8月21日消息，Meta 官方博客发布 Muse Spark 1.2 的多模态评估结果与演示。Muse Spark 1.2 是 Muse Spark 1.1 的编码重点更新，本月已随 Muse Code 一起发布，官方当时预告了多模态能力增强。今天这篇博客在开源权重发布之前，用评估与演示说明这款模型在视觉推理、图表理解与知识密集型任务上的表现。官方指出，Muse Spark 1.2 的多模态增益在可以使用工具时最明显。
Muse Spark 1.2：编码重点更新的多模态模型
Muse Spark 1.2 的定位是编码重点更新：它以代码生成和智能体能力为核心，多模态是本次更新的增强方向。官方博客在发布公告时曾演示，Muse Spark 1.2 把一段通过终端上传的视频，直接变成了一个可用的订房页面。视觉输入不再是旁路能力，而是进入代码生成主流程的输入通道。
多模态能力覆盖三个方向：把视觉变成可运行代码的视觉编码，把感知变成物理动作的机器人规划，以及面向视频工作流的音视频理解。三者共享同一套模型底座，但在任务形态上分别对应网页与应用生成、机器人操作、企业视频场景。
视觉编码：从图像视频到可运行代码
视觉编码是 Muse Spark 1.2 的主打能力。给定一张图像或一段视频，模型需要把其中的布局、层级与风格翻译成可运行代码，产物的正确性以"能否按预期渲染并工作"来判定。官方说明，模型通过复查自己生成的产物，形成持续自改进的循环。
官方演示包括一个单页交互翻页书：布局、排版、翻页动画与跟随光标的放大镜都由模型生成。在 Design Arena 的排行榜上，Muse Spark 1.2 的图像视频转网页能力已参与排名，榜单收录截至 2026年8月18日。
机器人规划：从感知到动作的两层系统
机器人方向，Muse Spark 的专用变体扮演机器人大脑与编排器的角色：接收用户指令、解码工具调用、观察执行结果，并循环直到任务完成。官方采用两层系统：高层规划器模型负责场景理解、区分相似物体并把抽象目标分解为子任务；低层由 Muse Spark 视觉-语言-动作（VLA）策略执行具体操作。
官方演示了区分发刷与化妆刷的双臂操作、打包午餐、在非结构化环境中导航寻找物体等长时程任务。这些示例中，底层动作由基于更小 Muse 家族模型的实验版 VLA 完成，Muse Spark 负责高层规划。
音视频理解与工具套件
音视频理解方向上，Muse Spark 1.2 把深度视频理解与密集字幕，和一套智能体工具结合起来：网页开发、实时搜索、空间定位。官方称，这种组合让模型从被动观察走向主动编排，把音视频输入翻译成可执行的解决方案，面向视频密集型的企业工作流。
官方对多模态能力给出的一个关键提示是：模型在可以使用工具时，多模态增益最明显。模型能够更仔细地检视视觉输入，并把发现纳入推理过程。对开发者来说，这意味着把工具接入环节做好，是发挥这款模型多模态能力的前提。
评测：WildArtifactBench 预览
官方同步预览了内部评测框架 WildArtifactBench，用于评估智能体在任意任务、任意交付格式与任意可验证程度下的表现。评测采用胜率与 Elo 评分：比较被测智能体与基线智能体的交付物，由智能体评判者与人类评判者共同给出偏好。官方作为预览发布了 10 个任务。评测方法的完整细节见官方报告页。
怎么用：演示、权重与场景选择
当前 Muse Spark 1.2 的开源权重尚未发布，官方博客先于开源分享评估与演示。现阶段体验与使用路径如下。
视觉编码效果可以在 Design Arena 排行榜上直接查看：页面收录了 Muse Spark 1.2 转网页的演示与排名，适合先评估效果再决定接入。开源权重发布后，可从 Meta 官方渠道获取模型，自行搭建视觉编码与机器人规划流程。对机器人研究团队，两层系统（规划器加 VLA 策略）提供了现成的任务分解框架，适合长时程操作与场景理解类任务。对视频工作流密集的团队，可以围绕音视频理解加工具套件的组合设计应用，例如把视频输入转成网页产物或结构化结果。
使用上有一个官方明确的方向性提示：多模态能力与工具配合时增益最大，接入时应优先设计工具调用环节，让模型有机会检视视觉输入并纳入推理。
边界与观察
Muse Spark 1.2 的多模态评估与演示均来自 Meta 官方，评测为厂商自述口径，具体 benchmark 数据以官方报告为准。开源权重尚未发布，当前可验证的是官方演示与 Design Arena 排名。从产品节奏看，Muse Spark 1.1 到 1.2 的迭代集中在编码与智能体能力，多模态作为增强方向与工具使用深度绑定，Meta 的多模态路线选择是"输入导向动作与产物"，而不是停留在被动识图。
AI 速览
