Meta发布Muse Spark 1.3，优化智能体与编码效率

Muse Spark 1.3 发布！

Meta AI Research 基于 Muse Code 和 Meta Model API 大规模使用反馈，对模型在智能体任务和编码任务上做了针对性打磨。Muse Spark 1.3 在工程化、面向落地方面有很大提升。 https://research.meta.ai/blog/introducing-muse-spark-1-3

Agentic 能力：五个具体改进点

1. 长程任务与多线程工作：在单一长对话中同时处理多个工作流；面对开放式目标时，能用工具从杂乱、互相冲突的来源中自建上下文，主动补齐计划漏洞，并持续记录已学到的信息直至产出最终交付物。Meta 强调训练用了"多样化的 harness"，目的是让模型不绑定某一种智能体框架。

2. 主动协作：提示词模糊时会先问澄清问题；卡住时会向用户求助；执行有后果的操作前会先确认。长任务中还能适配用户偏好——频繁汇报或静默后台执行。这实际上是把"何时打断用户"做成了可学习的行为。

3. 复杂长指令遵循：多步骤任务中更少丢约束、更少偏离既定流程。这是长程智能体最常见的失效模式之一，公告把它单列出来，说明这是 1.2 时期的主要用户反馈。

4. 多任务路由：在混乱的单线程上下文里，更准确地把新到的提示词映射到正确的任务上——无论用户是在修正之前的请求还是在打断当前任务。

5. 自我认知校准：更清楚自己能做什么、知道什么，以及何时遇到了障碍——而不是幻觉出一个结果。这一点对生产环境的可信度影响最直接。

编码：效率优先

相比 1.2，编码部分给了一组量化数据：Meta 内部工程师对比中，工具调用减少约 20%，token 消耗减少约 25%；同时"不必要的轮次更少、更不冗长、代码风格更干净"。

注意这里的方向：不是"解决更多题"，是要"用更少的资源解决同样的题"。对 API 用户，这直接转化为成本与延迟的下降。