Muse Spark 2026 版本时间线与规格：1.1 至 1.3 能力梳理

Muse Spark 是 Meta Superintelligence Labs 在 2026 年推出的多模态推理模型系列，首个版本于 4 月 8 日公开亮相。截至 2026 年 9 月 23 日，官方推荐的新项目版本已经更新到 Muse Spark 1.3。它的定位并非单纯的聊天模型，而是面向长流程任务、工具调用、软件开发和多模态理解的智能执行模型；公开规格包括 1,048,576 tokens 上下文窗口以及文本、图片、视频、音频和 PDF 输入，但官方尚未公布总参数量。

图：Meta 官方 Muse Spark 首发页面，页面显示的发布日期为 2026 年 4 月 8 日。截图于 2026 年 9 月 23 日获取，来源：Meta 官方发布页。

Muse Spark 是什么？

官方写法是“Muse Spark”，并非全大写的“MUSE Spark”。它是 Muse 模型家族中的首个成员，由 Meta Superintelligence Labs 开发。与主要面向本地运行的开放权重模型不同，Muse Spark 当前首先服务于 Meta AI、Muse Code 和 Meta Model API，强调推理、感知与行动之间的衔接。

首发版本已经支持原生多模态理解、工具使用、视觉推理和多智能体协作。随后三个小版本没有改变产品方向，而是逐步把重点从“能看、能推理”推进到“能持续执行复杂工作”。

2026 年发布时间线

这条时间线有一个容易忽略的细节：Muse Spark 是系列名称，1.1、1.2 和 1.3 才是开发者调用时需要区分的版本。当前官方文档建议新项目选用 muse-spark-1.3，1.1 与 1.2 仍保留，便于已有项目继续使用或对照结果。

Muse Spark 的五项核心能力

1. 原生多模态理解

Muse Spark 能够同时处理文本、图片、视频、音频和 PDF。这里的多模态不只是识别图片中的物体：模型还能结合画面布局、图表信息和文字说明继续推理，并把理解结果用于后续操作。比如，它能够读取界面截图或演示视频，再生成可运行的网页；也能从视频中提取信息，交给工具完成下一步任务。

需要留意的是，官方文档注明 Muse Spark 1.3 的音频理解当前并未得到完整支持，含音频请求的输出质量可能下降。以音频为核心的任务现阶段更适合使用 1.2，或改用专门的语音转写模型。

2. 长流程智能执行

1.3 的训练重点是需要多轮操作才能完成的任务。模型会保留已有结论、整理冲突信息、发现计划缺口，并在条件不足时向用户询问。它不只是给出一段建议，还能在授权范围内调用工具、读取结果、修正步骤并继续执行。

这种能力适用于资料整理、跨文件分析、项目维护和业务流程操作。但，模型是否能完成某项具体工作仍取决于外部工具、权限、运行环境以及任务本身是否可验证，不能把“支持工具调用”理解成任何操作都能自动完成。

3. 多智能体协作

首发时一同展示的 Contemplating 模式会让多个智能体并行处理同一问题，再汇总结果。它与单个智能体单纯延长思考时间的区别在于：不同分支能够分别搜索、比较或验证信息，在不等比例增加等待时间的情况下扩大推理范围。

开发者也能通过接口组织多个角色，让它们分别承担规划、实现、检查等任务。多智能体并不天然等于更准确；任务拆分、上下文分配和最终核验仍会明显影响结果。

4. 编程与计算机操作

Muse Spark 1.2 开始明显偏向软件开发，1.3 又进一步减少了不必要的轮次和工具调用。官方给出的内部对比显示，1.3 相比 1.2 约少使用 20% 的工具调用和 25% 的 tokens。它适合代码库问答、跨文件修改、调试、终端任务以及依据图片或视频还原网页。

计算机操作能力则允许模型依据屏幕画面移动鼠标、填写界面并执行连续步骤。具体接入时，应对删除、提交、付款等不可轻易撤销的动作设置确认环节，而不是让模型无条件执行。

5. 长上下文、结构化输出与联网检索

Muse Spark 1.1 至 1.3 均提供 1,048,576 tokens 的上下文窗口，适合输入大型代码库、长文档或较长的任务记录。Meta Model API 还支持结构化输出、并行工具调用和带来源标注的联网检索，方便模型把结果交给后续程序处理。

一百万 tokens 代表可接收的上下文上限，不代表每次请求都应塞满材料。输入越长，延迟与费用通常越高，关键信息也可能更难被模型稳定调用。具体项目仍应先清理重复内容，并对长资料建立明确的章节和检索结构。

Muse Spark 1.3 模型参数与接口规格

参数量为什么查不到？

截至本文更新时间，Meta 没有在 Muse Spark 发布页、模型文档或评测报告中披露总参数量、激活参数量、层数与专家数量。所以，网上出现的具体规模数字不能视为官方数据。

Muse Glimmer 30B 虽然由 Muse Spark 蒸馏而来，并公开标注为 300 亿参数，但它是另一个面向本地智能执行任务的模型，不能据此反推 Muse Spark 的规模。判断 Muse Spark 的具体使用成本与能力时，上下文长度、输出上限、延迟、工具稳定性和任务评测比分散猜测参数量更有参考价值。

性能数据该怎么看？

首发版本在 Contemplating 模式下取得 Humanity's Last Exam 58% 和 FrontierScience Research 38% 的官方成绩。到了 1.3，官方列出的部分结果包括 OSWorld 2.0 的 66.9 分（partial）与 32.0 分（binary）、DeepSWE v1.1 的 75.4 分，以及 Terminal-Bench 2.1 的 88.8 分。

这些数字能说明模型在推理、计算机操作和开发任务上的训练方向，但不宜直接等同于日常体验。不同模型可能使用不同推理档位、工具环境和评分规则，而且上述成绩主要来自厂商评测。选择模型时，最好再用自己的任务集比较成功率、耗时、费用和需要人工修正的次数。

当前能够在哪里使用？

普通用户能够在 Meta AI 的网页端和应用端接触由 Muse Spark 驱动的能力；开发者能够使用 Muse Code 或 Meta Model API。1.3 已是官方文档中的默认推荐版本，并提供标准版与允许数据用于改进产品的 Contributor 版本。不同地区、账户和产品入口的开放情况可能存在差异，具体应以登录后的控制台为准。

若目标是本地离线运行，当前不能把 Muse Spark 1.3 当作已经发布权重的模型。官方在 9 月 2 日的公告中仍把开放权重列为后续计划，所以现阶段更准确的描述是“云端托管模型，开放权重版本尚待发布”。

Muse Spark 在 2026 年完成了从首发到 1.3 的快速迭代：基础版本建立原生多模态和并行推理能力，1.1 打开开发者接口，1.2 集中加强长流程编程，1.3 则进一步提升持续执行、指令保持和工具效率。它当前最明确的公开规格是 1,048,576 tokens 上下文、最高 131,072 tokens 输出，以及覆盖文本、图片、视频、音频和 PDF 的输入能力。

需要明确的是，Muse Spark 的总参数量仍未公开，开放权重也尚未正式提供。评价这款模型时，应把官方确认的接口规格、真实任务表现和部署限制放在参数规模猜测之前。