Meta 发布 Muse Spark 1.1：面向 AI 智能体强化多模态推理、长上下文与工具调用
据 IT之家 7 月 12 日消息，Meta 已于 7 月 9 日正式发布多模态推理模型 Muse Spark 1.1。这一版本面向 AI 智能体场景，重点提升规划、协同和执行能力，并在工具调用、代码开发、应用操作等方面进行增强。来源显示，Muse Spark 1.1 目前已上线 Meta AI App 和 meta.ai 的 Thinking 模式，同时 Meta 也面向普通开发者开放 Meta Model API 预览版，允许开发者通过 API 调用该模型并集成到自己的应用中。
从“回答问题”走向“执行任务”：Muse Spark 1.1 强化智能体链路
与单纯强调对话和生成能力的模型不同，Muse Spark 1.1 的核心更新更接近当前 AI 智能体的发展方向：让模型不仅能理解任务，还能规划步骤、调用工具、协调多个执行单元，并在较长时间跨度内保持上下文连续性。
Meta 表示，新版本强化了多智能体协作机制：由主智能体负责收集信息、制定计划，再把任务拆分给多个子智能体并行处理。这类设计的目标，是在复杂项目中缩短处理时间，并减少单一模型串行执行造成的等待和上下文压力。
值得注意的是，Muse Spark 1.1 支持最高 100 万 token 上下文长度。对于需要反复查看资料、跟踪任务状态、引用早期决策的工作流来说，长上下文能力是智能体能否稳定完成复杂任务的关键之一。来源显示，该模型可以在长时间工作流程中保留关键信息，并调用较早阶段的内容。
- 多智能体协作：主智能体规划任务，子智能体并行执行。
- 长上下文保持：支持最高 100 万 token，用于长流程任务。
- 工具与应用操作：可根据场景选择点击界面、编写脚本或批量执行步骤。
- 代码开发增强：可诊断和修复复杂错误、开发功能、执行大规模代码迁移。
应用操作与代码开发是重点落地场景
在应用操作方面，Muse Spark 1.1 被描述为可以在多个应用之间持续执行长流程任务，并根据不同场景自主判断采用哪种执行方式。例如，模型可以选择直接点击界面，也可以通过编写脚本完成自动化，或一次性完成多个操作步骤。这意味着它并不只是“看懂界面”，而是在尝试把操作策略、工具选择和执行路径整合到一个更完整的自动化流程中。
在软件开发场景中，新版本同样被赋予较强的智能体属性。来源称，Muse Spark 1.1 可用于诊断并修复复杂程序错误、开发新功能，以及执行大规模代码迁移任务。它还能提前规划开发步骤、拆分子任务，并在长时间开发过程中保留重要上下文。Meta 表示，公司内部开发人员和研究人员已经每天使用 Muse Spark 1.1 来辅助软件开发和模型评测。
这类能力对开发者工具市场具有直接意义。过去的代码助手主要围绕补全、问答和局部修改展开，而面向智能体的模型更强调“从目标到交付”的闭环：理解需求、拆分任务、调用工具、修改代码、验证结果，并在失败后继续调整。Muse Spark 1.1 的发布，也显示大模型竞争正在从参数和榜单，进一步转向可执行工作流。
安全评估与竞争位置：能力提升，但仍有差距
Meta 同时强调了 Muse Spark 1.1 的安全性。来源显示，该模型已按照 Meta 内部安全框架《Advanced AI Scaling Framework》完成部署前评估，在化学与生物安全、网络安全以及失控风险等前沿风险领域均维持在安全范围内。新版本还提升了对提示词注入、越狱攻击等攻击方式的抵抗能力，并降低了模型幻觉和迎合用户倾向。
根据 Meta 内部 AI 安全治理框架的评估结果，Muse Spark 1.1 在智能体能力、代码开发和通用推理方面相比前代有明显提升，同时在置信度校准、风险识别和欺骗倾向等指标上也有较大改善。不过，来源也提到，在部分电脑操作、长上下文以及代码开发测试中，它的表现仍落后于 GPT-5.5 和 Claude Opus 4.8。
从产业角度看，Muse Spark 1.1 的意义不只是 Meta 推出一个新模型，而是表明头部 AI 厂商正在把智能体能力作为下一阶段重点：更长上下文、更强工具调用、更稳定的应用控制，以及面向开发者的 API 接入。随着 Meta Model API 预览版开放，开发者将有机会把这类能力嵌入自有产品，围绕办公自动化、软件工程、数据处理和多应用协作构建新的 AI 工作流。