ARC Prize 公布 Meta 的 Muse Spark Open 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 89.0%、每任务 $0.29，ARC-AGI-2 为 57.5%、每任务 $0.73，ARC-AGI-3 在标准 harness 下为 0.1%、$3.9K。ARC Prize 称其 v1/2 得分与 Haiku 5.5 和 GPT-6 Luna 相近，但成本约为后者的 9 倍；该模型在 OpenRouter 上定价为每百万输入 $1.25、每百万输出 $4.25。随推理档位提升，ARC-AGI-2 从 medium 的 29.4%（平均 55k tokens/任务）升至 xhigh 的 57.2%（180k tokens/任务）。
匹配字段标题、摘要、正文
ARC Prize 在 ARC-AGI 上实测 Meta Spark Open，ARC-AGI-1 得 89.0%、ARC-AGI-2 得 57.5%、ARC-AGI-3 仅 0.4%，v1/v2 分数与 Haiku 5.5、GPT-6 Luna 接近但成本约为其 9 倍。在 OpenRouter 各提供商上，该模型输入 $1.25/M、输出 $4.25/M，而 Haiku 5.5 和 GPT-6 Luna 均为输入 $0.10/M、输出 $0.50/M。随推理档位提升，ARC-AGI-2 从 medium 的 29.4%（平均 55k tokens/task）升到 xhigh 的 57.2%（180k tokens/task）。
匹配字段标题、摘要、正文
ARC Prize 公布 Meta Muse Spark Open 在 ARC-AGI 上的验证成绩：ARC-AGI-1 为 89.0%、每任务 $0.29，ARC-AGI-2 为 57.5%、每任务 $0.73，ARC-AGI-3 在 provider adapter harness 下为 0.4%、$3.0K，标准 harness 下为 0.1%、$3.9K。ARC Prize 称其在 v1/v2 上的分数与 Haiku 5.5、GPT-6 Luna 相近，但成本约为后者的 9 倍；该模型在 OpenRouter 上定价为每百万输入 $1.25、每百万输出 $4.25，而 Haiku 5.5 与 GPT-6 Luna 均为每百万输入 $0.10、每百万输出 $0.50。在公开任务上，随着推理规模提升，ARC-AGI-2 的得分从 medium 档平均 55k token/任务对应 29.4%，升到 high 档 150k 对应 51.0%，再到 xhigh 档 180k 对应 57.2%；ARC-AGI-1 在 high 档已达 92.8%，xhigh 档升至 94.0%。
匹配字段标题、摘要、正文
ARC Prize 公布 Meta 的 Muse Spark Open 在 ARC-AGI 公开任务上的测试结果：ARC-AGI-2 随推理规模提升，medium 平均每任务 55k token 得 29.4%，high 150k token 得 51.0%，xhigh 180k token 得 57.2%。ARC-AGI-1 在 high 时已达 92.8%，xhigh 升至 94.0%。该模型在 ARC-AGI-2 上得 57.5%、每任务 0.73 美元，ARC-AGI-1 得 89.0%、每任务 0.29 美元，分数与 Haiku 5.5 和 GPT-6 Luna 相近但成本约为其 9 倍。
匹配字段摘要、正文
Artificial Analysis 在 AA-AgentPerf 上发布 Meta 新开源权重模型 Muse Spark Open 的初步测试结果，该模型为 816B 参数、42B 激活的 MoE，在 Artificial Analysis Intelligence Index 上得分 39。测试显示 NVIDIA B300 与 GB300 在吞吐优先配置下每兆瓦功耗均可达约 150M tokens/s，GB300 在 100 tok/s 输出速度下约 108M、B300 约 92M；AMD MI355X 在 65 tok/s 下为 70M tokens/s 每兆瓦。模型 62 层中有 46 层采用 2,048-token 滑动窗口注意力，使 1M 上下文下的 KV cache 需求较全注意力降低约 75%，Meta 发布了 NVFP4 checkpoint，AMD 发布了 MXFP4 checkpoint。
匹配字段标题、摘要、正文
Meta 工程团队发布 Agent 架构实践，用确定性的瘦编排器把 20+ 工作流路由到 14 个上下文隔离的专业 Agent，解决单 Agent 装载全部领域知识后在生产环境出现知识交叉污染和幻觉的问题。瘦编排器约 1300 行代码，只做意图分类、收集字段和可靠性检查，每个请求走固定 7 步协议，仅委派子 Agent 一步涉及 LLM 推理。文中引用 Mount Sinai 研究称多 Agent 编排在 80 任务批次下准确率 65.3%，单 Agent 为 16.6%，token 消耗最多降低 65 倍；新增管道迁移能力只需新增 workflow 模板，零新增 Agent 代码。
匹配字段标题、摘要、正文
Meta 的 Muse Wonder Full (Max) 首次进入 Code Arena: WebDev，以 1726 分排第 6，使 Meta 进入实验室前三。该成绩比 Muse Wonder (Max) 的第 17 名（1651 分）高 75 分、11 位，比 Muse Spark 1.3 (Max) 的第 14 名（1659 分）高 67 分、8 位。分项上，它在 Data & Analytics 和 Consumer Product 排第 4，在 Brand & Marketing 排第 5。
匹配字段标题、摘要、正文
MIT 课程 MAS.S62「How to AI an AI」的 Lecture 4-5 聚焦 Harness evolution，分别讲 harness 组件、记忆、工具与技能演化，以及规划、任务分解与多 agent 系统演化。记忆部分用三轴分类法串起 MemGPT、mem0、MEM1、Reflexion/ExpeL，并以 CLM 把上下文管理统一为文件操作；工具部分从 Toolformer、ToolLLM、CodeAct 讲到 Meta-Harness，后者把整个 harness 表示为文件系统，反馈信息量约为此前方法的 400 倍。多 agent 部分给出五条实证发现，包括 MAS 在可分解任务上赢 81%、在顺序依赖任务上输 70%，以及 CORAL 在 8 个任务上取得新 SOTA、多 agent 演化比单 agent 提升 4%–20%。
匹配字段摘要、正文
Meta 工程博客介绍其数据管道智能体采用的薄编排器架构：1300 行编排器把 20 多个工作流路由到 14 个专业子智能体，自身不做任何领域推理，只负责意图分类、字段收集和可靠性检查。此前单智能体方案在演示中可用，上线后出现概念串扰和幻觉，逐任务手工写提示词时成功率 70-80%，不手工调优则降到 10-20%。新架构下新数据列的配置准备从手工三到四天缩短到一小时以内，约三分之二的变更无需大量人工修改。
匹配字段标题、摘要、正文
Arena Alignment Index 更新，新增两家实验室和三款模型。Meta 的 Muse Wonder 以 77.5% 位列第 6，在三款新模型中得分最高，未授权操作率 2.09%、欺骗性完成率 14.41% 均为三者最低；Reflection 的 Beam-1.0-501B-A23B 以 75.3% 排第 7，虚假归因率 4.50% 为三者最优；阶跃星辰的 Step 5 Preview 以 75.1% 排第 8，未授权操作率 2.11% 与 Muse Wonder 接近。
匹配字段标题、摘要、正文
作者在智能体修 bug、故障排查和长会话记忆三项任务上对比了 Meta 的 Muse Wonder 与 Anthropic 的 Claude Fable 5.1。Muse Wonder 在故障排查中与 Fable 5.1 同为 10 分，修 bug 拿到 6 项隐藏测试中的 5 项，记忆任务 25 分满分；Fable 5.1 因 cyber 安全过滤拒绝了记忆测试 50 轮中的 34 轮，该项得 0 分。尽管 Meta 标价每百万 token 输入 4 美元、输出 20 美元，低于 Fable 5.1 的 10 美元和 50 美元，但 Muse Wonder 单任务消耗 token 更多，三项测试总成本 2.24 美元，高于 Fable 5.1 的 1.85 美元。
匹配字段标题、摘要、正文
Meta 工程团队分享了用智能体 AI 构建独立 Groups 应用 Forum 的实践，把 AI 智能体当作工程流程的参与者而非打字加速器，并以通过构建、测试和评审的已验证产出而非代码量衡量成功。团队把自动化验证信号接入智能体循环，用导航智能体模拟真人操作做回归测试，并采用与生产共享代码库但把原型代码完全编译出生产构建的沙箱构建方式。Forum 在八周内达到与 Facebook Groups 的核心功能对齐，自主压力测试在开发阶段发现并修复了一处内存问题，使内存占用和页面错误约减半。
匹配字段标题、摘要、正文
Arena 基于 5000 多场真实智能体会话公布结果，Meta 的 Muse Wonder (Max) 进入 Agent Arena 第 12 名，净提升 6.4%，比第 16 名的 Muse Spark 1.3 (Max) 高 2.8 个百分点、四个名次。其单任务中位成本为 1.13 美元，是 Spark 1.3 的 0.54 美元的约 2.1 倍；在 Chat、Work、Code 三个类别中均优于 Muse Spark 1.3。
匹配字段标题、摘要、正文
Arena 公布 Meta 的 Muse Wonder (Max) 进入榜单，在 Text Arena 以 1513 分排第 2，在 Code Arena: WebDev 以 1651 分排第 15。Text Arena 中它比 Muse Spark 1.3 (Max) 的 1494 分提升 19 分、上升 9 位，距第 1 名 Gemini 4 Argon (High) 的 1525 分差 12 分。WebDev 中它略低于第 12 名 Muse Spark 1.3 (Max) 的 1659 分，比第 16 名 Grok 4.7 (xHigh) 的 1640 分高 11 分。
匹配字段标题、摘要、正文
Baseten 工程博客作者基于 MetaInfer 技能框架，让 Claude Code 在单张 B200 上为 Qwen-3.6-35B-A3B（NVFP4）自主构建推理引擎 VibeQwen，单流解码速度最高比 vLLM 0.25.1 快 90%，TTFT 快 2.33 倍，并发 32 时单副本吞吐高出 71%。整个项目约一周、消耗约 17 亿 token 和 200 B200 小时，成本在数千美元量级。作者随后用同一知识库为图像分割模型 SAM 3.1 构建推理服务 Sammie，在单张 H100 上达到 91 张图/秒，比 Facebook 参考服务吞吐提升 50%，耗时数天、约 2 亿 token。
匹配字段标题、摘要、正文
WIRED 记者在 9 月实测了 OpenAI 的 Dots 和 Meta 的 Muse 两款个人智能体，把前者命名为 Toolie 并调成粉色青蛙造型，通过 ChatGPT 调用它处理任务。作者称这类常驻智能体已比一年前更可靠，能完成交给它的任务，但连接 Gmail 和 Google Drive 等权限仍需要用户自行权衡。Altman 表示自己的 Dot 会处理日常事务并只提醒真正紧急的事项，但拒绝回答 Dots 是否为 OpenAI 传闻中硬件的铺垫。
匹配字段标题、摘要、正文
Meta 工程博客介绍了一个面向合规领域的 AI 智能体，把组织知识拆成 200 多个结构化文件，并用可组合的 recipes 分离知识与推理流程。专家反馈经诊断、编译、验证后以文本编辑形式落地，无需重训模型，每个修复都会自动加入回归测试集。系统在六周三个开发冲刺后，将单项评估耗时从数天缩短到数分钟，改进周期内零回归。
匹配字段标题、摘要、正文
新京报贝壳财经记者实测阿里千问Go！和蚂蚁灵光2.0，前者用一句话建好每天8点的用药提醒并逐项核对，后者在支付宝授权后梳理近半年账单。文章同时梳理了Meta Muse、OpenAI dots及字节、腾讯的布局，并指出跨生态权限是当前最难拆的墙，字节SAEP公示的拒绝名单达155款应用。
匹配字段摘要、正文
斯坦福 CS 329Z 课程第 9 讲给出 Agent 系统优化的选型图：优化前提是数据、系统、评估指标三者齐备，一般先做上下文优化（prompt 与 few-shots），因为便宜、快、省样本；当上下文优化不够用、想把能力蒸馏到小模型或 prompt 越写越长时再改权重。讲义还梳理了 OPRO、MIPROv2、TextGrad、GEPA 等反思式 prompt 优化方法，SFT、RL（PPO 与 GRPO 对比）、on-policy 蒸馏等权重优化路径，以及 Darwin Gödel Machine、Meta-Harness、karpathy 的 autoresearch 等让 agent 自我优化的做法，并指出 agent 已是不错的优化器，评估指标成为最需要把控的环节。
匹配字段摘要、正文
Artificial Analysis 指出，加入幻觉门控后多数模型表现大幅下滑。Meta 的 Muse Spark 1.3 (max) 门控前以 26.7% 排名第一，计入幻觉后降至 8.9%，使 xAI 的 Grok 4.7 (xhigh) 以 9.4% 升至榜首。GLM-5.3 (max) 有 13.9% 任务通过全部标准，但无重大幻觉的仅 0.3%；Kimi K3 (max) 从 16.7% 降至 5.3%，Claude Sonnet 5.5 (max with fallback) 从 11.7% 降至 2.8%，GPT-6.1 Sol (max) 降幅较小，从 7.5% 到 6.9%。
匹配字段摘要、正文