Meta Muse Spark 1.1发布：百万token上下文与智能体能力全面升级

Meta Muse Spark 1.1到底强在哪

Meta Superintelligence Labs 发布的 Muse Spark 1.1，不只是又一款大模型，更像是为“智能体任务”专门准备的工具型模型。它同时开放 Meta Model API 公共预览，走的是闭源托管、按 token 计费路线，重点面向多模态推理、浏览器操作和多步骤规划。

如果把大模型比作员工，Muse Spark 1.1 更像是一个能记事、会分工、能执行的项目负责人，而不是只会回答问题的助手。对于正在做自动化流程、agent workflow、内容处理和工具编排的团队，它的关注度很高。

核心能力：长上下文、多模态、工具调用

Muse Spark 1.1 的定位很明确：multimodal reasoning model。它支持文本、图像、视频和文档输入，输出以文本为主，适合需要大量上下文和连续动作的场景。

它最受关注的能力有三项：

1. 百万token上下文：标称上下文窗口达到 1,000,000 tokens，API 文档上限为 1,048,576 tokens。对于长对话、长文档、长任务编排很有帮助。

2. 多模态推理：可以同时理解图像、视频、文档等信息，适合电商、客服、知识检索和内容整理。

3. tool calling：API 支持 structured output、parallel tool calling、Files API、prompt caching，还能在 Responses API 中接入 web_search 工具，方便获取带引用来源的结果。

为什么它更像“智能体模型”

Muse Spark 1.1 的重点不只是输出答案，而是完成任务。Meta 强调它会在回答前先推理，并且允许开发者按请求调节推理强度，这让它更适合处理需要计划、执行、反馈再调整的工作流。

它的另一个亮点是上下文管理。Meta 称模型会主动处理百万 token 级上下文，记住前面做过什么，从早期任务中检索信息，并压缩保留关键信息。换句话说，它不是简单“记得多”，而是“会整理”。

这对长任务非常关键，比如：

- 需要多轮浏览网页并持续更新状态；

- 需要在多个工具之间来回切换；

- 需要把复杂目标拆成多个子步骤；

- 需要在过程中补充新信息并重新规划。

delegation：主智能体和子智能体的协作

Meta 特别强调了 delegation 能力。作为主智能体时，模型可以收集上下文、制定计划，再把执行任务分配给并行 subagents；作为 subagent 时，它又能理解分工、调用工具，并在需要时向主流程反馈。

这类设计对于复杂任务很实用。比如一个网页应用开发流程里，主智能体负责拆解需求，子智能体分别处理数据整理、界面生成、错误排查和结果验证，整体效率会比单线程执行更高。

在 computer use 场景中，它也会根据任务自动选择执行方式：如果写脚本更快，就生成脚本；如果直接点击更简单，就进行交互操作，并在每一步生成批量动作。这种灵活性让它更适合自动化桌面任务和浏览器任务。

性能表现怎么看

根据 Meta 自己公布的对比表，Muse Spark 1.1 在 tool use 和 tool-augmented reasoning 相关评测中表现领先，在 coding 和 multimodal 评测中排在第三。这个结果的含义很直接：它不是单纯追求代码正确率的模型，而是更偏向流程编排、工具调用和复杂任务执行。

不过也要保持理性。当前成绩来自厂商自报，基准、测试方法和参照对象都由 Meta 设定，竞争模型也通常会选择各自最强模式参与比较。所以这些数据更适合用来判断产品定位，不宜直接当作第三方结论。

接入方式：迁移门槛并不高

对开发者来说，Muse Spark 1.1 的一个实际优势是兼容性不错。Meta Model API 兼容 OpenAI SDK，这意味着现有 OpenAI 调用通常只需要更换 base URL、传入 key、指定 model ID，就可以做 A/B 测试。

如果现有工具链更偏 Anthropic 格式，例如 Claude Code 一类 harness，也可以对接 Messages API。像 OpenCode 这类 agent CLI，则可以通过配置 base URL、key 和 model ID 注册新的 provider。

这说明 Meta 的策略已经很清楚：不只发布模型权重，而是把 frontier model 直接做成可计费云服务，嵌入开发者日常工作流。

适合哪些场景

从公开演示看，Muse Spark 1.1 比较适合以下几类任务：

1. 电商发布：可从智能手机视频中提取图片，理解商品信息，再在浏览器中完成上架流程。

2. 代码开发：可构建聊天网页应用，自动截图，定位失败原因，再验证修复结果。

3. 动态任务：在晚餐聚会这类不断变化的上下文中，模型能主动更新计划。

4. 长周期工程智能体：适合 planning mode、goal conditioning、subagent delegation 和 context compaction 这类场景。

价格与可用性

消费者可以在 Meta AI app 和 meta.ai 的 Thinking 模式中免费使用 Muse Spark 1.1。开发者侧则按 token 计费，公开信息显示价格约为每百万 input tokens 1.25 美元、每百万 output tokens 4.25 美元，新账户还有 20 美元免费额度。

需要注意的是，公共预览目前据称仅限美国，欧盟地区暂未开放。对于需要全球合规部署的团队来说，这一点会直接影响试用节奏和上线计划。

优点和限制要一起看

综合来看，Muse Spark 1.1 的优势很清晰：

- tool use 和 tool-augmented reasoning 表现突出；

- 百万 token 上下文适合长任务；

- 支持陌生工具、MCP servers 和 custom skills 的零样本泛化；

- 兼容 OpenAI 和 Anthropic 生态，接入成本低。

但限制也很明确：

- 它是 closed weights，不能本地部署；

- 不适合直接做传统意义上的本地微调；

- 成绩仍需更多第三方评测验证；

- 地区可用性和预览政策可能影响落地。

结语

Meta Muse Spark 1.1 的意义，不只是模型能力升级，更是 Meta 首次把自家 frontier model 以付费 API 形式推向开发者。它的强项集中在工具调用、长上下文压缩、任务委派和多模态智能体编排。

如果团队正在评估 agentic workflow，Muse Spark 1.1 值得加入对比测试名单。它未必是所有场景的最优解，但在长任务、复杂流程和多工具协作上，确实提供了一个很有竞争力的新选项。