刚刚，AI 圈神仙打架模型+1，Meta发布Muse Spark 1.3

继Anthropic和Google更新模型后，Meta于本周加入大模型密集发布潮，正式发布Muse Spark 1.3，即日起登陆Muse Code和Meta Model API。

相比上一代1.2版本，本次升级聚焦Agent长任务、编程、多任务处理和复杂指令遵循，同时降低完成工程任务所需的工具调用和Token消耗。扎克伯格在X上表示，这是Meta在编程和Agent工作上幅度最大的一次升级，性能接近前沿模型，价格“低到几乎可以忽略不计”。Meta规划显示，更大的Muse模型和开放权重版本已列入后续发布计划。

Muse Spark 1.3的核心变化体现在长时间运行的Agent工作流上。模型面对开放式任务时，能自主使用工具收集上下文，从杂乱或冲突信息中整理线索，发现计划缺口后主动调整，并持续记录信息直至生成最终交付物。Meta称，模型在多种Agent harness中训练，以提高对不同环境的适应能力。

用户协作方式亦有改变：面对不明确指令，模型会主动询问；任务受阻时寻求帮助；涉及不可逆或高影响操作前会确认。长任务中，模型可根据用户偏好调整工作方式，如持续汇报进度或降低通知频率。Meta还强化了模型对自身能力边界的判断，使其能区分“知道什么、不知道什么、能做什么、做不了什么”，遇障碍时明确表达而非虚构结果。

复杂指令遵循是另一升级重点。模型在多步骤任务中更易记住前文要求，减少后半段遗漏条件或偏离流程的问题。Meta展示的案例为航空工程报告生成，需同时读取CFD仿真数据和STEP格式CAD文件，提取多项数据并分析后按指定章节导出PDF。

Meta AI负责人Alexandr Wang接受Axios采访时表示，该改进将服务于扎克伯格多次提及的个人Agent——能长期代表用户工作的AI系统。

编程能力是另一重点方向。Meta增加了长时间编程任务训练，新模型回复更克制，代码风格更干净。内部比较显示，完成相同任务时平均减少约20%工具调用和约25%Token消耗。对AI Coding产品而言，这两个数字比Benchmark分数更具实际意义，可降低等待时间、推理成本和API消耗。

参与研发的北大校友孙之清透露，团队对Avocado模型进行了后训练，并强化了测试时扩展能力。此外，开发者若同意Meta使用其代码和工作数据训练模型，可加入contributor tier，以更低价格使用产品。Wang表示已有“两位数比例”开发者选择该方案，这有助于Meta获取真实开发数据并扩大用户规模。

安全方面，Meta未因安全问题暂停研发，而是增加安全与Alignment投入。Muse Spark 1.3已提供此前开放的推理模式，更高计算量的max reasoning版本需完成额外安全测试后发布。

本周模型竞争激烈：Anthropic更新Fable和Mythos系列，Google发布Gemini 3.8 Flash及网络安全专用版本，OpenAI确认Astra即将推出。Meta需面对的不只是单项Benchmark竞争，还有Coding、Agent、长上下文、工具调用和单位成本的全面争夺。Wang在发布后对Gemini新模型玩梗称：“我真不想这么说，但是……Gemini是谁？”