Muse Spark - Meta 推出的原生多模态大模型

发布于 2026-04-09 · Muse Spark是Meta超级智能实验室推出的首个原生多模态大模型。作为Meta AI重组后的旗舰产品，模型在Artificial Analysis基准测试中从18分跃升至52分，多模态理解与健康问答能力超越GPT-5.4。

Muse Spark是什么

Muse Spark 是 Meta 超级智能实验室推出的首个原生多模态大模型，也是 Meta AI 重组后的旗舰产品，预训练效率比 Llama 4 高 10 倍。它的迭代路线是这样：初代做视觉思维链和多 Agent 协同；Muse Spark 1.1 开放 API、强化智能体能力；Muse Spark 1.2 则与 Muse Code 同步训练，专攻代码。到 Muse Spark 1.3，编程与长上下文能力已经领先业界，扎克伯格还亲自站了台。

Muse Spark的主要功能

原生多模态理解：支持视觉思维链与图像转代码，可直接分析复杂图表、定位屏幕元素，将 UI 设计图转换为可运行的 HTML/CSS/JS 应用。
多智能体协同：通过”沉思模式”（Contemplating）调度多个子 Agent 并行思考与协同作业，实现复杂任务的分解规划与执行。
垂直领域专精：在健康医疗领域提供基于 1000+ 临床医生数据的精准问答与影像分析，在购物场景结合社交图谱做个性化商品推荐。
高效推理机制：思维自动压缩让 Token 消耗降到同类模型的三分之一，性能没掉，推理效率上去了。

如何使用Muse Spark

网页端直接使用：访问Meta官网，不用注册就能免费试基础功能。
移动端 App：下载官方Meta AI App，已全面集成 Muse Spark 模型。
API 接入：开发者可以申请权限，通过 API 接入。

Muse Spark的关键信息和使用要求

产品定位：Meta Superintelligence Labs（MSL）成立9个月后的首个模型（代号”牛油果”），定位为”个人超级智能”，面向30亿用户生态。
核心性能：Artificial Analysis综合得分52（Llama 4仅18分）；多模态图表理解（86.4）、健康问答（42.8）超越GPT-5.4；编程类任务（ARC AGI 2、SWE-Bench）仍落后。
技术亮点：原生多模态推理+视觉思维链；多Agent”沉思模式”（Contemplating）并行思考；预训练算力需求降至Llama 4的1/10，Token消耗仅Opus的1/3。
团队背景：由前Scale AI创始人Alexandr Wang领衔，核心成员包括多位华人研究员（来自OpenAI、DeepMind）。
访问渠道：meta.ai网页端（免注册）、Meta AI App（iOS/Android）；API预览仅向合作伙伴开放。
地域与费用：目前优先美国地区全面开放；个人用户免费、不限量使用。

Muse Spark的核心优势

原生多模态理解：图表理解（CharXiv 86.4 分）和截图定位（ScreenSpot Pro 84.1 分）这类视觉任务上，它比 GPT-5.4 和 Gemini 3.1 Pro 都强。
医疗健康专精：专业数据是和 1000 多名临床医生一起攒出来的；开放式健康问答（HealthBench Hard 42.8 分）和医学影像分析都做到了业界前列。
多智能体协同推理：独创”沉思模式”（Contemplating）支持多Agent并行思考与任务分解，可调度子Agent分别处理研究、规划与执行等复杂环节。
极致效率优化：预训练技术栈重写后，算力需求降到 Llama 4 的十分之一；思维自动压缩则把 Token 消耗压到同类顶尖模型的三分之一。

Muse Spark的同类竞品对比

对比维度	Muse Spark	GPT-5.4	Gemini 3.1 Pro
Artificial Analysis 综合得分	52	约 51	约 57
CharXiv 图表理解	86.4	82.8	80.2
ScreenSpot Pro 截图定位	84.1	85.4	84.4
ARC AGI 2 抽象推理	42.5	76.1	76.5
LiveCodeBench Pro 编程	80.0	87.5	82.9
SWE-Bench Pro 代码修复	52.4	57.7	54.2
HealthBench Hard 健康问答	42.8	40.1	20.6
MedXpertQA 多模态医学	78.4	77.1	81.3
HLE（带工具）深度思考	58.4	58.7	53.4
预训练算力需求	Llama 4 的 1/10	标准水平	标准水平
Token 消耗效率	Opus 的 1/3	基准水平	基准水平

Muse Spark的应用场景

视觉创作与开发：应用截图能直接转成可运行的前端代码，复杂的学术图表和工程图纸也读得懂，静态图像还能变成可交互的网页游戏或故障排查工具。
健康医疗咨询：基于千名临床医生专业数据提供开放式健康问答与医学影像解读，同时能根据用户饮食限制生成交互式营养标签和个性化健康管理方案。
智能规划与协同：多 Agent 并行处理复杂任务，比如把文化路线、亲子活动和交通物流捏在一起的家庭旅行规划；也会结合社交网络数据给购物推荐，或者自己搜、自己整合，做完一份深度研究。
办公与生产力：支持文档解析、表格分析和邮件撰写等办公任务，同时具备基于截图理解的屏幕自动化能力，可执行界面操作与表单填写。