全新升级，直指智能体编程核心能力 三个月前在AI负责人Alexandr Wang带领下推出首款AI模型后，Meta正式发布Muse Spark 1.1——一款专为智能体编程（agentic coding）设计的多模态推理模型。该版本并非简单迭代，而是在工具调用、跨应用协调、长程上下文保持与自主计算机操作等关键维度实现系统性突破。 能力定位：让AI真正‘动手做事’ Muse Spark 1.1被定义为面向真实工作流的执行型模型。它不再仅限于生成代码或回答问题，而是能自主规划多步骤任务、在陌生界面中导航、调用脚本与API、执行批量操作，并在长时间会话中持续理解并推进复杂目标。例如，在修复遗留系统漏洞、迁移大型代码库、跨多个SaaS服务同步数据等场景中，模型展现出显著的端到端自动化能力。 技术根基：编程即智能体能力的基石 Meta超级智能实验室（MSL）将编程能力视为构建通用智能体的核心模块。团队围绕真实开发流程对Muse Spark 1.1进行专项训练，使其能像一组协同工作的实习生，理解需求、拆解任务、选择工具、验证结果并自我修正。Wang指出：“你必须把编程能力作为整体智能体能力的一部分来构建。”这一理念也延伸至非工程场景，如健康信息管理——模型可检索医学文献、解析个人健康数据仪表盘、比对用药指南，体现其在结构化与非结构化信息间建立行动闭环的能力。 性能跃迁：从Avocado到Spark的进化路径 初代Muse Spark内部代号为Avocado，今年4月首次亮相时已具备多步推理基础。1.1版本在此基础上大幅强化：代码库理解深度提升，支持跨数百万行代码的语义搜索；视觉与音频输入解析更鲁棒，可完成图像转可执行UI代码、视频内容结构化标注等任务；在Meta内部编码基准测试中，已与当前主流闭源模型同台竞争。 开放策略：API先行，生态内嵌，开源待续 目前，美国开发者可通过Meta Model API门户申请公开预览权限，用于提示工程调试、输出对比与原型集成。新版模型已部署至Meta AI应用的‘Thinking模式’，并将逐步替代WhatsApp、Instagram及Meta智能眼镜中部分Llama模型的后台推理任务。尽管暂未向第三方平台开放，但Meta明确表示服务将运行于自有基础设施之上，确保性能与安全可控。同时，MSL团队正在开发一个开源变体版本，延续Meta对开放生态的承诺，具体发布时间尚未公布。 商业化逻辑：务实定价，开发者优先 Meta为Muse Spark 1.1设定了清晰的开发者友好型定价：每百万输入Token 1.25美元，输出Token 4.25美元。新注册账户享有20美元免费额度。这一策略不追求低价倾销，而是强调单位任务成本效益——尤其在需频繁调用外部工具、执行长链操作的智能体场景中，模型的实际交付效率成为价格竞争力的关键支点。Wang强调，模型设计之初就深度适配VS Code、GitHub、Postman等主流开发者工具链，降低集成门槛，加速落地节奏。 未来布局：不止于Spark Muse Spark是Meta AI战略中的关键一环，而非终点。同期发布的Muse Image（代号Mango）专注创作者内容生成；而代号Watermelon的新一代模型已在关键基准上达到GPT-5.5水平。这些进展共同指向一个方向：Meta正从‘开源模型提供者’转向‘智能体基础设施构建者’，以垂直场景深度+工程化交付能力，构筑差异化竞争壁垒。