智东西 编译 茄子 编辑 程茜

智东西7月10日消息，新王型爆小扎Meta超级智能实验室（Meta Superintelligence Labs）正式发布其迄今最强的牌模评多模态推理模型——Muse Spark 1.1。该模型专为AI Agent（智能体）任务深度优化，冲性显著增强了工具调用、价比计算机操作、时隔速隔编程及多模态理解能力，年重能够围绕用户目标自主规划任务并调用外部工具完成复杂工作流。克火空点

▲Meta发布Muse Spark 1.1（图源：X）

同日，新王型爆小扎Meta正式推出Muse Spark 1.1的牌模评API公开预览版，标志着该模型首次面向开发者提供付费服务。冲性目前，价比该模型已上线Meta AI移动端App及官网meta.ai，时隔速隔用户可在“思考模式”下体验其强大性能。年重

在定价策略上，克火空点Muse Spark 1.1展现出极高的新王型爆小扎性价比：支持100万Token上下文窗口，输入价格为每百万Token 1.25美元（约合人民币8.49元），输出价格为每百万Token 4.25美元（约合人民币28.86元），这一价格低于当前多款主流闭源模型。

▲大模型价格对比（智东西制表）

与此同时，Meta创始人兼CEO马克·扎克伯格（Mark Zuckerberg）在X平台发文宣传该模型，这是其时隔三年再次在X上活跃。这一举动引发网友热议，甚至有人调侃“竟然不知道扎克伯格还有X账号”。

▲扎克伯格发文宣传Muse Spark 1.1与网友评论（图源：X）

作为回应，马斯克在评论区留下了“Jinx”（触霉头/巧合）一词，引发外界对两大科技巨头竞争态势的进一步关注。

▲马斯克的评论（图源：X）

与传统大模型侧重于问答和内容生成不同，Muse Spark 1.1的核心优势在于AI执行任务的能力。Meta指出，该模型能够协调多个Agent协同工作，管理百万级上下文窗口，并在长期任务中有效保留操作记录与关键信息。

在编程领域，Muse Spark 1.1在复杂任务中表现显著提升，能够处理大型代码库的理解、Bug修复及功能开发，并支持Agent编程中的规划、协作与上下文管理。

▲Muse Spark 1.1在编程能力方面较Muse Spark有很大提升（图源：Meta）

Meta表示，结合此前发布的图像模型Muse Image，这两款模型正推动其“个人超级智能”愿景落地，即让AI不仅能帮助用户实现目标、创造内容，还能围绕用户关注点主动采取行动。

超级智能实验室负责人Alexandr Wang在X上发文称，Muse Spark 1.1在多项智能体评估中，表现可与GPT-5.5和Opus-4.8相媲美。

▲Alexandr Wang发文（图源：X）

一、Agent能力全面升级：从规划到执行的闭环

Meta强调，Muse Spark 1.1是一款面向Agent场景设计的多模态推理模型，重点优化了任务规划、工具调用、复杂工作流执行以及多模态理解能力。相比传统聊天模型仅能生成回答，Muse Spark 1.1能够拆解用户目标，制定执行计划，并调用外部工具完成连续操作。

1. 灵活的Agent协作架构

在Agent协作场景中，Muse Spark 1.1具备双重角色：
* 主Agent：负责收集信息、制定计划，并将任务分配给多个子Agent。
* 子Agent：执行具体工作任务。

该模型支持零样本适配新的原生工具、MCP服务器及自定义技能，无需针对每个新工具重新训练，极大降低了部署门槛。

2. 超长上下文与记忆管理

Muse Spark 1.1支持管理100万Token上下文窗口，能够记录此前执行的操作，从更早的任务阶段检索信息，并通过上下文压缩技术保留后续工作所需的关键内容，确保长期任务的连贯性。

3. 强大的Computer Use能力

在计算机操作场景中，该模型可跨多个应用执行连续任务，并根据需求选择直接操作界面或生成自动化脚本。面对动态变化的情境，Muse Spark 1.1能够自行更新任务要求。例如，在处理晚宴订单时，若出现新情境，模型能在无需用户干预的情况下自动调整策略。

▲Muse Spark 1.1处理任务时可根据场景变化自行更新任务要求（图源：Meta）

4. 进阶编程与多模态理解

除了任务执行，Muse Spark 1.1强化了Agent编程能力，能够处理大型复杂代码库，完成Bug诊断、修复、新功能开发及代码迁移，并支持规划模式、目标控制、子Agent调用等高级功能。

在OpenCode测试中，Muse Spark 1.1成功创建聊天网页应用，通过自动截图发现界面问题，定位相关代码并完成修复验证。

同时，模型进一步增强了视觉、音频理解和多模态工具调用能力。例如，在Facebook二手交易市场中，Muse Spark 1.1可根据用户拍摄的视频提取商品信息，分析内容，并代表用户完成商品发布。

▲Muse Spark 1.1可根据用户拍摄的视频提取信息并完成商品发布任务（图源：Meta）

二、实测反馈：能力惊艳，但稳定性存疑

Muse Spark 1.1上线后，引发了开发者社区的广泛实测，反馈呈现两极分化。

正面评价

• SVG测试：开源开发者Simon Willison进行了经典的鹈鹕骑自行车SVG测试，并指出模型在自我对话测试中展现了有趣的特性。
• 游戏开发：Julius AI创始人rahul在Julius代码工作台中调用Muse Spark 1.1，成功让AI写出并运行整套《我的世界》游戏工程。
• 图像识别：有用户测试模型识别图中食物是否可食用，Muse Spark 1.1准确回答“不能食用”，而在同一测试中，Claude Fable 5未能通过。

▲Simon Willison对Muse Spark 1.1的测试（图源：Simon Willison’s Blog）

▲rahul对Muse Spark 1.1的测试（图源：X）

▲用户对Muse Spark1.1的图像识别功能的测试（图源；X）

负面反馈

• 稳定性问题：部分用户指出，搭载Muse Spark 1.1的Meta AI iPad客户端稳定性较差，运行时频繁闪退、输出文本乱码断裂，认为新版本存在严重Bug。
• 基础功能缺陷：有用户吐槽Meta AI无法正确处理普通的Excel表格。

▲用户对Muse Spark 1.1的不稳定性的吐槽（图源；X）

▲用户对Meta AI的生成表格功能的质疑（图源；X）

三、基准测试：多项Agent任务超越GPT-5.5和Claude Opus 4.8

为验证综合性能，Meta公布了内部Benchmark测试结果，并参考了Vals AI等第三方评测数据。结果显示，Muse Spark 1.1在Agent任务执行、工具调用、软件工程及多模态理解方面优势明显。

1. 内部测试成绩

• MCP Atlas工具调用测试：Muse Spark 1.1以88.1分排名第一，高于Claude Opus 4.8（82.2分）和GPT-5.5（75.3分）。
• JobBench职业场景测试：Muse Spark 1.1以54.7分排名第一。
• 计算机操作：在OSWorld-Verified测试中获得80.8分，仅次于Claude Opus 4.8（83.4分）。
• 编程与软件工程：在Terminal-Bench 2.1中获得80分，在SWE-Bench Pro中获得61.5分。
• 代码能力：在Meta Internal Coding Bench中获得68.3分，较上一代Muse Spark（58.8分）显著提升。

▲Muse Spark 1.1多项基准测试评分（图源：Meta）

2. 第三方评测（Vals AI）

• 综合测试：Vals Index排名第4，准确率68.41%。
• 多模态测试：Vals Multimodal Index排名第6，准确率66.74%。

▲Muse Spark 1.1在Vals AI多项测试中的评分（图源：Meta）

3. 垂直行业表现

在垂直行业专业测试中，Muse Spark 1.1表现尤为突出：
* 金融与医疗：在Finance Agent v2和MedScribe医疗记录处理测试中分别排名第2和第1。
* 法律智能体：在法律智能体任务中拿到第一名，且优势巨大。
* 代码生成：在Vibe Code Bench v1.1中排名第5，在SWE-bench中排名第7。

值得注意的是，在法律、税务、医疗三大垂直行业测试中，Muse Spark 1.1全部夺冠，整体实操能力优于Anthropic、OpenAI及Grok系列模型。

▲Muse Spark 1.1在Vals AI关于法律、金融、医疗方面测试均为第一（图源：Meta）

结语：Agent竞争进入执行阶段，成本与稳定性是关键

随着OpenAI、谷歌、Anthropic等巨头持续推进Agent方向，大模型竞争焦点正从文本生成和知识问答，转向任务规划、工具调用及复杂工作流执行能力。

在Agent场景中，模型不仅需要理解需求，更需具备调用工具、管理上下文并完成连续任务的实际执行力。因此，提升真实环境中的执行效率成为下一阶段竞争重点。

同时，随着Agent应用从个人助手走向企业生产场景，模型成本成为规模化部署的关键因素。更低的推理成本、更开放的调用方式以及更稳定的任务执行能力，将决定AI Agent能否真正融入更多实际业务流程。

来源：Meta、X