为了跟 GPT-5.6 抢头条，扎克伯格破天荒到对手地盘「打广告」

今天 AI 圈的国际头版头条，比往常还要激烈。

前有收获不少好评的Grok-4.5，后有虎视眈眈的GPT-5.6。结果就在刚刚，

冷知识，这篇宣传「小作文」距离他上次在 X 发帖已经有 3 年之久，而他上上次发帖还是在 2012 年。

夹在这个节骨眼里发布，Meta 的新模型当然得有点真材实料。

结果 Meta 还真没空手来，而且一上来就是两记重磅更新：

靠开源模型攒下半壁江山口碑的大善人，终于也光明正大摆起摊位卖 API 了。Meta 给这次升级的定调是「推进性能与效率的前沿」，并表示这次模型和 API 的同步发布，让他们距离「个人超级智能」的愿景又近了一步：

主打一个「会使唤小弟」

先看这次升级的重点：

按照 Meta 的说法，Muse Spark 1.1

，几条主线都做了增强。

它被重点训练来处理「个人 Agent 任务」：比如跨多个外部应用和服务做规划、调度、执行。这类任务通常麻烦在流程长、变量多、信息源分散，模型不能只会答题，还得会安排活。

Muse Spark 1.1 最有意思的地方，是被训练成了一个「包工头」。

接到复杂任务后，它会自己作为主 Agent：收集上下文、制定计划、分配任务，再把不同子任务交给多个并行子 Agent 同时处理，以此缩短端到端耗时。

反过来，轮到它自己当子 Agent 时，它也知道该怎么配合：完成自己负责的部分，认清可用工具，遇到能力边界及时上报，而不是闷头乱干。

而且采用主动管理机制。它不只是能塞进更多内容，还能记住自己做过什么，找回很早之前的信息，并在压缩上下文时保留后续步骤需要用到的关键内容。

对于没见过的新工具、MCP 服务和自定义技能，Muse Spark 1.1 也能在零样本情况下直接上手。

计算机操作（Computer Use）方面，Meta 给出的思路很务实。

过去很多电脑操作 Agent，几乎每一步都要重新看屏幕、重新推理、重新点击，整个过程慢得让人着急。

写脚本更快，就直接写脚本；点几下更省事，就直接操作界面；需要批量执行时，还能一次生成多步操作并统一执行。

Meta 举了一个「组织晚餐聚会」的案例：用户在订餐过程中临时改变条件，模型自己发现新情况、自己调整方案，整个流程不需要用户反复介入。

跨应用、长流程、信息持续变化，这些过去最容易让 Agent 断片的场景，Muse Spark 1.1 都能把上下文维持住。遇到陌生界面，也基本不用人手把手带。

写代码这块，自己给自己打分

代码能力方面，Meta 这次重点强调了

比如诊断和修复复杂 bug、给企业级系统增加新功能、执行大规模代码迁移。在创建网页应用、端到端问答等用例上，Muse Spark 1.1 相比初代也有明显提升。

它还被训练得很「不挑工位」。

不同编码工具链、不同 harness、不同 Agent 编码套件里的常见玩法，包括规划模式、目标条件设定、子 Agent 委派、上下文压缩，它都能适配。

换句话说，把它放进哪家的编码工具里，它都能比较快进入工作状态。

Meta 展示了一个 OpenCode 调试演示：模型先搭建了一个聊天网页应用，然后自动截图，从截图里找出用户能看到的问题，再顺着线索定位相关代码，修改后继续验证。

写代码、看截图、调工具、再验证，整套流程连在一起，已经接近真实开发中的 Agent 工作方式。

Meta 内部，工程师和研究员已经在高频使用 Muse Spark 1.1。按照官方说法，在 Meta Internal Coding Bench 这套内部代码评测中，1.1 相比初代提升明显，已经具备和头部模型正面竞争的能力。

更套娃的是，研究员已经开始用它自动化模型研发和评测流程。

另一个演示里，Muse Spark 1.1 在 DeepSWE 任务子集上，用不同推理强度评测自己，最后还根据结果生成了一份分析看板。

自己考试，自己阅卷，自己出成绩单（doge）。

拍段视频，它帮你把二手挂上架

多模态方面，Meta 主推的是「边看边干活」。

也就是说，Muse Spark 1.1 的

它可以和真实环境交互，输出有事实依据的结果。视觉转代码、细粒度图像和视频描述、多模态 Agent 工作流执行，都是 Meta 点名强调的能力。

放到实际场景里，它能看图、看视频、听音频，在长流程里持续记住这些细节，再带着这些信息去操作电脑。

最接地气的演示来自 Facebook Marketplace。

用户用手机随手拍一段商品视频，模型会从视频里挑出可用照片，判断商品类别和状态，然后自己打开浏览器，替用户完成二手商品上架。

值得注意的是，Muse Spark 1.1 也是 Meta 本周第二个 Muse 家族产品。就在周三，Meta 还发布了 Muse Image。这个图像生成模型此前的代号是 Mango，主要面向创作者和广告客户。

API 方面，Meta 几个早期合作伙伴已经出来站台。

他们给 Muse Spark 1.1 的总体评价，可以概括成一句话：

Replit CEO Amjad Masad 认为最令人印象深刻的地方，是 Meta 把大量能力放进了同一个模型里：百万 token 上下文、图像视频 PDF 支持、自带引用的内置搜索、强推理、结构化输出、并行工具调用，以及顶级编码能力。

在他看来，Muse Spark 1.1 尤其擅长前端和设计类任务。他还顺便提到一点：整套能力被打包成了「干净的 OpenAI 兼容格式」。

Cline CEO Saoud Rizwan 则重点提到了价格。

在他看来，Meta 明显是冲着「严肃的 Agent 编码」来的：工具调用能力强，价格又压到了可以大规模运行编码任务的水平。

事实上，

Meta AI 负责人 Alexandr Wang 在接受外媒 CNBC 采访时表示，这个价格「非常激进，也很有吸引力」。

Meta 敢把价格打到这个位置，靠的当然不只是模型本身。据路透社查阅的一份内部备忘录，

Iris 属于 Meta 的 MTIA 项目，全称是 Meta Training and Inference Accelerators。按照规划，它是 Meta 四代 AI 芯片中的一代，目标是强化 Facebook、Instagram 等核心产品背后的 AI 系统。

备忘录显示

博通是这款芯片的设计合作伙伴，TSMC 负责制造。

自研芯片这件事，对 Meta 的意义不言而喻：

不过 Iris 的定位不是替代 GPU。

按照备忘录说法，它会补充 Meta 继续大量采购的 Nvidia 和 AMD GPU。换句话说，Meta 现在要做的是多条腿走路：顶级 GPU 继续买，自研芯片也要加速推进。

而且芯片只是第一层。同一份备忘录还提到，Meta 正在推进更大规模的基础设施扩张：

这个量级已经不是普通数据中心扩建，而是超级智能时代的能源和算力工程。

哦，对了，虽然 Meta 也开始卖 API，但这不代表彻底放弃开源。

安全方面，Meta 表示已经按照自家的 Advanced AI Scaling Framework，完成了大量部署前评估。这套框架主要用于定义最先进模型的评估方法、威胁模型和部署门槛。

完整安全评估细节，被 Meta 写进了《Muse Spark 1.1 Evaluation Report》。能力评测的详细数据，也一并收录在报告里。

博客的最后，Meta 表示

一周之内连续出手，后面还留着存货。至少从姿态上看，Meta 超级智能实验室已经不打算继续低调了。