Meta于本周三正式发布了其最新人工智能模型,这也是该公司组建一支高薪团队以在AI赛道上与竞争对手展开较量后推出的首个重磅成果。
这款名为Muse Spark的新模型由Meta超级智能实验室打造。该实验室汇聚了一批来自各大AI公司的顶尖人才,于去年正式成立,由Scale AI联合创始人兼首席执行官Alexandr Wang领衔。Wang加入Meta AI团队的背后,是Meta与Scale AI签署的一项高达143亿美元投资协议。
该模型内部代号为"Avacodo",目前已驱动Meta AI应用程序及Meta AI官方网站,并将于近期陆续接入WhatsApp、Instagram、Facebook、Messenger以及AI智能眼镜等Meta旗下产品。Meta将这款新模型定位为"我们发展轨迹上的一个早期数据节点",并透露旗下规模更大的模型正在积极研发之中。
Meta在官方公告中表示:"这款初始模型在设计上追求轻量与高速,同时又具备出色的推理能力,能够处理科学、数学和健康领域的复杂问题。它是一个强大的基础,下一代模型已在开发之中。"
在瞬息万变的AI竞争格局中,Meta持续加大投入力度,专门组建了一支"超级智能团队",致力于推动通用人工智能(AGI)的实现。Muse Spark的发布,正值Meta去年推出的Llama系列模型反响不及预期之后。
面对激烈的市场竞争,Meta押注AI以追赶并保持与同行的竞争力。去年11月,谷歌凭借Gemini 3模型实现弯道超车,以出色的代码编写和研究能力令业界瞩目;OpenAI则随即跟进,对GPT-5进行了一系列更新。
Q&A
Q1:Meta的Muse Spark模型有哪些主要功能和特点?
A:Muse Spark是Meta超级智能实验室开发的最新AI模型,设计定位是轻量且高速,同时具备较强的推理能力,能够处理科学、数学和健康等领域的复杂问题。该模型目前已应用于Meta AI应用程序和官方网站,后续还将接入WhatsApp、Instagram、Facebook、Messenger及AI智能眼镜等平台。Meta表示这只是其发展轨迹上的早期成果,更大规模的模型正在研发中。
Q2:Meta超级智能实验室是如何组建的?
A:Meta超级智能实验室由Scale AI联合创始人兼首席执行官Alexandr Wang领导。该团队于去年从各大AI公司招募了一批顶尖AI人才组建而成。Wang加入Meta的契机,是Meta与Scale AI签署的一项高达143亿美元的投资协议。该实验室的核心目标是帮助Meta在AI领域更好地与Google、OpenAI等竞争对手抗衡,并推动通用人工智能的实现。
Q3:Muse Spark与谷歌Gemini 3、OpenAI的GPT-5相比处于什么水平?
A:从目前公开信息来看,Meta将Muse Spark定位为"早期数据节点",属于轻量级快速模型。相比之下,谷歌Gemini 3在去年11月凭借强大的代码编写和研究能力实现了对竞争对手的超越,而OpenAI也随即对GPT-5进行了更新。Meta承认目前仍在开发规模更大的后续模型,意味着Muse Spark更多是阶段性成果,而非全面领先的旗舰模型。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。