不藏了！Meta曝光Muse Spark 1.2核心具身能力

鹭羽 发自 凹非寺

不ber？写代码的大模型，还能帮忙满屋找鸭子？

Meta最新释出的这段demo，还真有点意思。

以Coding能力见长的Muse Spark 1.2，突然长出了具身手脚：

读画面、拆任务、定路线、调工具，再根据每一步的新观察修正行动，直到完成任务。

在另一段演示中，Muse Spark 1.2还能指挥双臂机器人整理桌面，各种长链任务均不在话下。

发布半个月后，Meta终于摊牌了……

Muse Spark 1.2更强的二段技原来在多模态。

它可以同时完成视觉编码、机器人规划以及视听理解，并通过Agent工具将全部能力串在一起。

从Meta公开成绩来看，这颗「大脑」委实很顶：

高难视觉推理测试ZeroBench中，Muse Spark 1.2狂揽54.0%，与旗舰模型GPT-5.6 Sol也只差0.6个百分点。

负责多模态Agent评测的Zengyi Qin，更是直接点出团队下一站：

继续押注多模态智能体，让它从感知走向行动，从数字世界走进物理世界。

以及……模型即将开源。

Meta给具身搭了两层大脑

先划重点，演示中的Muse Spark 1.2，并不是看一眼画面就直接输出机械臂的电机指令。

按照官方blog披露的架构，整套机器人系统分为上下两层。

上层是一款Muse Spark专用变体，负责充当具身总指挥。

用户给出一个抽象目标后，它先理解当前场景，识别周围物体和分清容易混淆的目标，再将整件事拆成一连串可以执行的子任务。

每个子任务则交由下层的同系列VLA模型执行。

整套流程其实和Muse Spark 1.2写代码时，底层逻辑是相通的。

都是接收目标后，拆分任务再逐步执行，只不过运行操作从写程序变成了移动和抓取，反馈内容也换成了摄像头画面。

具体来说，Muse Spark 1.2会对视频进行深度理解和密集描述，持续提取其中的场景变化，并调用网页开发、实时搜索和空间定位等Agent工具，把音视频里看见的信息转成下一步可执行的任务。

而这也是Meta首次如此集中地展示Muse Spark的具身能力，足以说明模型的视觉感知、任务推理和高层规划已然成熟，可以将模型决策推入物理世界中。

除了指挥机器人，视觉编码也是Meta此次强调的重中之重。

它能够根据一张图片或者一段视频直接生成网页和游戏，效果be like：

模型会先识别参考素材里的布局、层级、字体和视觉风格，再将这些信息翻译成能够运行的代码。

期间也会实时查看页面的渲染结果和交互行为，对照原始素材的偏差，再继续修改，这里依然是同一套自我迭代SOP。

另外，模型在Design Arena的多项榜单上均排名靠前，尤其是“视频生成网站”上位列第一。

一个模型干完全部活

为了更好地判断多模态Agent在真实任务中的交付能力，Meta还同步预览了一套内部评测工具——WildArtifactBench。

首批公开的10项任务覆盖得相当杂：

识别鸟鸣、分析心脏超声、判断冠状动脉狭窄、生成猫的3D网格、设计厨房布局、创建强化学习驾驶训练器、编辑视频……

以鸟鸣任务为例，会一次性交给模型46段音频和一份鸟类声音描述，要求它识别每段声音对应的物种，最终提交一张格式正确的CSV表格。

其中要求模型不仅能听懂，还要管理文件、记录判断、按照指定格式输出，并接受程序逐项验证。

难度相当之高，市面现有模型的表现均距离满分相差甚远。

目前，Muse Spark也已在Meta内部被部署在媒体生成等多个领域应用。

比如和Muse Image混合食用，协同完成智能媒介生成，同时输出精细的图像描述，作为Muse Image和Muse Video的训练数据。

Muse Spark还可以把原始文本和图视频内容打包整理成特征信号，供后续业务继续调用。

外部开发者也可以通过Meta Model API和Muse Code使用到Muse Spark 1.2，后续还将正式开源。