Meta 推出了 Muse Spark 1.3，智能体和编码能力大幅提升，成本降低 25%，更适合生产环境使用。
Meta AI Research 发布 Muse Spark 1.3，基于大规模用户反馈优化了智能体任务和编码任务。新版本在工程化和落地应用方面有显著提升，工具调用减少约 20%，token 消耗减少约 25%。模型在长程任务处理、主动协作、复杂指令遵循、多任务路由和自我认知校准五个方面进行了针对性改进。
Muse Spark 1.3 发布！ Meta AI Research 基于 Muse Code 和 Meta Model API 大规模使用反馈，对模型在智能体任务和编码任务上做了针对性打磨。Mu...
Muse Spark 1.3 发布！ Meta AI Research 基于 Muse Code 和 Meta Model API 大规模使用反馈，对模型在智能体任务和编码任务上做了针对性打磨。Muse Spark 1.3 在工程化、面向落地方面有很大提升。 research.meta.ai/blog/introduci… # Agentic 能力：五个具体改进点 1. 长程任务与多线程工作：在单一长对话中同时处理多个工作流；面对开放式目标时，能用工具从杂乱、互相冲突的来源中自建上下文，主动补齐计划漏洞，并持续记录已学到的信息直至产出最终交付物。Meta 强调训练用了"多样化的 harness"，目的是让模型不绑定某一种智能体框架。 2. 主动协作：提示词模糊时会先问澄清问题；卡住时会向用户求助；执行有后果的操作前会先确认。长任务中还能适配用户偏好——频繁汇报或静默后台执行。这实际上是把"何时打断用户"做成了可学习的行为。 3. 复杂长指令遵循：多步骤任务中更少丢约束、更少偏离既定流程。这是长程智能体最常见的失效模式之一，公告把它单列出来，说明这是 1.2 时期的主要用户反馈。 4. 多任务路由：在混乱的单线程上下文里，更准确地把新到的提示词映射到正确的任务上——无论用户是在修正之前的请求还是在打断当前任务。 5. 自我认知校准：更清楚自己能做什么、知道什么，以及何时遇到了障碍——而不是幻觉出一个结果。这一点对生产环境的可信度影响最直接。 # 编码：效率优先 相比 1.2，编码部分给了一组量化数据：Meta 内部工程师对比中，工具调用减少约 20%，token 消耗减少约 25%；同时"不必要的轮次更少、更不冗长、代码风格更干净"。 注意这里的方向：不是"解决更多题"，是要"用更少的资源解决同样的题"。对 API 用户，这直接转化为成本与延迟的下降。 Alexandr Wang @alexandr_wang 1/ today we’re releasing muse spark 1.3—available in muse code & the meta model api. this is our most capable model yet—frontier performance almost too cheap to meter. much stronger at agentic and coding with better usability. we think users will really notice the jump. 🔗 View Quoted Tweet 💬 2 🔄 0 ❤️ 0 👀 427 📊 2 ⚡