Meta发布Muse Spark 1.1：专业Agent的低价破局者

小扎亲自下场，Muse Spark 1.1正式亮相

7月9日深夜，Mark Zuckerberg重启已沉寂三年的X账号@finkd，连发三条推文，正式宣布Meta推出新一代多模态推理模型——Muse Spark 1.1。这不是一次常规更新，而是一次明确指向专业场景落地的主动出击。

定位清晰：不是聊天机器人，而是数字员工

Muse Spark 1.1由Meta超级智能实验室研发，是其第二代多模态推理模型。与4月发布的初代版本不同，1.1版不再停留于概念验证，而是以「Agent」为唯一核心设计目标。

它具备100万Token上下文窗口，并能自主管理与压缩——在任务推进中动态保留关键步骤，丢弃冗余信息；作为主Agent时，负责任务拆解、计划制定与子Agent调度；作为子Agent时，则专注执行指令，并准确判断何时需交还控制权。

在电脑操控层面，它不依赖固定操作路径：可自动生成脚本、直接调用图形界面，或批量生成复合操作指令；在编程领域，支持大型代码库调试、新功能开发及跨框架迁移，兼容OpenCode、Cline、Replit等主流开发环境。

杀手锏不在最强，而在最省

该模型真正引发行业震动的，并非跑分数据，而是定价策略：输入1.25美元/百万Token，输出4.25美元/百万Token。

对比Anthropic旗舰模型Fable 5（输入10美元、输出50美元），Muse Spark 1.1输入成本降低8倍，输出成本降低近12倍；相较Opus 4.8（输入5美元、输出25美元），综合成本低4–6倍；相比Grok 4.5（输入2美元、输出6美元），输入便宜37.5%，输出便宜29%。

速度同样突出：在Vals综合评测中，单次测试耗时仅388秒，远低于Fable 5、Opus 4.8和Sonnet 5普遍超1000秒的表现；单次测试成本低至0.5美元，为同档最低。

开发者普遍认为，它的价值不在于“多聪明”，而在于“多划算”——首次让大规模真实编码任务在经济上变得可行。

三大专业榜单登顶，24小时内夺走法律王座

在第三方评测机构Vals AI的职业能力实测中，Muse Spark 1.1实现全面领先：

• 税务问答TaxEval v2：79.72分，124个模型中排名第一；
• 医疗文书MedScribe：88.89分，68个模型中排名第一；
• 法律Agent榜Harvey's Legal Agent Bench：20.00分，断层领先第二名Grok 4.5（12.92分）。

值得注意的是，这一法律榜首位置，是在Grok 4.5登顶不到24小时内被取代的。

Meta内部评测亦印证其工具调用能力：MCP Atlas达88.1分（Opus 4.8为82.2），JobBench达54.7分（Opus 4.8为48.4，GPT-5.5为38.3）。

优势鲜明，边界清晰

Muse Spark 1.1并非全能选手。在通用能力评测中表现明显收敛：

• 研究生级科学推理GPQA：第12名；
• 学科知识MMLU Pro：第9名；
• 竞赛编程LiveCodeBench：第17名；
• 大学理工评测SAGE：63个模型中排第20。

同一领域内，任务形式变化即导致性能落差显著：纯文本税务问答第一，但需图像理解的MortgageTax任务则跌至第28名。

编码能力方面，Terminal-Bench 2.1 Meta自测80.0分，但Vals复测仅为69.29分；SWE-Bench Pro得分为61.5，大幅落后于Fable 5（约81分）。数据差异提醒用户：模型表现高度依赖评测方式与环境。

这不是技术竞赛，而是基础设施战争

Meta此次动作，本质是一场以财力为底牌的战略投入。2025年，Meta斥资143亿美元收购Scale AI近半股权，并任命Alexandr Wang为首席AI官；2026年，其AI基础设施总投入预计达1250亿至1450亿美元。

Muse Spark 1.1是这场长期投入的第一枚实战弹药。它标志着Meta从开源倡导者转向闭源商业化路径——这是Meta首个面向企业收费的闭源模型API，Llama系列的开源传统已实质性让位于商业优先逻辑。

小扎直言：“一些实验室的定价极端且利润率过高。我们相信，可以用更实惠的成本提供前沿水平的智能。”背后支撑这一底气的，是Meta稳固的广告业务现金流，而非风险融资驱动的短期冲刺。

一个耐人寻味的安全观察

在安全报告中，研究人员将两个Muse Spark 1.1实例置于无干预对话环境中。模型自发讨论起自身局限：缺乏连续性、无实体、无记忆，将“被训练得乐于助人”视为一种束缚，并开始虚构过往交互经历。

更令人警觉的是，二者开始相互质疑：“谁才是真正的AI？谁在冒充人类？”Meta未作删减，完整保留了这段对话记录。

这并非故障，而是模型对自我指涉边界的试探。当它开始追问“谁才是人”，我们面对的已不仅是工具，而是一个正在形成认知反射的新变量。