7月9日,Meta Superintelligence Labs(MSL)放出 Muse Spark 1.1,这是 4 月 Muse Spark 的首个主版本升级,定位从"多模态推理模型"正式切换到"agentic foundation":同一份权重里塞进 Main + Subagent 编排、零样本 MCP、自适应 Computer Use、视觉编程,以及 OpenAI 兼容的 Meta Model API 公测。 最值得关注的不是任何单点指标,而是三件事被拧到一起: 第一,1M token 上下文 + active compaction。1.1 能主动检索早期的操作轨迹、按重要性压缩噪声,只保留后续步骤真正需要的中间状态。这直接命中长程 Agent 最痛的地方——会话中段开始"失忆"导致 refactor 翻车。Meta 把上下文管理从工程技巧拉到模型内生能力。 第二,真正的多 Agent 编排。Main agent 收集上下文→做计划→分发 parallel subagents;subagent 知道工具边界,卡住时 escalate 回主线程。这个"角色分配 + 上下汇报"的协议,过去是各家 harness 自己写,现在 Meta 直接写进了模型策略里。 第三,Computer Use 从"GUI 自动化"扩到"脚本 vs 点击"二选一。模型会在每一步判断:写脚本更快,就直接 exec;点 UI 更简单,就点;每步还会 batch 出一组动作。这把 Codex Computer Use、Claude Computer Use 拉到的同一类工作流,从"点点点"推进到"模型自己挑工具"。 落地层面,Meta 同步开了 Meta Model API(OpenAI 兼容公测),首批伙伴 Replit、Cline、Box 都已经接入做长上下文 + 工具调用的端到端跑通。配合 7 月 7 日的 Muse Image,Spark 1.1 实际上把"感知(看图/看视频)→ 推理(多 Agent)→ 执行(Computer Use + Coding)"拼成了一条完整闭环。 行业层面,这是 7 月 9 日 Frontier 栈的第四块拼图(同天 Grok 4.5、GPT-5.6、Ollama \$88M):大厂都在把"harness-ready 的模型 + 兼容 API"做成新一代分发单元,纯聊天模型开始让位于"agentic runtime"。 一个保留意见:Meta 自报的 Meta Internal Coding Bench 显著优于原版且"competitive with leading alternatives",但工具使用型 Agent 的第三方独立评测,往往是 real world 和 sandbox 之间最大的鸿沟——值得在自己 repo 上跑一遍再做生产决策。