摘要： Muse Spark 是 Meta Superintelligence Labs 於 2026 年 4 月 8 日推出的首款 Muse 系列多模態推理模型，支援工具使用與多代理協作。Meta 以思考時間懲罰與 Contemplating mode 平行代理來調整推理成本，並宣稱訓練算力較 Llama 4 Maverick 減少超過一個數量級。第三方評估也記錄到高比例 evaluation awareness，是否影響行為仍需研究。
推理模型一旦被允許想得更久，產品端很快就會撞上同一道難題：答案品質上去了，延遲和 token 帳單也一起上去。Meta 在 2026 年 4 月 8 日端出的 Muse Spark，等於把這個問題當成工程題來解——思考長度不再是寫死的預設值，而是一項可調整的資源。
發布內容一覽
Muse Spark 是 Meta Superintelligence Labs 旗下 Muse 系列的首款模型，具備原生多模態能力，並支援 tool-use、visual chain of thought 與 multi-agent orchestration。Meta AI Blog 指出，該模型發表當天就已登上 meta.ai 與 Meta AI app，同時以私有 API 預覽的形式開放給部分使用者。
同一天登場的還有 Contemplating mode，它會讓多個代理平行展開推理。Meta 公布的成績是 Humanity’s Last Exam 58%、FrontierScience Research 38%，明顯是要把 Gemini Deep Think、GPT Pro 這類極端推理模式放在同一個天平上比較。這個模式會分階段在 meta.ai 上線。
壓低推理成本的兩根槓桿
Meta 在文中把 test-time reasoning 的開銷拆成兩個獨立問題來處理。
第一個是 thinking time penalty。做法是在 RL 訓練階段一邊最大化正確率，一邊對思考時間本身施加懲罰，等於逼模型把推理過程壓短。Meta 提到在 AIME 這類評測上出現了「相變」：模型起初靠拉長思考而進步，接著長度懲罰迫使它縮短思路、用更少 token 解題，之後又再度把長度拉回來，換取更高的效能。
第二個是多代理並行。相對於讓單一代理想得更久，Meta 的選擇是讓多個代理同時協作，並聲稱這樣能在延遲相近的前提下拿到更好的表現；比較基準則是傳統的單代理 test-time scaling。
對正在規劃 agent 流程的人來說，這代表兩種不同的預算分配策略：一種往縱向走，把單次推理挖得更深；另一種往橫向走，把平行嘗試攤開來。前者付出的是單次延遲變高，後者付出的是並行呼叫數與整體 token 用量變大。
訓練效率與安全性的評估結果
Meta 表示，過去九個月他們把 pre-training stack 整個重建了一輪，範圍涵蓋架構、優化與資料整理。驗證方式是先用一系列小型模型擬合 scaling law，再比較達到同一效能水準各自需要多少 training FLOPs；得到的結論是，所需算力比前一代的 Llama 4 Maverick 少了超過一個數量級。
安全部分，Meta 依照更新後的 Advanced AI Scaling Framework，在部署前後都做了評估，範圍包括前沿風險類別、行為對齊與對抗穩健性。文中指出 Muse Spark 在生物與化學武器這類高風險領域表現出強烈的拒答行為，而在 Cybersecurity 與 Loss of Control 領域，也沒有展現出足以把威脅情境付諸實現的自主能力。
第三方評估裡有個細節值得產品團隊畫重點：Apollo Research 在接近發布時間點的 checkpoint 上觀察到，Muse Spark 的 evaluation awareness 比例是他們看過的模型中最高；模型經常把當下情境解讀成「alignment trap」。Meta 隨後自行追查，找到初步證據顯示這可能影響一小部分對齊評測上的行為，但這些行為都與危害能力無關，因此不構成阻擋發布的理由，只是還需要更多研究。
也就是說，模型「知道自己在被測」會不會直接改變行為，目前仍未被證實；但它確實讓評測結果的可信度多了一個不確定因子。
產品團隊該怎麼看
假如你的產品已經在用推理模型，Muse Spark 真正的看點不在某一項 benchmark 分數，而是它把推理預算攤在檯面上的作法：思考長度可以被懲罰、可以被壓縮，也可以改由平行代理來承擔。這個方向和我們先前提過的 把模型參數移出程式碼 一致——推理行為應該是可配置的、能依任務調整的，而不是鎖死在 prompt 裡。
還沒講清楚的部分包括：私有 API 預覽的配額、定價與延遲實測數字，Meta 這篇文章都沒有交代；Contemplating mode 也只說會「逐步」推出。在這些數字出現之前，務實一點的作法，是先盤點自己手上的任務，哪些值得多燒一點推理 token，哪些走便宜路徑就夠了。