【事件概述】 Meta Superintelligence Labs 发布 Muse Spark 1.3，重点提升智能体与编码任务的长期协作能力。新版本不只强调把任务做完，还专门训练了在提示含糊时主动澄清、遇到阻碍时请求用户协助、执行重要操作前确认，并在同一长会话中区分多个并行工作流。当前带 max reasoning 的 Muse Spark 1.3 已在 Muse Code 和 Meta Model API 上线。 【模型与开发者】 模型：Muse Spark 1.3 开发者：Meta Superintelligence Labs 官方发布日期：2026 年 9 月 2 日 主要方向：长时智能体、工具调用、软件工程、多任务协作 当前入口：Muse Code、Meta Model API 推理档位：官方明确上线 max reasoning 权重状态：尚未开放；Meta 把 Muse Spark 开放权重列为后续路线图 日期核对说明：Meta AI Research 官方文章页面标注 2026-09-02，并写明模型“available today”。Muse Spark 初代、1.1 和 1.2 都是更早版本，本轮新闻只讨论 1.3 的更新，不把旧版本能力或媒体报道日期算作 1.3 的发布日期。 【关键能力与改动】 1. 长时任务协作：Muse Spark 1.3 面向开放式目标，能够在来源混乱、信息冲突的情况下用工具补充上下文，主动修正计划缺口，并持续记录已经确认的事实，最后形成交付物。 2. 更主动地找用户：当提示存在歧义时，模型会提出澄清问题；遇到无法自行解决的阻碍时，会请求用户帮助；准备执行有后果的操作时，会先确认。这种行为比“猜测后继续”更适合真实工作流。 3. 尊重过程偏好：执行长任务时，模型可根据用户偏好选择频繁汇报进度，或在后台安静工作。能否正确判断仍取决于产品层设置，应用不应只依赖模型自行揣测。 4. 复杂指令保持：Meta 称 1.3 比早期 Muse Spark 更能在多步骤任务中保存详细约束，减少执行中遗忘要求或偏离流程的问题。 5. 单线程多任务：新版本更准确地把新提示映射到正确任务，包括用户在旧请求之间切换、追加要求或中途打断的场景，减少把不同工作流内容串在一起的风险。 6. 能力边界感知：Meta 专门训练模型识别“能做什么、不能做什么、知道什么、不知道什么”，并在碰到障碍时暴露问题，而不是编造已经完成的结果。 7. 编码效率：Meta 工程师的内部比较显示，相比 Muse Spark 1.2，1.3 在常见工程工作流中约少用 20% 工具调用、约少用 25% token，同时减少不必要的往返并改善代码风格。 8. 智能体安全：官方称 1.3 加强了对对抗输入和提示注入的抵抗，并更能识别不可逆操作，在复杂任务中采用更谨慎的处理方式。 【适用对象】 适合维护较大代码库、需要跨文件调试与测试的工程团队，也适合让智能体处理研究、表格、文档、演示、音频和专业软件流程的开发者。对需要用户中途追加要求、任务持续较长、多个工作流共享一条会话的场景，1.3 的澄清与任务路由设计尤其值得测试。 【实际影响】 长任务失败往往不是模型完全不会做，而是它在第十几个步骤忘掉早期限制、把不同任务混在一起、遇到权限或缺失材料后假装成功。Muse Spark 1.3 把这些现实问题放到训练目标中，试图让智能体从“单次回答模型”变成更可协作的执行者。 这也意味着开发者评估智能体时，不能只看最终答案分数，还应记录它是否在正确时机澄清、是否在阻塞处停止、是否确认外部写操作、是否保持任务边界，以及中途被打断后能否回到正确目标。Meta 给出的工具调用与 token 降幅只是内部工程比较，真正成本仍取决于任务和推理档位。 【官方演示范围】 Meta 页面展示了机械工程 CFD 报告、音频低音轨修复、县级公共部门演示文稿与公众反馈摘要等长任务样例，意在说明模型可以组合附件、专业软件和多种交付格式。页面明确标注其中的 AI agent prototype 不是实际产品，因此不能把演示中的每项界面与能力当作当前 API 已提供的标准功能。 官方还称模型针对长时编码任务进行了更多训练，减少不必要回合和冗长输出。其发布页没有公开完整参数规模、权重下载链接或面向所有硬件的部署说明，本文不推测参数量、显存需求或本地运行能力。 【限制与使用提醒】 第一，Muse Spark 1.3 当前是 Muse Code 与 Meta Model API 中的托管模型，Meta 官方仍把 Muse Spark 开放权重列为未来事项。它不能被描述为已开源，也无法由外部团队完整审计训练数据或在本地独立复现。 第二，“约少 20% 工具调用、约少 25% token”来自 Meta 工程师内部比较，基线是 Muse Spark 1.2，不能外推到所有代码库，也不等同于成本必然下降。max reasoning 可能增加推理时间和用量，团队应按自己的任务做 A/B 测试。 第三，主动澄清和请求帮助仍可能触发得过多或过少。模型可能在应当停止时继续，也可能对低风险操作频繁打断。应用层需要明确哪些字段缺失必须询问、哪些动作必须人工批准、何时允许自动继续。 第四，提示注入抵抗有所增强不代表免疫。模型读取网页、邮件、代码注释和文档时，外部内容可能夹带诱导指令。应把数据与系统指令隔离，限制工具权限，标记不可信来源，并对跨账户、上传、删除、支付和发布动作设置独立审批。 第五，多任务长线程会增加上下文污染风险。不同客户、项目或敏感级别的材料不应为了方便放在同一会话；系统应使用任务 ID、隔离存储和可追溯状态，避免模型把旧任务信息带进新任务。 第六，模型自述“完成”“已保存”“已发送”不能替代外部验证。文件要检查真实路径和内容，代码要运行测试，网页和 API 要读取成功回执，外部发布要回查公开页面。 第七，Meta 发布页强调更好的能力边界感知和不可逆操作判断，但没有证明所有领域都能正确校准。医疗、法律、金融、安全和关键基础设施等高风险场景仍需领域专家审核和独立安全评估。 【官方来源】 Meta AI Research 官方发布页：https://research.meta.ai/blog/introducing-muse-spark-1-3 Meta Model API 开发入口：https://dev.meta.ai Muse Spark 1.1 背景说明：https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/