Muse Spark ของ Meta: AI มัลติโมดัลใหม่เพื่อปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุด

Muse Spark ของ Meta: ก้าวกระโดดสู่ปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุด

วันนี้ถือเป็นช่วงเวลาสำคัญในการวิวัฒนาการของปัญญาประดิษฐ์ เมื่อ Meta เปิดตัว Muse Spark ซึ่งเป็นโมเดลแรกจากตระกูล Muse ที่ทะเยอทะยาน และได้รับการสร้างสรรค์อย่างพิถีพิถันโดย Meta Superintelligence Labs Muse Spark ไม่ใช่แค่โมเดล AI ทั่วไป แต่มันแสดงถึงการเปลี่ยนแปลงพื้นฐานในวิธีที่ AI โต้ตอบและเข้าใจโลก ในฐานะโมเดลการให้เหตุผลแบบมัลติโมดัลโดยกำเนิด มันสามารถผสานรวมและประมวลผลข้อมูลประเภทต่างๆ ได้อย่างราบรื่น ตั้งแต่ข้อความไปจนถึงข้อมูลภาพที่ซับซ้อน ทำให้เป็นเครื่องมือที่มีความหลากหลายและทรงพลังอย่างเหลือเชื่อ

หัวใจสำคัญของความสามารถของ Muse Spark คือการรองรับการใช้เครื่องมือที่แข็งแกร่ง ซึ่งช่วยให้สามารถโต้ตอบกับระบบและสภาพแวดล้อมภายนอกได้ และกระบวนการคิดเชิงภาพที่เป็นนวัตกรรมใหม่ ซึ่งช่วยให้สามารถแก้ปัญหาได้อย่างโปร่งใสและซับซ้อนยิ่งขึ้น ยิ่งไปกว่านั้น การจัดระบบหลายเอเจนต์ขั้นสูงยังช่วยให้สามารถประสานงานเอเจนต์ AI หลายตัวเพื่อรับมือกับงานที่ซับซ้อนได้อย่างร่วมมือกัน การเปิดตัวนี้เป็นผลลัพธ์ที่เป็นรูปธรรมแรกของการยกเครื่องกลยุทธ์ AI ของ Meta อย่างครอบคลุม ซึ่งได้รับการสนับสนุนจากการลงทุนเชิงกลยุทธ์จำนวนมากทั่วทั้งสแต็ก AI ทั้งหมด ตั้งแต่งานวิจัยพื้นฐานและการฝึกอบรมโมเดล ไปจนถึงโครงสร้างพื้นฐานที่ล้ำสมัย เช่น ศูนย์ข้อมูล Hyperion Muse Spark พร้อมใช้งานทันทีผ่าน meta.ai และแอป Meta AI โดยมีการแสดงตัวอย่าง API ส่วนตัวให้กับผู้ใช้ที่เลือก

ปลดล็อกการให้เหตุผลขั้นสูงด้วยความสามารถของ Muse Spark

Muse Spark แสดงให้เห็นถึงประสิทธิภาพที่แข่งขันได้ในงาน AI ที่หลากหลาย ซึ่งครอบคลุมการรับรู้แบบมัลติโมดัล การให้เหตุผลที่ซับซ้อน แอปพลิเคชันด้านสุขภาพ และ เวิร์กโฟลว์ของเอเจนต์ ที่ซับซ้อน แม้ว่า Meta จะตระหนักถึงการลงทุนอย่างต่อเนื่องในด้านที่มีช่องว่างด้านประสิทธิภาพในปัจจุบัน เช่น ระบบเอเจนต์ที่มีขอบเขตยาวนาน และ เวิร์กโฟลว์การเขียนโค้ด ที่ซับซ้อน แต่ผลลัพธ์เบื้องต้นก็ยืนยันประสิทธิภาพของสแต็กการปรับขนาดใหม่ของพวกเขา การเปิดตัว โหมดการไตร่ตรอง (Contemplating mode) ช่วยเพิ่มความสามารถในการให้เหตุผลของ Muse Spark โหมดนวัตกรรมนี้จัดระบบเอเจนต์ AI หลายตัวให้ให้เหตุผลพร้อมกัน ซึ่งเป็นกลยุทธ์ที่ช่วยเพิ่มประสิทธิภาพในงานที่ท้าทายได้อย่างมาก

โหมดการไตร่ตรอง (Contemplating mode) ได้บรรลุผลลัพธ์ที่น่าทึ่ง โดยได้คะแนน 58% ใน "Humanity’s Last Exam" และ 38% ใน "FrontierScience Research" ซึ่งทำให้ Muse Spark สามารถแข่งขันกับความสามารถในการให้เหตุผลขั้นสุดยอดของโมเดลล้ำสมัยชั้นนำ เช่น Gemini Deep Think และ GPT Pro แนวทางการให้เหตุผลแบบขนานนี้ช่วยให้โมเดลสามารถสำรวจแนวทางแก้ไขปัญหาได้หลายวิธีพร้อมกัน ซึ่งนำไปสู่ผลลัพธ์ที่แข็งแกร่งและแม่นยำยิ่งขึ้น การเปิดตัวโหมดการไตร่ตรอง (Contemplating mode) ใน meta.ai อย่างค่อยเป็นค่อยไป จะค่อยๆ ปลดล็อกความสามารถขั้นสูงเหล่านี้ให้กับผู้ใช้ ซึ่งเป็นการแสดงให้เห็นถึงอนาคตของปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุด

การประยุกต์ใช้ในโลกจริง: Muse Spark ในการปฏิบัติงาน

Muse Spark ได้รับการออกแบบมาเพื่อนำคำมั่นสัญญาของปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุดมาสู่ชีวิตประจำวัน โดยการทำความเข้าใจและช่วยเหลือผู้ใช้ในลักษณะที่เป็นส่วนตัวสูง ความสามารถในการให้เหตุผลขั้นสูงและมัลติโมดัลของมันปลดล็อกการประยุกต์ใช้งานจริงได้หลากหลาย:

การโต้ตอบแบบมัลติโมดัล

สร้างขึ้นมาตั้งแต่ต้นสำหรับการ ผสานรวมแบบมัลติโมดัล Muse Spark มีความโดดเด่นในการประมวลผลข้อมูลภาพในโดเมนและเครื่องมือต่างๆ มันบรรลุประสิทธิภาพที่แข็งแกร่งในคำถาม STEM เชิงภาพ การจดจำเอนทิตี และการระบุตำแหน่ง จุดแข็งเหล่านี้รวมกันเพื่อให้เกิดประสบการณ์การโต้ตอบที่ไม่สามารถทำได้มาก่อน:

การเรียนรู้แบบโต้ตอบ: ลองจินตนาการถึงการขอให้ Muse Spark เปลี่ยนแผนภาพที่ซับซ้อนให้เป็นมินิเกมที่สนุกสนาน หรือแก้ไขปัญหาเครื่องใช้ในบ้าน มันสามารถระบุส่วนประกอบ สร้างบทเรียนแบบโต้ตอบ และไฮไลต์พื้นที่เฉพาะด้วยคำอธิบายประกอบแบบไดนามิกเมื่อคุณเลื่อนเมาส์ไปบนขั้นตอนต่างๆ
ตัวอย่างข้อความแจ้ง (Prompt Example): "ระบุส่วนประกอบหลักของเครื่องชงกาแฟและเครื่องบด และสร้างบทเรียนแบบโต้ตอบเกี่ยวกับการใช้เครื่องนี้เพื่อทำลาเต้ด้วยหน้าเว็บง่ายๆ เมื่อฉันเลื่อนเมาส์ไปบนขั้นตอนต่างๆ มันจะไฮไลต์กรอบล้อมรอบของส่วนประกอบ"

ข้อมูลเชิงลึกด้านสุขภาพที่เป็นส่วนตัว

แอปพลิเคชันที่สำคัญของปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุดคือการช่วยให้บุคคลเข้าใจและจัดการสุขภาพของตนเองได้ดียิ่งขึ้น เพื่อให้แน่ใจว่าได้คำตอบที่ถูกต้องและครอบคลุม Meta ได้ร่วมมือกับแพทย์กว่า 1,000 คนเพื่อรวบรวมข้อมูลการฝึกอบรมเฉพาะทางสำหรับความสามารถในการให้เหตุผลด้านสุขภาพของ Muse Spark ซึ่งช่วยให้โมเดลสามารถ:

อธิบายข้อมูลสุขภาพ: สร้างการแสดงผลแบบโต้ตอบที่แยกย่อยและอธิบายข้อมูลสุขภาพ เช่น ปริมาณสารอาหารของอาหารต่างๆ หรือกล้ามเนื้อที่ถูกกระตุ้นระหว่างการออกกำลังกายเฉพาะ
คำแนะนำด้านอาหารที่เป็นส่วนตัว: ให้คำแนะนำด้านอาหารที่ปรับให้เหมาะสมตามโปรไฟล์สุขภาพของแต่ละบุคคล แม้กระทั่งการใส่คำอธิบายประกอบภาพอาหารด้วยคำแนะนำส่วนตัวและคะแนนสุขภาพ พร้อมการให้เหตุผล
ตัวอย่างข้อความแจ้ง (Prompt Example): 'ฉันเป็น Pescatarian และมีคอเลสเตอรอลสูง โปรดจุดสีเขียวบนอาหารที่แนะนำและจุดสีแดงบนอาหารที่ไม่แนะนำ อย่าซ้ำจุดและตรวจสอบให้แน่ใจว่าจุดอยู่ในตำแหน่งที่ถูกต้อง เมื่อเลื่อนเมาส์ไปบนจุด จะแสดงคำอธิบายส่วนตัวและ 'คะแนนสุขภาพ' จาก 10 พร้อมด้วยแคลอรี่ คาร์โบไฮเดรต โปรตีน และไขมัน ตัวเลขคะแนนสุขภาพควรปรากฏอยู่เหนือจุดโดยไม่ต้องเลื่อนเมาส์ คำอธิบายที่แสดงเมื่อเลื่อนเมาส์ควรอยู่เหนือจุดอื่นๆ ทั้งหมด'
ข้อเสนอแนะด้านการออกกำลังกาย: วิเคราะห์ท่าทางการออกกำลังกาย ระบุกลุ่มกล้ามเนื้อที่กำลังยืด ประเมินความยาก และให้ข้อเสนอแนะแบบเรียลไทม์เกี่ยวกับท่าทาง แม้กระทั่งเปรียบเทียบประสิทธิภาพกับคู่หู
ตัวอย่างข้อความแจ้ง (Prompt Example): "สำหรับทั้งสองภาพนี้ ให้ฉันดูว่ากล้ามเนื้อส่วนใดกำลังถูกยืด และความยากของมัน เมื่อเลื่อนเมาส์ไปบนจุด โปรดบอกฉันเพิ่มเติมเกี่ยวกับกลุ่มกล้ามเนื้อพร้อมวิธีแก้ไขท่าทางของฉัน ฉันอยากเก่งโยคะมากขึ้น สร้างการเปรียบเทียบเคียงข้างกับคู่หูของฉัน และให้คะแนนเราทั้งคู่ในระดับ 1 ถึง 10"

แกนการปรับขนาด: กลไกเบื้องหลังการเติบโตของ Muse Spark

การแสวงหาปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุดของ Meta ขึ้นอยู่กับการปรับขนาดโมเดลอย่างคาดการณ์ได้และมีประสิทธิภาพ การพัฒนา Muse Spark ได้ให้ข้อมูลเชิงลึกอันล้ำค่าเกี่ยวกับแกนการปรับขนาดที่สำคัญสามประการ ได้แก่ การฝึกอบรมล่วงหน้า การเรียนรู้แบบเสริมกำลัง และการให้เหตุผลขณะทดสอบ

ประสิทธิภาพการฝึกอบรมล่วงหน้า

ขั้นตอนการฝึกอบรมล่วงหน้าคือจุดที่ Muse Spark สร้างความเข้าใจพื้นฐานแบบมัลติโมดัล ความสามารถในการให้เหตุผล และการเขียนโค้ด ในช่วงเก้าเดือนที่ผ่านมา Meta ได้สร้างสแต็กการฝึกอบรมล่วงหน้าขึ้นใหม่ทั้งหมด โดยได้รวมการปรับปรุงที่สำคัญในสถาปัตยกรรมโมเดล เทคนิคการปรับปรุงประสิทธิภาพ และการดูแลจัดการข้อมูล ความก้าวหน้าเหล่านี้ร่วมกันช่วยเพิ่มขีดความสามารถที่ได้จากหน่วยประมวลผลแต่ละหน่วย การประเมินอย่างเข้มงวดโดยใช้กฎการปรับขนาดกับโมเดลขนาดเล็กจำนวนหนึ่งได้เผยให้เห็นประสิทธิภาพที่ก้าวล้ำ: Muse Spark สามารถบรรลุความสามารถเดียวกันได้ด้วยการประมวลผลที่น้อยกว่าโมเดล Llama 4 Maverick ซึ่งเป็นรุ่นก่อนหน้าถึงหนึ่งลำดับความสำคัญ สิ่งนี้ทำให้ Muse Spark มีประสิทธิภาพมากกว่าโมเดลพื้นฐานชั้นนำที่มีอยู่เดิมอย่างมาก

เมตริก	Llama 4 Maverick (มาตรฐาน)	Muse Spark (ประสิทธิภาพการประมวลผล)	ปัจจัยการปรับปรุง
การประมวลผลสำหรับความสามารถ	X FLOPs	< 0.1X FLOPs	> 10x
ประสิทธิภาพที่เท่าเทียมกัน	บรรลุมาตรฐาน	บรรลุมาตรฐาน	N/A

การเพิ่มประสิทธิภาพจากการเรียนรู้แบบเสริมกำลัง (RL)

หลังจากการฝึกอบรมล่วงหน้า การเรียนรู้แบบเสริมกำลังมีบทบาทสำคัญในการเพิ่มขีดความสามารถของ Muse Spark ในลักษณะที่ปรับขนาดได้ แม้ว่าความไม่เสถียรที่มีมาแต่กำเนิดซึ่งมักเกี่ยวข้องกับ RL ขนาดใหญ่ สแต็กใหม่ของ Meta ก็มอบการเพิ่มขึ้นที่ราบรื่นและคาดการณ์ได้ กราฟที่แสดงสิ่งนี้แสดงให้เห็นการเติบโตแบบ log-linear ในเมตริก เช่น pass@1 และ pass@16 (อย่างน้อยหนึ่งครั้งที่ประสบความสำเร็จจาก 16 ครั้ง) บนข้อมูลการฝึกอบรม ซึ่งบ่งชี้ถึงการปรับปรุงความน่าเชื่อถือของโมเดลโดยไม่กระทบต่อความหลากหลายในการให้เหตุผล ที่สำคัญ การเติบโตของความแม่นยำในชุดการประเมินที่ถูกแยกไว้ยืนยันว่าการเพิ่มประสิทธิภาพจาก RL เหล่านี้สามารถนำไปใช้ได้อย่างคาดการณ์ได้ ซึ่งหมายความว่า Muse Spark จะปรับปรุงอย่างราบรื่นในงานที่ไม่เคยเห็นมาก่อนในระหว่างการฝึกอบรม สิ่งนี้ทำให้มั่นใจได้ว่าการปรับปรุงของโมเดลนั้นแข็งแกร่งและสามารถนำไปใช้ได้อย่างกว้างขวาง

การปรับปรุงประสิทธิภาพการให้เหตุผลขณะทดสอบ

เพื่อให้ส่งมอบความฉลาดให้กับผู้ใช้หลายพันล้านคนได้อย่างมีประสิทธิภาพ การให้เหตุผลขณะทดสอบของ Muse Spark จะต้องได้รับการปรับปรุงประสิทธิภาพ Meta ใช้กลยุทธ์สำคัญสองประการ:

บทลงโทษเวลาคิดและการบีบอัดความคิด: ในระหว่างการฝึกอบรม RL จะมีการลงโทษสำหรับเวลาคิดที่นานขึ้น ซึ่งกระตุ้นให้โมเดลเพิ่มความถูกต้องสูงสุดในขณะที่เพิ่มประสิทธิภาพการใช้โทเค็น ในการประเมินบางอย่าง สิ่งนี้นำไปสู่ "การเปลี่ยนเฟส": หลังจากช่วงแรกที่โมเดลปรับปรุงโดยการคิดนานขึ้น บทลงโทษความยาวจะกระตุ้นให้เกิด การบีบอัดความคิด Muse Spark เรียนรู้ที่จะย่อกระบวนการให้เหตุผล โดยแก้ปัญหาด้วยโทเค็นที่น้อยลงอย่างมีนัยสำคัญ หลังจากการบีบอัดนี้ โมเดลสามารถขยายคำตอบเพื่อประสิทธิภาพที่แข็งแกร่งยิ่งขึ้นได้ ซึ่งแสดงให้เห็นถึงความสามารถในการปรับตัวที่โดดเด่นในด้านประสิทธิภาพการให้เหตุผล
การจัดระบบหลายเอเจนต์: เพื่อเพิ่มการให้เหตุผลขณะทดสอบโดยไม่เพิ่มความหน่วงแฝงอย่างรุนแรง Meta ได้เพิ่มจำนวนเอเจนต์แบบขนานที่ทำงานร่วมกัน ในขณะที่การปรับขนาดขณะทดสอบแบบมาตรฐานเกี่ยวข้องกับเอเจนต์เดียวที่คิดนานขึ้น แนวทางการจัดระบบหลายเอเจนต์ของ Muse Spark ช่วยให้ได้ประสิทธิภาพที่เหนือกว่าด้วยเวลาตอบสนองที่เทียบเท่ากัน ความสามารถในการประมวลผลแบบขนานนี้มีความสำคัญต่อการส่งมอบการให้เหตุผลที่ซับซ้อนด้วยความเร็วที่เป็นมิตรต่อผู้ใช้

วิสัยทัศน์ของ Meta: เส้นทางสู่ปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุด

การเปิดตัว Muse Spark แสดงถึงก้าวสำคัญในวิสัยทัศน์ระยะยาวของ Meta ในการสร้างปัญญาประดิษฐ์ส่วนบุคคลขั้นสูงสุด ด้วยการปรับปรุงทุกชั้นของสแต็ก AI อย่างพิถีพิถัน ตั้งแต่งานวิจัยพื้นฐานและโครงสร้างพื้นฐาน ไปจนถึงเทคนิคการฝึกอบรมขั้นสูง Meta กำลังสร้างอนาคตที่ AI สามารถเข้าใจและเสริมขีดความสามารถของมนุษย์ได้อย่างลึกซึ้ง Muse Spark ด้วยการให้เหตุผลแบบมัลติโมดัล การใช้เครื่องมือขั้นสูง และการปรับขนาดที่มีประสิทธิภาพ วางรากฐานที่แข็งแกร่งสำหรับโมเดลที่ใหญ่กว่าในอนาคต ซึ่งจะนำเราเข้าใกล้ AI ผู้ช่วยส่วนตัวที่ชาญฉลาดอย่างแท้จริงได้มากขึ้น ความมุ่งมั่นต่อ AI ที่ปรับขนาดได้และชาญฉลาดนี้จะกำหนดวิธีที่เราโต้ตอบกับเทคโนโลยีและโลกของเราไปอีกหลายปีข้างหน้า ซึ่งนำศักยภาพของการ ปรับขนาด AI สำหรับทุกคน ให้ใกล้เคียงความจริงมากขึ้น

แหล่งที่มา

https://ai.meta.com/blog/introducing-muse-spark-msl/

คำถามที่พบบ่อย

What is Muse Spark and what makes it unique?

Muse Spark is Meta's inaugural model in the 'Muse' family, developed by Meta Superintelligence Labs. It stands out as a natively multimodal reasoning model, meaning it seamlessly integrates and processes information from various modalities like text and vision. Its unique capabilities include robust tool-use functionality, visual chain of thought for complex problem-solving, and sophisticated multi-agent orchestration, enabling it to coordinate multiple AI agents for enhanced performance. This model marks a significant step in Meta's ambitious journey towards developing personal superintelligence, aiming to understand and interact with users' worlds on a deeply personal level. Its introduction signifies a foundational shift in Meta's AI strategy, built on a ground-up overhaul of their AI efforts.

What are the core capabilities of Muse Spark, particularly 'Contemplating mode'?

Muse Spark offers competitive performance across a wide array of domains, including multimodal perception, complex reasoning tasks, health-related applications, and sophisticated agentic workflows. A standout feature is its 'Contemplating mode,' which represents a significant leap in AI reasoning. This mode orchestrates multiple AI agents to reason in parallel, allowing Muse Spark to tackle highly challenging problems with enhanced depth and accuracy. This parallel processing capability positions Muse Spark to compete with the extreme reasoning modes found in other frontier models, demonstrated by its impressive scores of 58% on 'Humanity’s Last Exam' and 38% on 'FrontierScience Research.' This mode allows for more deliberate and thorough problem-solving, crucial for achieving advanced cognitive functions.

How does Muse Spark apply its multimodal capabilities in real-world scenarios?

Muse Spark leverages its native multimodal integration to create highly interactive and practical applications. For instance, it can dynamically analyze and interact with visual information to troubleshoot home appliances, offering interactive tutorials with bounding box highlights and step-by-step guidance. In the realm of health, it can process visual data of food items or exercise routines to provide personalized insights, such as nutritional content, muscle activation, and even health scores with justifications, curated in collaboration with medical professionals. These capabilities enable Muse Spark to analyze immediate environments, support wellness, and generate engaging interactive experiences like mini-games, making AI more intuitive and helpful in daily life.

What strategic investments has Meta made to scale Muse Spark and future AI models?

To support the continued scaling of Muse Spark and its successors, Meta has undertaken strategic investments across its entire AI stack. This includes a comprehensive overhaul of its research methodologies, optimizing model training pipelines, and significantly upgrading its infrastructure, notably through the development of the Hyperion data center. A key aspect of these investments is a complete rebuild of the pretraining stack, which has led to substantial improvements in model architecture, optimization algorithms, and data curation techniques. These advancements have dramatically increased the efficiency of Meta's AI development, allowing them to extract greater capabilities from every unit of computational power and ensure predictable, efficient scaling towards the goal of personal superintelligence.

How has Meta achieved significant compute efficiency with Muse Spark compared to previous models?

Meta has achieved remarkable compute efficiency with Muse Spark through a rigorous overhaul of its pretraining stack. By implementing improvements in model architecture, optimization strategies, and data curation, they can now extract significantly more capability from the same amount of computational resources. Evaluations have shown that Muse Spark can reach the same performance levels with over an order of magnitude less compute compared to Meta's previous model, Llama 4 Maverick. This efficiency gain is not only a testament to their innovative engineering but also positions Muse Spark as a highly competitive model in terms of resource utilization against other leading base models. This breakthrough is critical for accelerating the development of larger, more powerful models.

Explain the role of Reinforcement Learning (RL) in Muse Spark's development.

Reinforcement Learning (RL) plays a crucial role in amplifying Muse Spark's capabilities post-pretraining. Despite the inherent instability often associated with large-scale RL, Meta's new stack ensures smooth and predictable gains. RL systematically improves the model's reliability and reasoning diversity, as evidenced by log-linear growth in pass@1 and pass@16 metrics on training data. Crucially, these improvements generalize effectively to unseen tasks, demonstrating that the gains from RL are not merely rote memorization but true capability enhancements. This predictable scaling of RL compute allows Muse Spark to continuously improve its ability to perform complex tasks, ensuring the model remains adaptable and performs well beyond its initial training scope.

What is 'thought compression' and 'multi-agent orchestration' in the context of Muse Spark's test-time reasoning?

In Muse Spark's test-time reasoning, 'thought compression' refers to the model's ability to condense its reasoning process to solve problems using significantly fewer tokens, driven by 'thinking time penalties' during RL training. Initially, the model might 'think longer' to improve, but as penalties increase, it learns to achieve similar or better results more concisely. After this compression phase, it can then extend its solutions for even stronger performance. 'Multi-agent orchestration' is a technique to scale test-time reasoning without drastically increasing latency. Instead of a single agent thinking longer, multiple parallel agents collaborate to solve complex problems, allowing Muse Spark to achieve superior performance with comparable response times. Both methods aim to maximize intelligence per token and per unit of time, making the AI efficient and responsive.

How can users access Muse Spark, and what are Meta's future plans for it?

Muse Spark is available today to the general public via [meta.ai](https://meta.ai/) and the Meta AI app. Additionally, Meta is extending access to select users through a private API preview, allowing developers and researchers to integrate and experiment with its advanced capabilities. As the first model in the Muse family, Muse Spark represents an initial step on Meta's ambitious scaling ladder towards achieving 'personal superintelligence.' Meta continues to invest heavily in developing larger, more capable models building upon Spark's foundation, with ongoing research focused on addressing current performance gaps in areas like long-horizon agentic systems and complex coding workflows. The 'Contemplating mode' will also be rolling out gradually to all users.

อัปเดตข่าวสาร

รับข่าว AI ล่าสุดในกล่องจดหมายของคุณ

แชร์