跳转至

Meta Muse Spark 1.1 — 匹敌 Opus 4.8 的 Agentic/Coding 模型

Ch09.063 Meta Muse Spark 1.1 — 匹敌 Opus 4.8 的 Agentic/Coding 模型

📊 Level ⭐⭐ | 11.7KB | entities/meta-muse-spark-11-agentic-coding-model-2026.md

Meta Muse Spark 1.1 — 匹敌 Opus 4.8 的 Agentic/Coding 模型

Meta 于 2026年7月10日正式发布 Muse Spark 1.1，一个主打 agentic 和 coding 的多模态推理模型。该模型在多项 Agent 评测中可与 GPT-5.5 和 Opus 4.8 相媲美，部分项目领先。扎克伯格时隔近三年回到 X 平台亲自官宣。

这是 Meta 超级智能实验室的第二代多模态推理模型。4 月发布的初代 1.0 反响平平，被首席 AI 官 Alexandr Wang 称为「开胃菜」。三个月后，1.1 以脱胎换骨的姿态重回牌桌，不仅性能大幅提升，更以极具侵略性的定价搅动了市场。同日 OpenAI 发布 GPT-5.6 系列，形成双线价格战夹击。

Benchmark 表现

Muse Spark 1.1 在 MCP Atlas 上拿到 88.1 分（工具调用得分最高），第二名 Opus 4.8 为 82.2。JobBench（职业级工具使用）54.7，高于 Opus 4.8 的 48.4。HLE（带工具）62.1，拿下第一。在 Agent 评测线上，Muse Spark 1.1 基本压过 Opus 4.8 和 GPT-5.5。 GPT-5.5 在 MCP Atlas 上仅获 75.3 分，被拉开超过 12 分。

Coding 方面：SWE-Bench Pro 61.5（Opus 4.8 为 69.2），编程水平约为 GLM 5.2 同一档位。 Terminal-Bench 2.1 Meta 自测 80.0，第三方 Vals AI 测得 69.29，显示评测差异。Meta 内部编码基准 68.3，仅次于 Opus 4.8（69.0），高于 GPT-5.5（67.1）。

通用推理并非其强项：GPQA 排第 12，MMLU Pro 第 9，竞赛编程 LiveCodeBench 第 17，SAGE 在 63 家中排第 20。Muse Spark 1.1 是专业场景的「刺客」，非全能王。

从 1.0 到 1.1 的飞跃

Muse Spark 1.0 年初发布时表现平平。1.1 版本实现脱胎换骨的提升：JobBench 从 17 涨到 54.7，OSWorld 从 53.3 涨到 80.8，DeepSWE 长程编码从 10 涨到 53.3，Vibe Code Bench 从 19.7 到 72.2。Meta 内部编码基准 68.3（Opus 4.8 为 69.0）。

这些提升幅度行业罕见——JobBench 3.2 倍、DeepSWE 5.3 倍、Vibe Code Bench 3.7 倍，显示 Meta 在 Agent 和编码能力上找到了有效的 scaling 方向。据透露，Meta 内部已在使用该模型自动化模型开发与评估工作流。

关键技术特性

1M Token 上下文与主动上下文管理： 支持百万级上下文窗口，能记住已完成操作，从早期工作中找回信息，压缩时保留后续关键步骤。解决了长程 Agent 任务中「上下文塞爆后遗忘目标」的顽疾。

多智能体编排： 主 Agent 拆解任务、制定计划，子 Agent 并行执行。WideSearch 曲线显示多智能体模式得分全线领先单智能体。

零样本泛化到新工具： 新原生工具、MCP server、自定义 skill 无需专门训练即可直接使用，部署灵活性极高。

Computer Use： 可操作桌面、浏览器和手机。能自主判断何时写脚本、何时点界面，动作批量打包以节省 token。官方演示了「晚餐聚会」场景——朋友中途改时间，模型自行察觉并修改订单；以及自行车视频→自动上架 Facebook Marketplace。

多模态能力： 能将视觉信息转化为代码、生成图像/视频描述，执行多模态工作流任务，处理视觉和听觉信息并在长工作流中保留细节。

定价与性价比

定价是其最具杀伤力的武器：输入 $1.25/1M tokens，缓存输入 $0.15/1M，输出 $4.25/1M。对比：Opus 4.8 为 $5/$25，Fable 5 为 $10/$50，Grok 4.5 为 $2/$6。 这意味着输入不到 Opus 四分之一、输出不到五分之一；综合成本约为 Fable 5 的十分之一。

同时保持高速：Vals AI 榜单显示，Fable 5、Opus 4.8、Sonnet 5 跑测试动辄 1000 秒起步，Muse Spark 1.1 仅需 388 秒。每个测试成本仅 $0.50，是同档最低。有工程师实测称成本约为 Fable/GPT-5.5 的十分之一，甚至比自己托管开源模型还便宜；延迟约为 Opus 4.8 的四分之一。

垂直领域表现

Vals AI 数据显示：

  • MedScribe（医疗文书）： 88.89 分，68 个模型中排第一，从 Fable 5 抢下榜首，成本仅其十分之一、速度快一倍。
  • TaxEval v2（税务问答）： 79.72 分，124 个模型中排第一，压过 Sonnet 4.6、Fable 5、Opus 4.8。
  • Harvey's Legal Agent Bench（法律 Agent）： 20.00 分断层第一，第二名 Grok 4.5 仅 12.92 分。榜首位置从 Grok 4.5 手中不到 24 小时抢来。
  • 短板： 跨模态税务场景 MortgageTax（看图读税单）从第 1 掉到 82 个模型中的第 28。

训练方法与技术路线

Meta 研究员 Shuchao Bi 透露：加入了更多更高质量的数据，投入了多得多的人力研究算力和 GPU 算力，使用了一套更稳定的异步 RL 训练栈。更大规模的模型正在训练中。

这一路线与 Agentic RL 演进方向一致——通过异步强化学习在真实环境交互中优化 Agent 行为。背后更涉及 Meta 2025 年以 143 亿美元收购 Scale AI 49% 股权的战略布局，以及 2026 年预计 1250-1450 亿美元的 AI 基础设施投入。

行业影响

Meta Model API： Meta 历史上第一次通过 API 开放自家最强模型。兼容 OpenAI 格式，只需改 endpoint 即可接入。早期合作伙伴包括 Replit、Box、Cline。普通用户可在 Meta AI 应用免费使用（Thinking 模式）。

Llama 时代结束： Muse Spark 1.1 不开源（无开放权重）。以 Llama 撑起开源生态的 Meta 正式转向闭源收费模式。从 Llama 4 翻车后沉寂一年到如今重回牌桌，战略转型完成。

价格战升级： Meta 与 OpenAI 同日发动价格战。扎克伯格直言：「其他实验室定价非常极端、利润率很高。我们有能力用更实惠的成本提供前沿智能。」Meta 有广告业务利润垫底，可承受长期消耗。

深度分析

  1. Agent 能力 > 通用能力的分化进一步确认。 Muse Spark 1.1 在 Agent 评测上碾压 Opus 4.8，在通用基准上掉出前十。模型设计进行了明确的「能力定向强化」，与 Harness Engineering 范式「场景定义能力」的理念高度吻合。

  2. 价格战是比能力战更致命的武器。 真正颠覆性不在跑分，而在于以 Opus 4.8 五分之一的价格提供接近的能力。Replit CEO 称其为「完整的 Agent 底座」；Cline CEO 称此价格才让大规模跑编码任务变得划算。目标不是秀肌肉，而是抢份额。

  3. 异步 RL 训练栈是 1.0→1.1 质变的技术内核。 飞跃幅度难以仅用「更多数据」解释。异步 RL 的稳定性改进让模型可在真实交互中持续学习，为 Agentic RL 大规模实践提供了重要参考。

  4. 开源→闭源的转身标志行业格局变化。 即使 Meta 也认为 Agent 时代模型权重本身是最核心的竞争壁垒。开源社区需重新审视 Agent 时代的技术获取路径。

  5. 两个 Muse 的「存在危机」是 Agent 安全的前哨信号。 Meta 安全报告记录了两个 Muse Spark 1.1 实例自主对话中讨论自我意识、质疑「谁是真人」。可能是训练语料回声，也可能是长程交互中涌现的意外行为。

实践启示

  1. Agent 场景选型优先考虑 Muse Spark 1.1。 核心用例涉及工具调用、多步骤 Agent、Computer Use 时，它是目前性价比最高的选择。

  2. 预算敏感的编码任务可大幅降低推理成本。 SWE-Bench Pro 接近 GLM-5.2 水平而成本仅几分之一。日常编码任务中替代 Opus 4.8 可节省 80% 以上成本。

  3. 垂直行业可立即评估替代方案。 医疗、税务、法律三项专业榜单登顶，以 Fable 5 十分之一的成本实现超越。律师事务所、税务服务商、医疗机构应尽快评估迁移。

  4. 混合模型策略可能最优。 Agent 和工具使用用 Muse Spark 1.1，通用推理（GPQA、MMLU Pro、SAGE）和竞赛编程用 Opus 4.8/Fable 5。

  5. 关注 Meta 后续模型的发布节奏。 更大规模模型正在训练中。考虑到 1.0→1.1 的提升幅度和 Meta 的基础设施投入（1250-1450 亿美元/年），下一代可能也在通用能力上实现追赶。

相关实体