meta近日正式推出专为AI智能体设计的多模态推理模型Muse Spark 1.1版本，该版本在智能体协作、工具调用、代码开发等核心能力上实现显著突破。新模型通过优化多智能体协作机制，构建了主从式任务分配体系——主智能体负责全局信息整合与战略规划，子智能体则并行执行拆解后的具体任务，这种架构使复杂项目的处理效率提升40%以上。
在上下文处理能力方面，Muse Spark 1.1支持最长100万token的输入窗口，通过改进的注意力机制实现跨时段信息关联。测试数据显示，模型在持续72小时的工作流程中，仍能准确调用初始阶段的关键参数，这在需要长周期推演的科研场景中具有重要应用价值。针对应用操作场景，模型可自主判断操作策略，既能直接执行界面点击，也能生成自动化脚本，在某金融系统的跨平台数据迁移测试中，人工干预次数减少67%。
代码开发领域迎来重要升级，新模型具备完整的软件工程生命周期管理能力。从错误诊断到功能开发，从架构重构到大规模代码迁移，模型可自动生成开发路线图并拆解子任务。meta内部测试显示，在处理包含20万行代码的遗留系统升级项目时，Muse Spark 1.1的规划准确率达到92%，开发周期缩短55%。该模型还引入上下文记忆锚点技术，确保在长达数周的开发过程中保持关键设计逻辑的连贯性。
安全体系构建成为本次升级的重点。依据meta《先进AI扩展框架》进行的风险评估显示，模型在生化安全、网络防御等12个关键领域均符合安全标准。通过引入动态验证机制，模型对提示词注入攻击的防御成功率提升至98.7%，同时将幻觉发生率控制在0.3%以下。特别值得关注的是，新版本建立了欺骗行为识别矩阵，可实时监测并纠正模型输出的误导性内容。
性能对比测试显示，Muse Spark 1.1在智能体协同、代码生成等6项核心指标上超越前代产品，其中多智能体协作效率提升3.2倍。但在特定场景下，模型在复杂系统操作精度和长文本理解深度上仍与GPT-5.5、Claude Opus 4.8存在差距。meta研发团队承认，在处理需要微秒级响应的实时控制系统时，模型仍需结合传统规则引擎使用。
目前该模型已通过meta AI App和meta.ai的Thinking模式向公众开放，开发者可通过meta Model API预览版进行集成调用。首批接入的200家企业反馈显示，模型在智能客服、自动化测试等场景中表现出色，某电商平台的订单处理系统接入后，异常订单识别准确率提升至99.2%。meta同时公布了模型能耗优化方案，通过稀疏激活技术将推理能耗降低38%，为大规模商用奠定基础。
