Meta AI 展示 Muse Spark 1.1 多模态代理能力

Meta AI 近日在其官方 X 账号上展示了新一代模型 Muse Spark 1.1 的能力，重点呈现其在多模态感知、视觉与音频联合理解、以及代理式（agentic）操作方面的表现。该演示以一段手机拍摄的视频为输入，展示模型在真实浏览器环境中自主完成任务的全流程。

多模态感知与长上下文理解

根据 Meta AI 的描述，Muse Spark 1.1 在感知和多模态推理方面表现突出，能够同时处理视觉与音频输入，并在较长的工作流中保留关键细节。官方还提到该模型在以下方向具有较强能力：

• 视觉到代码（visual-to-code）生成
• 丰富的图像与视频字幕（captioning）
• 代理式计算机使用（agentic computer use）

这些能力意味着模型不仅能识别图像和声音内容，还能在多步骤操作中维持上下文一致性。

演示场景：从视频到 Facebook 上架

在官方发布的演示中，用户使用智能手机拍摄一段产品视频，Muse Spark 1.1 据此执行以下流程：

• 从视频中提取出可用的产品照片
• 对产品信息进行推理分析
• 操作用户的浏览器
• 代用户在 Facebook Marketplace 上完成商品上架

这一端到端流程展示了模型将感知、推理和浏览器交互串联起来的实际可行性。

定位与待确认信息

截至目前，Meta AI 尚未在公开渠道披露 Muse Spark 1.1 的模型规模、训练数据、基准测试成绩或开放计划等关键参数，相关信息仅以 X 帖子的形式发布。该模型是 Meta 内部研究项目还是即将面向开发者开放的产品线，仍有待官方进一步说明。对于关注多模态代理方向的开发者与研究者而言，Muse Spark 1.1 提供了一个值得关注的能力样本，但能否在更广泛的生态中产生影响，还需观察后续的开放程度与技术细节披露。