Meta 旗下研究机构 Meta Superintelligence Labs 于 2026 年 9 月 2 日（美国时间）发布了 AI 模型「Muse Spark 1.3」。该模型当天即可在面向开发者的编程环境「Muse Code」和「Meta Model API」中使用，重点在于提升长时间智能体任务和编程场景下的实用性。根据 Meta 的内部对比，与上一代 Muse Spark 1.2 相比，工具调用次数减少约 20%，消耗的 token 减少约 25%。
在一个线程中承载更长的工作
这次更新中，Meta 强调的并非模型本身有多聪明，而是「在真实场景中是否好用」。Meta 表示，它把 Muse Code 和 Meta Model API 数月来被广泛使用所积累的经验，反馈到了模型的行为设计中。
具体来说，Muse Spark 1.3 被设计为能够在同一个长线程中并行推进多项工作，也就是所谓的长时程（long-horizon）任务。即便只给出一个笼统的目标，它也会借助工具从杂乱且相互矛盾的信息源中自行构建上下文，主动补上计划中的缺口，并记住过程中学到的内容，一直做到最终交付物。训练阶段跨越了多种执行环境（harness），因此不容易依赖特定的工具配置。
学会「不擅自往前冲」
智能体模型令人头疼的一点是，指令模糊时往往会自作主张地推进。Muse Spark 1.3 经过训练，会在指令不明确时反问确认，在卡住时向人求助，并在执行不可逆操作之前务必先征得确认。工作过程中的汇报方式也会根据用户偏好切换：既可以频繁汇报进度，也可以安静地在后台执行。
对复杂长指令的遵循能力同样得到改善。在跨多个步骤的任务中，模型更不容易中途丢失细节约束，或偏离指定流程。此外，当一个线程里混杂多个话题时，它也能更准确地判断新到的指令属于哪项工作，区分这是在修正过去的请求，还是在打断当前正在进行的任务。
另一个值得关注的改进是让模型认识到自身能力的边界。Meta 表示，它训练 Muse Spark 1.3 去认识自己能做什么、不能做什么，知道什么、不知道什么，遇到障碍时承认卡住，而不是编造结果。作为应对智能体「假装完成」问题的手段，这是一项低调但在实际工作中很有效的改进。
编程：更短、更安静、更快
在编程方面，模型增加了长时程开发任务重新训练。与 Muse Spark 1.2 相比，不必要的来回减少，输出更简洁，代码风格也更整洁。在 Meta 工程师的对比中，工具调用减少约 20%，token 消耗减少约 25%，在体感速度和效率两方面都拉开了明显差距。
通过 Meta Model API 使用时，价格为每百万输入 token 1.25 美元（约 200 日元），每百万输出 token 4.25 美元（约 670 日元），与上一代 Muse Spark 1.1 发布时的水平相同。上下文长度支持约 100 万 token。※按 1 美元 = 158 日元换算（以 2026 年 9 月 2 日收盘价为准）
此外，此前已提供的推理模式从第一天起即可使用，但最高档的「max reasoning」将在完成额外安全测试后陆续开放。Meta 还公布了一份评分卡，在智能体、编程、指令遵循和长上下文各项评测中，对比了 Muse Spark 1.3、Muse Spark 1.2、OpenAI 的 GPT 5.6 Sol（max）以及 Anthropic 的 Opus 5（max）。
安全性与后续展望
在安全方面，Meta 重点强化了与智能体任务和编程直接相关的项目。除了提高对对抗性输入和提示注入（通过外部文档等植入指令来诱导 AI 的攻击）的抵抗力之外，还提升了在复杂智能体任务中判断「哪些操作不可撤销」的准确度，并据此更谨慎地推进。
展望未来，Meta 提到将推出更大规模的模型，并在完成最终的安全微调后公开 Muse Spark 1.2 的权重。从免费分发的 Llama 路线转向付费 API 的 Meta，再次表明会同步继续发布开放权重的姿态。
总结
Muse Spark 1.3 是一次打磨运营层面的更新，关注点不在性能竞赛，而在于「把长任务交给它会不会崩」以及「拿不准时能否交还给人」。工具调用和 token 消耗的削减直接转化为成本与等待时间的下降，价格也维持在原有水平。max reasoning 的开放和 Muse Spark 1.2 开放权重的发布，将是接下来的看点。
