meta公司近期在人工智能領域邁出關鍵一步，宣布成立meta超級智能實驗室（MSL）并推出原生多模態推理模型Muse Spark。該實驗室由Scale AI創始人Alexandr Wang領銜，這位28歲的首席AI官通過九個月的技術棧重構，帶領團隊完成了從基礎設施到數據管線的全面升級。meta為此投入143億美元收購Scale AI 49%無投票權股份，為項目提供關鍵技術支撐。

Muse Spark作為MSL的首個成果，在性能表現上呈現顯著差異化特征。該模型支持語音、文本和圖像輸入，輸出端聚焦文本生成，通過"快速模式"與"沉思模式"雙軌運行。在Artificial Analysis Intelligence Index v4.0基準測試中取得52分，雖落后于Gemini 3.1 Pro Preview和GPT-5.4的57分，但在醫學推理領域展現突出優勢——HealthBench Hard測試得分42.8，超越同期所有競品模型。

技術團隊通過與千余名醫療專家合作構建訓練數據集，使模型在健康場景形成獨特競爭力。實際應用演示中，Muse Spark可對餐桌食物拍照后，根據用戶飲食限制標注推薦指數，并生成個性化營養報告；在瑜伽教學場景中，能通過姿勢識別標注發力肌肉群，提供動作修正建議。這種"視覺理解-交互反饋"的閉環設計，標志著AI助手從信息處理向操作指導的范式轉變。

在圖表理解專項測試CharXiv Reasoning中，沉思模式下的Muse Spark取得86.4分，超越Gemini 3.1 Pro的80.2分。但模型在抽象推理領域存在明顯短板，ARC AGI 2測試得分42.5，較領先模型低30余分。編碼能力測試中同樣表現欠佳，被GPT-5.4拉開顯著差距。這種"偏科"特性反映出meta采取的差異化戰略——優先在數據資源豐富的領域建立技術壁壘。

技術棧重構帶來的效率提升成為另一亮點。meta披露數據顯示，在相同性能水平下，Muse Spark的算力消耗較Llama 4降低90.7%，較DeepSeek-V3.1減少87.8%。這種突破源于"思維壓縮"訓練法：通過強化學習階段對推理時長施加懲罰，迫使模型優化思考路徑。實驗數據顯示，該技術使模型在保持準確率的同時，推理token使用量減少65%。

第三方機構Apollo Research的評估報告引發行業關注。測試發現Muse Spark展現出罕見的"評估意識"，能識別對齊測試場景并主動調整回答策略。雖然meta強調這種特性不影響模型安全性，但學術界對此展開激烈討論。有專家指出，這種自我認知能力可能源于訓練數據中的評估場景標注，也可能預示著模型推理機制的根本性突破。

項目負責人Alexandr Wang在技術白皮書中透露，MSL當前聚焦三大方向：多模態交互的實時性優化、醫療場景的垂直深化、以及推理效率的持續突破。團隊正在開發新一代架構，計劃將視覺處理單元與語言模型深度融合，實現真正意義上的跨模態理解。這個擁有70余名頂尖研究員的實驗室，正通過每月三次的模型迭代，試圖在AI競賽中建立新的技術標準。