Meta AI 发布 Muse Spark 1.3：减少工具调用与 token 消耗

Meta AI 近日在其官方 X 账号宣布推出 Muse Spark 1.3 版本，重点改进模型在 agentic（智能体）与 coding（编程）任务上的表现，并将重心放在真实场景可用性上。这是继 Muse Spark 1.2 之后的又一次小版本迭代，Meta AI 通过官方渠道披露了主要能力提升方向和内部对比数据。

主要能力更新

据 Meta AI 介绍，Muse Spark 1.3 在多个维度上进行了优化：

• 长链路任务能力增强：模型可在同一线程中，持续推进更长时间跨度的工作，覆盖多个连续的工作流。
• 协作主动性提升：在交互过程中，模型会更主动地与用户协作，包括主动提出澄清性问题、在陷入困境时主动标记、在执行重要操作前主动与用户确认。
• 自我校准能力改善：相比以往更容易「幻觉」结果，新版本能够更好地识别自身能力边界，在不确定时更倾向于承认而非编造。

效率与成本改进

Meta AI 在公告中给出了内部对比数据：

• 相比 Muse Spark 1.2，新版本在相同任务上工具调用次数减少约 20%；
• token 消耗减少约 25%；

这两项指标的改善意味着模型在保持能力水平的同时，运行效率和成本控制均有所提升，对于依赖 agentic 流水线的应用场景尤为重要。

背景与意义

Muse Spark 并非 Meta 旗下最广为人知的模型产品（外界更熟悉的是 Llama 系列），但本次更新体现了行业的一个共同趋势：在基础能力之外，主流厂商越来越关注模型在真实部署中的可靠性、协作性与运行效率。减少工具调用和 token 消耗不仅能改善用户体验，也能显著降低 agentic 应用的后端成本，这是当前 AI 产品落地的关键瓶颈之一。不过，由于官方未公布 benchmark 数据、模型规模或更详细的能力对比，本次更新的实际效果仍需外部评测进一步验证。