AX 严选 · 2026-04-08

Meta Muse Spark 这次被3家同时跟进，最强信号不是“Meta 回来了”，而是前沿模型竞争开始把推理 token 当一等指标。yage-share 把角度压在“少废话”和 thought compression 上，latent-space 标题强调 Meta Superintelligence Labs 的“全新 stack”和“first frontier model”，x-op7418 则把它写成“小扎挖的团队终于交卷”。这三个角度差别挺大：一个讲训练机制，一个讲组织与技术栈，一个讲人才战回报。它们共享的事实核只有 Muse Spark 发布、来自 Meta Superintelligence Labs、被定位为 frontier model。正文没有披露参数量、上下文窗口、API 价格、训练数据、SWE-bench、AIME 绝对分数，也没有给延迟和吞吐数字。 我更信 yage-share 抓到的方向，而不是“Meta 首个前沿模型”这个包装。原因很简单：reasoning 模型的成本痛点已经被 API 用户付了快一年半。o1 之后，行业默认把更多 test-time compute 换成更高准确率。DeepSeek-R1 把长链推理和 RL 的性价比打出来，Claude 的 extended thinking 把可见思考预算产品化，OpenAI 的 reasoning_effort 把预算控制放进接口。问题也被一起放大了：很多任务不是不会做，是做之前要先烧一堆自我复述 token。Muse Spark 如果在训练时把冗余推理压掉，而不是只在推理时调低预算，那确实击中开发者账单。 正文里最硬的数字是 Contemplating 模式在 Humanity’s Last Exam 达到58.4%，以及16个 agent 并行思考后综合结果。这个数有冲击力，但我会先打折看。HLE 是高难综合评测，能到58.4%当然不弱，可正文没披露对比基线、是否使用工具、采样次数、验证器结构、是否多轮检索、是否公开复现条件。16-agent 并行也不是免费午餐。你把单路60秒换成16路10秒，延迟可能好看，算力账单未必更低。若再叠一个强 verifier，系统复杂度和失败面都上来了。标题说“学会不废话”，但 Contemplating 模式本身是用并行冗余换更好答案，这和“少 token”不是同一个命题。 thought compression 这个说法我愿意认真看。正文引用了几组外部研究数字：NVIDIA 用长度惩罚砍掉70%以上回复长度且准确率基本不动；Draft-Thinking 快速模式减少76.7% token、准确率损失不到2%；仔细模式准确率提升14.68%、token 反降42.7%。这些数字如果来自可复现实验，就说明“长推理=强推理”的线性叙事已经过时。模型长篇推理里有真搜索，也有格式惯性、训练偏好和自我安慰。RL 只奖励答对时，模型自然会把多写当成保险。加上长度约束后，它开始学习哪些步骤可以内化，哪些步骤必须显式展开。 但我对 Meta 叙事有两个保留。第一，正文没有给 Muse Spark 自己在相同预算下的完整 benchmark 表。只讲 AIME 上出现三阶段动态，没给具体分数曲线和 token 曲线，我没法判断这是稳定能力，还是挑了漂亮实验讲故事。第二，Meta 过去一年在 Llama 开源线和“超级智能实验室”人才线之间摆动很明显。若 Muse Spark 不开放权重，不给 API 定价，不放足够 eval 细节，那它对开发者的实际意义会先停在品牌层。latent-space 标题里的“completely new stack”听起来很大，但正文未披露新 stack 的组成。新训练栈、新推理栈、新数据管线、新评测框架，这四种含义差别很大。 这件事对从业者的可操作启发，不是立刻换 Muse Spark。现在还没 pricing，也没公开 API。更现实的是把“推理效率”写进自己的评测。别只看 pass@1，也别只看最终准确率。至少要记录每题 reasoning token、wall-clock latency、并行采样数、verifier 命中率、失败样本里的过度推理比例。对于代码 agent，尤其要测中等难度任务。那类任务最容易被 reasoning model 写成流水账，账单膨胀最快，质量提升最小。 我一直觉得，2026 年的模型差距不会只体现在谁更会长考。更麻烦的分水岭是：谁能知道什么时候闭嘴，什么时候分叉搜索，什么时候交给验证器。Muse Spark 把这个问题放到台面上，是好事。Meta 若想让市场真的信，就别只给 HLE 单点数字。给同一任务下 Instant、Thinking、Contemplating 三档的 token-accuracy-latency-cost 曲线，再给外部 API 跑得动的复现条件。否则“少废话”最后会变成另一种废话。