Meta發布Muse Spark：華人天團廢墟重建，最恨Llama的果然是小扎自己

作者 ｜ 貓貓頭
郵箱 ｜ cathy@pingwest.com

在Llama徹底“崩盤”后，Meta創始人兼CEO扎克伯格親手拆除過去的團隊、架構并徹底走向“反Llama”路線，砸百億建起華人科學家為主的AI研發天團。今天，在9個月后，在整個硅谷關注以及不少的冷嘲熱諷下，他和這個全新團隊終于交出了首個模型作品，試圖證明一整套從零搭建的AI棧跑通了。

4月8日，Meta正式發布了MSL（Meta Superintelligence Labs）成立以來的第一個模型Muse Spark。九個月前Alexandr Wang加入Meta擔任首席AI官，帶著從OpenAI挖來的一眾華人核心研究員，推翻了整個Llama時代的技術棧——新基礎設施、新架構、新數據管道，全部從零開始。Muse Spark就是這套新棧的第一個產出，現在它已經直接上線驅動Meta AI。

在Llama 4因benchmark造假風波陷入被動的背景下，這是Meta的一次全面重啟。

1

Muse Spark是什么

它是個處處和Llama反著來的模型：

一個被刻意設計得小巧、輕量、高響應速度的原生多模態推理閉源模型。

先看它的核心能力：

1. 原生多模態：不是把視覺編碼器硬縫到文本模型上的"拼接式"架構。從預訓練階段起，文本、圖像、語音就在同一個高維特征空間里訓練。這意味著它處理圖片不需要先翻譯成文字描述，而是直接從像素級別提取信息。

2. Visual Chain of Thought（VCoT，視覺思維鏈）：傳統的思維鏈推理是純文本的，模型在文字里逐步拆解問題。Muse Spark把這個機制引入了視覺空間——它能在圖像中"思考"，自主構建視覺元素之間的空間和邏輯關系。

3. Contemplating Mode（沉思模式）：對標Gemini Deep Think和GPT Pro的極限推理模式。區別在于它不是單線串行推理，而是在后臺同時拉起多個并行運算的子agent，各自處理任務的不同維度，最后由主控系統融合結果。沉思模式下Humanity's Last Exam達到58%，FrontierScience Research達到38%。

4. 工具調用和多agent編排：原生支持，不是后期拼上去的。

目前Muse Spark已在meta.ai和Meta AI app上線，Contemplating Mode逐步灰度中，同時向少量合作伙伴開放私有API預覽。

1

技術亮點：華人天團都是怎么說的

今天MSL團隊幾乎集體在X上發帖，幾個關鍵信息值得注意：

Meta官方博客放出了一個極其重要的數據：在預訓練階段，新棧達到同等能力水平所需的算力比上一代Llama 4 Maverick減少了超過一個數量級。不是百分之幾十的優化，是10倍以上的效率提升。博客原文稱"over an order of magnitude less compute"，并且"significantly more efficient than the leading base models available for comparison"——甚至比其他家的基座模型都高效。

Alexandr Wang的九條thread里最重要的一句話："we saw predictable scaling across pretraining, RL, & test-time reasoning." 預訓練、強化學習、測試時推理，三條線都看到了可預測的scaling——這可能比任何benchmark數字都重要。它意味著這套棧不是調出來的一個lucky shot，而是一個scaling曲線平滑的系統。

首席科學家趙晟佳（@shengjia_zhao）的描述更具體：這個模型的訓練路徑是"端到端的教育"——school（預訓練）、homework（RL）、on-the-job training（產品部署后的持續學習）。他強調"we just got started"。

RL部分有個很有意思的技術細節。畢樹超（@shuchaobi）提到了訓練中最痛苦的部分：大規模RL的不穩定性，以及"fighting reward hacking"——對抗獎勵機制作弊。但官方博客顯示他們最終把RL跑到了"smooth, predictable gains"的狀態，pass@1和pass@16都呈log-linear增長，而且在未見過的評測集上也能平滑泛化。

更有意思的是RL訓練中出現的"相變"現象：團隊在訓練時引入了thinking time penalty（思考時間懲罰），模型先是通過更長的思考來提升表現，然后在懲罰壓力下學會了"思想壓縮"——用更少的token解決同樣的問題，之后又再次延伸推理以達到更高性能。Ananya Kumar（@ananyaku）在帖中稱這個過程"pretty neat"。

Ananya放出的另一組圖表顯示了多agent推理的關鍵insight：多個agent并行推理，在相同延遲下能達到比單agent更高的性能。換句話說，Contemplating Mode不只是"讓模型想得更久"，而是"讓多個模型同時想不同的事"。

余家輝（@jhyuxm）作為多模態底座的總架構師，說了一句很有意思的話："It's been a fulfilling journey not just building the model, but the team and culture behind it." 建模型是一回事，建團隊和文化是另一回事——他們在九個月里兩件事同時干了。

Jason Wei（@_jasonwei）的回憶最有畫面感："第一周我們在食堂吃了一頓漫長的晚餐，暢想研究方向，然后回到桌前寫了一個基本的inference llama腳本。現在我們有了一套相當完整的技術棧，第一個模型已經發布。"

1

Benchmark：什么領先不領先，回到牌桌先

再來看看benchmark數據：

• HealthBench Hard（極高難度醫學問答）：Muse Spark 42.8，GPT-5.4是40.1，Gemini 3.1 Pro只有20.6，Claude Opus 4.6只有14.8。絕對領先，接近其他模型的兩到三倍。

• CharXiv Reasoning（科研論文圖表深度理解）：86.4，全行業最高。

• SWE-bench Pro（真實軟件工程任務）：55.0%，超過Claude Opus 4.6的51.9%。

• Artificial Analysis綜合智能指數：52分，而GPT-5.4和Gemini 3.1 Pro都是57分。

Meta想借此說明：Muse Spark在醫療多模態和科研圖表理解這兩個需要"真正看懂圖"的領域，已經是毫無爭議的第一。在代碼工程上也進入了第一梯隊。

不過，目前它綜合能力距離GPT-5.4和Gemini 3.1 Pro還有5分的差距，純文本高級推理方面也還沒撼動Anthropic和Google的積累。

這樣的表現繼續引來一些批評，Ndea的cofounder Fran?ois Chollet直接稱Muse Spark"已經看起來是個令人失望的模型"，他認為模型過度優化了公開benchmark，犧牲了實際可用性——而Alexandr Wang的回應很克制：承認模型在ARC AGI 2等評測上表現不佳，并強調這些數據已主動公開。

Chollet的質疑不是沒有道理。Llama 4時代Meta就因benchmark造假風波傷過一次信譽。這次Muse Spark在Artificial Analysis綜合指數上仍落后GPT-5.4和Gemini 3.1 Pro五分，醫療和科研圖表上的斷檔領先，是否來自對特定benchmark的定向優化，還是原生多模態架構帶來的真實能力？這個問題需要更多第三方獨立測試來回答。

Muse Spark當然重要，但它最重要的意義不在于今天的benchmark分數。

從這個模型的設計，到這些研究員此次重點介紹的技術亮點，一切都指向對Llama的反對：Llama 4的大潰敗在扎克伯格眼里是個要徹底翻篇的事情，所以不只是它的開源路線，它的模型架構要改，更重要的是它整個訓練基礎設施都得給它掀翻了。此次這幾位核心作者的x發文，看起來都在圍繞底層技術棧的重構來介紹。Muse Spark這次發布也讓人更明白扎克伯格挖來Alexander Wang的目的。

最恨Llama的還得是扎克伯格自己，他必須得全盤給它推翻，在廢墟里重建。

此次的發布也是Meta招兵買馬后那支華人天團交出的第一個模型。余家輝（前OpenAI感知團隊負責人、GPT-4o核心開發者）、趙晟佳（前OpenAI合成數據研發領頭人、ChatGPT聯合創作者）、任泓宇（前OpenAI o1/o3推理核心貢獻者）、畢樹超（前OpenAI多模態后訓練負責人）、林紀（前OpenAI核心優化專家）——這些被Meta用上億美元的簽字費挖過來的AI科學家，在紙面上自然是一個明星團隊，他們必須先用一個模型讓Meta回到牌桌上。這是扎克伯格的當務之急。

扎克伯格在九個月前交給他們的是一張白紙。今天他們交出的答案其實更多是一整套預訓練、RL、測試時推理的完整棧，并且——關鍵在這——scaling曲線是平滑的、可預測的。

更大的模型已經在路上了。

點個“愛心”，再走 吧