Meta发布多模态推理模型Muse Spark 1.1，强化AI智能体任务能力

Meta 于 7 月 9 日正式发布了专为 AI 智能体打造的多模态推理模型 Muse Spark 1.1 版本。这次升级的核心看点，在于大幅提升了模型在智能体任务中的规划、协同与执行能力，尤其是在工具调用、代码开发和应用操作这几个方向上，可以说做了不少文章。

先看看多智能体协作这块。Muse Spark 1.1 引入了一套更高效的并行机制：由一个主智能体负责全局信息收集和计划制定，然后把复杂任务拆解成一个个子任务，分配给多个子智能体同时执行。这样一来，原本需要逐个击破的长流程项目，处理时间被明显压缩了。值得一提的是，模型支持最高 100 万 token 的上下文长度，这意味着它能在长时间的工作流中持续保留关键信息，甚至能回溯到较早阶段的内容来做决策——这在实际应用中相当关键。

在应用操作层面，Muse Spark 1.1 能够在多个应用之间无缝执行长流程任务。它会根据场景自主判断——是直接点击界面、编写脚本进行自动化，还是将多个操作步骤一次性完成。这种灵活性的核心目的，就是减少人工干预，把执行效率提上去。

代码开发方面，新版本已经能诊断并修复复杂程序错误、开发新功能，甚至执行大规模代码迁移任务。背后的逻辑是，模型会提前规划开发步骤、拆分子任务，并在长时间开发过程中保留重要上下文。Meta 方面透露，公司内部的开发人员和研究人员已经在日常工作中使用 Muse Spark 1.1 来辅助软件开发和模型评测，这算是个不错的落地信号。

关于安全性，Meta 特别强调 Muse Spark 1.1 已经按照内部安全框架《Advanced AI Scaling Framework》完成了部署前评估。在化学与生物安全、网络安全以及失控风险等前沿风险领域，模型均维持在安全范围内。此外，新版本加强了对提示词注入、越狱攻击等攻击方式的抵抗能力，同时降低了模型幻觉和迎合用户倾向——这其实是对当前大模型常见问题的一个针对性回应。

根据 Meta 内部的安全治理评估结果，Muse Spark 1.1 在智能体能力、代码开发和通用推理方面相比前代有明显提升，同时在置信度校准、风险识别和欺骗倾向等指标上也有较大改善。不过，在部分电脑操作、长上下文以及代码开发测试中，其表现仍落后于 GPT-5.5 和 Claude Opus 4.8。这也不奇怪，毕竟后续的追赶和迭代还需要时间。

目前，Muse Spark 1.1 已经上线 Meta AI App 和 meta.ai 的 Thinking 模式。同时，Meta 也向普通开发者开放了 Meta Model API 预览版，开发者可以通过这个 API 直接调用 Muse Spark 1.1，并将其集成到自己的应用中。对于关注多智能体模型进展的团队来说，这无疑是个值得关注的新选项。