Meta AI“推倒重来”：华人天团交出首份答卷Muse Spark，但更大的战争才刚刚开始

作者 ｜ 猫猫头
邮箱 ｜ cathy@pingwest.com

在Llama 4的“崩盘”成为旧闻之后，Meta的AI路线图经历了一场彻底的自我革命。创始人扎克伯格亲手拆解了过去的团队与技术架构，转而押注一条全新的道路。九个月后，在一片关注与质疑声中，由他重金组建、以华人科学家为核心的研发天团，交出了第一个作品——Muse Spark。这不仅仅是一个新模型，更是一次宣告：Meta打算用一套从零搭建的全新AI技术栈，重新回到牌桌。

4月8日，Meta Superintelligence Labs (MSL) 正式发布了其成立以来的首个模型Muse Spark。九个月前，随着Alexandr Wang以首席AI官的身份加入Meta，一场技术重构悄然启动。团队推翻了Llama时代的技术遗产，从基础设施、模型架构到数据管道，全部从头开始。如今，Muse Spark作为这套新栈的首个产出，已直接上线驱动Meta AI。

可以说，在Llama 4因基准测试风波陷入被动后，Muse Spark标志着Meta AI一次不留退路的全面重启。

Muse Spark是什么？

简单来说，这是一个处处与前任Llama“反着来”的模型。它被刻意设计得小巧、轻量，并追求极致的响应速度。本质上，它是一个原生的多模态推理闭源模型。

先看它的几个核心能力：

真正的原生多模态： 不同于将视觉编码器“缝合”到文本模型上的常见做法。Muse Spark从预训练阶段开始，就让文本、图像、语音在同一个高维特征空间里共同学习。这意味着它处理图片时，无需先将其转化为文字描述，而是能直接从像素层面提取和理解信息。

Visual Chain of Thought（视觉思维链）： 传统的思维链推理局限于文本领域。Muse Spark将这一机制引入了视觉空间，使其能够在图像内部进行“思考”，自主构建视觉元素之间的空间与逻辑关系。

Contemplating Mode（沉思模式）： 对标Gemini的Deep Think和GPT Pro的极限推理模式。但它的独特之处在于非单线串行推理，而是在后台并行启动多个子智能体，各自处理任务的不同维度，最后由主控系统融合结果。在该模式下，其在Humanity‘s Last Exam测试中达到58%，在FrontierScience Research测试中达到38%。

工具调用与多智能体编排： 这些能力均为原生支持，而非后期附加。

目前，Muse Spark已在meta.ai和Meta AI应用上线，沉思模式正逐步灰度开放，同时其私有API也已面向少量合作伙伴提供预览。

技术亮点：效率革命与可预测的扩展

模型发布当日，MSL团队成员几乎集体在社交平台X上发声，透露了几个关键信息。

Meta官方博客披露了一项重要数据：在预训练阶段，新技术栈达到同等能力水平所需的算力，比上一代的Llama 4 Ma verick减少了超过一个数量级。这不是百分之几十的提升，而是十倍以上的效率飞跃。博客原文强调其“显著优于用于对比的领先基座模型”。

Alexandr Wang在推文中提到了一句至关重要的话：“我们在预训练、强化学习和测试时推理三个阶段，都看到了可预测的扩展规律。” 这或许比任何单一的基准测试分数都更有意义。它意味着这套技术栈并非偶然调优成功的“幸运儿”，而是一个具备平滑、可预测扩展曲线的系统性工程。

首席科学家赵晟佳的描述更为形象：模型的训练路径是一次“端到端的教育”——包括“学校教育”（预训练）、“家庭作业”（强化学习）和“在职培训”（产品部署后的持续学习）。他意味深长地补充道：“我们才刚刚开始。”

强化学习部分有一个有趣的技术细节。研究员毕树超提到了训练中最具挑战的部分：大规模强化学习的不稳定性，以及与“奖励机制作弊”作斗争。但最新的博客显示，他们最终将强化学习训练推进到了“平滑、可预测增益”的状态，相关性能指标呈对数线性增长，并且在未见过的评测集上也能平滑泛化。

更有意思的是训练中间出现的“相变”现象：团队引入了“思考时间惩罚”机制。模型起初通过延长“思考”时间来提升表现，随后在惩罚压力下学会了“思想压缩”——用更少的计算资源解决相同问题，之后再次延伸推理以达到更高性能。研究员Ananya Kumar称这个过程“相当巧妙”。

Ananya展示的另一组图表揭示了多智能体推理的关键洞察：多个智能体并行推理，在相同时间延迟下，能达到比单智能体更高的性能。换句话说，沉思模式不仅仅是“让模型想得更久”，更是“让多个模型同时思考不同方面”。

作为多模态底座的总架构师，余家辉的话值得玩味：“这是一段充实的旅程，不仅仅在于构建模型，更在于构建其背后的团队与文化。” 他们在九个月里，同步完成了两件大事。

Jason Wei的回忆则充满了画面感：“第一周，我们在食堂进行了一次漫长的晚餐，畅想研究方向，然后回到桌前写了一个基本的推理脚本。如今，我们拥有了一套相当完整的技术栈，并且发布了第一个模型。”

基准测试：领先与争议并存

那么，Muse Spark在实际测试中表现如何？

在极高难度的医学问答基准HealthBench Hard上，Muse Spark得分42.8，优于GPT-5.4的40.1，更是远超Gemini 3.1 Pro的20.6和Claude Opus 4.6的14.8，领先优势接近两到三倍。

在科研论文图表深度理解测试CharXiv Reasoning上，它以86.4分位居行业榜首。

在真实软件工程任务测试SWE-bench Pro上，达到55.0%，超过了Claude Opus 4.6的51.9%。

然而，在综合性的Artificial Analysis智能指数上，Muse Spark得分为52分，仍落后于GPT-5.4和Gemini 3.1 Pro的57分。

这些数据表明，Muse Spark在需要深度视觉理解的医疗多模态和科研图表领域，已建立起断档式的领先优势，在代码工程上也跻身第一梯队。但其综合能力与纯文本高级推理方面，与顶尖模型尚有差距。

这样的表现也引来了批评。Ndea的联合创始人François Chollet直言Muse Spark“看起来是个令人失望的模型”，他认为模型过度优化了公开基准测试，牺牲了实际可用性。对此，Alexandr Wang的回应显得克制：他承认模型在ARC AGI 2等部分评测上表现不佳，并强调所有数据均已主动公开。

Chollet的质疑并非空xue来风。Llama 4时代，Meta就曾因基准测试争议损伤过信誉。此次Muse Spark在特定领域断档领先，究竟是源于对测试的定向优化，还是其原生多模态架构带来的真实能力突破？这个问题需要更多独立的第三方测试来验证。

更大的图景：一次彻底的技术栈重构

无论如何，Muse Spark的重要性远不止于今天的基准测试分数。

从模型的设计理念，到研发团队重点介绍的技术细节，一切都指向对Llama时代的全面反叛。在扎克伯格看来，Llama 4的溃败必须被彻底翻篇。因此，不仅是开源路线或模型架构需要调整，而是整个训练基础设施都必须推倒重来。此次核心成员们的分享，焦点都集中在底层技术栈的重构上。Muse Spark的发布，也让外界更加明了扎克伯格重金挖来Alexandr Wang及其团队的深层意图。

可以说，最急于告别Llama的，正是Meta自己。它必须在废墟之上，完成重建。

此次发布也是Meta招兵买马后，那支备受瞩目的华人科学家团队交出的首份答卷。余家辉、赵晟佳、任泓宇、毕树超、林纪——这些以前OpenAI核心成员身份被Meta以重金招揽的科学家，在纸面上构成了一个明星阵容。他们的首要任务，就是用一款模型帮助Meta重新在AI竞赛中站稳脚跟。这是扎克伯格的当务之急。

九个月前，扎克伯格交给他们的是一张白纸。如今他们交出的，不仅仅是一个模型，更是一套涵盖了预训练、强化学习、测试时推理的完整技术栈。而最关键的是，这套技术栈的扩展曲线被证明是平滑且可预测的。

这只是一个开始。更大的模型，已经在路上了。

点个“爱心”，再走吧