XNews

Meta AI 发布 Muse Spark 1.3,提升智能体与编码性能

Meta AI 发布 Muse Spark 1.3,提升智能体与编码性能

Meta AI 发布了 Muse Spark 1.3,改进了智能体任务与编码性能。

Key insights

长周期与多线程智能体工作能力提升

Muse Spark 1.3 能够在单一线程中维持多个工作流的长周期任务。面对开放式目标时,它利用工具从混乱且相互矛盾的来源中构建上下文,填补计划空白,并记录所学信息直至最终交付。Meta 采用多样化测试框架进行训练,使模型不局限于单一智能体框架。该改进基于 Muse Code 和 Meta Model API 使用中的大规模反馈。

新增主动协作与自我校准功能

当提示模糊时,模型会主动提出澄清性问题;遇到困难时向用户求助;在执行关键操作前进行确认。它能够适应用户对频繁报告或静默后台执行的偏好。模型对自身能力、知识和障碍的校准更加准确,避免产生幻觉,这直接影响了生产环境中的信任度。

复杂指令遵循与多任务路由能力提升

Muse Spark 1.3 在多步骤任务中减少了约束遗漏和流程偏离,这是 1.2 版本用户反馈的主要问题。在混乱的单线程上下文中,无论用户是纠正之前的请求还是中断当前任务,模型都能更准确地将新提示映射到正确的任务上。

编码效率提升:减少工具调用与令牌消耗

Meta 内部工程师对比显示,与 Muse Spark 1.2 相比,工具调用次数减少约 20%,令牌消耗减少约 25%。模型产生的冗余轮次更少,表述更简洁,代码风格更清晰。改进方向并非解决更多问题,而是用更少资源解决相同问题,从而降低 API 成本和延迟。

发布聚焦于实际可用性

Meta AI 表示,Muse Spark 1.3 在智能体任务和编码性能上均有提升,并注重实际应用中的可用性。关键能力包括维持长周期工作、主动与用户协作,以及更准确地校准自身局限。

基于使用反馈的工程导向改进

此次更新针对工程部署而非仅解决基准测试。公告列出了五项具体的智能体改进和编码效率优化,并利用了 Meta Model API 的大规模使用反馈。多样化测试框架训练、主动中断行为以及多任务路由被定位为对 1.2 版本已知故障模式的修复。

Source posts