Meta釋出多模態推理模型Muse Spark 1.1，強化AI智慧體任務能力

7月9日，Meta正式釋出多模態推理模型Muse Spark 1.1，在原有Muse Spark基礎上強化了複雜任務規劃、工具呼叫與多步推理能力，並明確把「AI智慧體（Agent）執行長鏈條任務」作為核心戰場。這意味著大模型競爭正從「誰更能聊天」轉向「誰更能替人把一件事真正幹完」。

從定位看，Muse Spark 1.1主打多模態——既能讀圖、看文件，也能在多輪對話中保持對任務上下文的連貫理解。Meta把重點放在「推理」而非單純生成：模型會在動手前先拆解目標、列出步驟、呼叫外部工具（搜尋、程式碼、檔案處理），再根據返回結果調整後續動作。這意味著大模型競爭正從「誰更能聊天」轉向「誰更能替人把一件事真正幹完」，這種「先想後做、邊做邊糾」的正規化，正是當前主流Agent框架試圖解決的核心難題。

Muse Spark 1.1的上下文視窗達到100萬token，足以一次性吞下整本技術手冊或一整套公司財報，這讓它在長文件分析與跨檔案推理上具備天然優勢。對需要持續跟蹤狀態的智慧體任務而言，長上下文意味著更少的資訊丟失與更少的「忘了前面說過什麼」式翻車。

不過橫向比較，Muse Spark 1.1仍然面對強敵環伺的局面。OpenAI的GPT-5.5、Anthropic的Claude Opus 4.8在Agent評測中依舊領跑，Meta的優勢更多體現在開源生態與社交場景資料的協同。行業普遍判斷，模型能力的差距正在收斂，真正的護城河越來越轉向工具鏈、執行時控制、評測體系與單位任務成本的結合，而非單一模型的引數規模。橫向比較，Muse Spark 1.1仍然面對強敵環伺的局面——OpenAI的GPT-5.5、Anthropic的Claude Opus 4.8在Agent評測中依舊領跑，Meta的優勢更多體現在開源生態與社交場景資料的協同。

把視線拉遠一點，Muse Spark 1.1的釋出折射出整個行業的共識轉向：企業級智慧體競賽，正從「比模型大小」走向「比全棧工程」——模型選擇、工具接線、執行時管控、安全沙箱、評測追蹤與每完成一項任務的成本，共同決定一個Agent能否在高風險工作流裡被真正信任。Meta能否借Muse系列在Agent賽道撕開缺口，接下來的整合細節、定價與延遲表現才是關鍵。