歌DeepMind等主要竞争对手，仅凭一款“起步款”模型远远不够。该公司后续发布的其他系列模型，将决定扎克伯格的这场豪赌，究竟是翻盘，还是又一次代价高昂的重来。