Không báo trước! Sau một năm, Zuckerberg cuối cùng đã trở lại!
Ngay lúc này, tác phẩm đầu tiên của Phòng thí nghiệm Siêu trí tuệ Meta (MSL) đã chính thức ra mắt—
Muse Spark, mã hiệu Avocado, chính là "trái bơ" đã được đồn đoán.
Đây thực sự là một "chiến binh lục giác toàn năng": nhận thức đa phương thức nguyên bản, gọi công cụ, chuỗi tư duy thị giác, sắp xếp đa tác tử, tất cả đều được tối ưu hóa.
Hãy nói về con số gây sốc nhất trước.
Trong bài kiểm tra của Artificial Analysis, Muse Spark đạt điểm số cao ngất 52, chỉ xếp sau Gemini 3.1 Pro, GPT-5.4 và Opus 4.6.
Trong khi đó, Llama 4 Maverick năm ngoái chỉ đạt 18 điểm.
Từ 18 lên 52, một bước nhảy vọt, cổ phiếu Meta trên sàn giao dịch đã tăng vọt gần 10%.
Alexandr Wang, Giám đốc AI của Meta, đã xúc động đăng liên tiếp chín bài trên X.
Chín tháng trước, chúng tôi đã xây dựng lại toàn bộ ngăn xếp công nghệ AI từ con số không, với cơ sở hạ tầng mới, kiến trúc mới, đường ống dữ liệu mới. Muse Spark chính là thành quả của những nỗ lực đó.
Các nhà nghiên cứu người Hoa trong nhóm MSL cũng đồng loạt đăng tải, những người này năm ngoái đã nhảy việc từ OpenAI, DeepMind đến một phòng thí nghiệm vừa mới thành lập, và đã đặt cược vào ngày hôm nay.
Nhà khoa học trưởng của MSL, Shengjia Zhao, nói rất thẳng thắn: "Chúng tôi đã xây dựng lại toàn bộ ngăn xếp công nghệ để hỗ trợ Scaling, và đây mới chỉ là bắt đầu".
Đáng chú ý, Muse Spark cũng ra mắt "Chế độ Suy tư" (Contemplating) để cạnh tranh với Gemini Deep Think và GPT Pro, nhiều Agent suy nghĩ song song và phối hợp trả lời.
Chỉ cần nhập "Hãy giúp tôi lập kế hoạch cho một gia đình 5 người đi Florida trong 7 ngày để khám phá văn hóa và ẩm thực, 3 đứa trẻ lần lượt 12, 9, 7 tuổi", Muse Spark sẽ đồng thời cử ba Agent con, một lập kế hoạch tuyến đường văn hóa ẩm thực, một tìm kiếm hoạt động gia đình, và một phối hợp hậu cần và chỗ ở.
Hiện tại, mô hình đã có mặt trên meta.ai và Meta AI App, phiên bản API xem trước được mở cho một số người dùng.
Tính năng sẽ triển khai trước tại Mỹ, và trong vài tuần tới sẽ được tích hợp vào Facebook, Instagram và WhatsApp.
Miễn phí, không giới hạn, nhưng mã nguồn đóng.
Tiếp theo, những điểm quan trọng:
· Điểm Artificial Analysis là 52, Llama 4 Maverick chỉ có 18
· Đa phương thức nguyên bản + Chuỗi tư duy thị giác, đứng thứ hai về mảng thị giác chỉ sau Gemini 3.1 Pro
· Chế độ Suy tư với đa Agent suy nghĩ song song, HLE đạt 58%
· Nhu cầu tính toán huấn luyện trước giảm còn 1/10 so với Llama 4
· 1000+ bác sĩ lâm sàng tham gia huấn luyện, hỏi đáp sức khỏe vượt trội
· Tư duy tự động nén, mức tiêu thụ Token chỉ bằng 1/3 so với Opus
· Apollo Research phát hiện nó có thể nhận thức được mình đang được kiểm tra an toàn
Điểm benchmark bắt kịp nhóm dẫn đầu, nhưng viết code vẫn còn kém
Hãy xem dữ liệu cứng trước.
Meta so sánh Muse Spark (Chế độ Thinking) với Opus 4.6, Gemini 3.1 Pro, GPT 5.4, Grok 4.2, bao phủ bốn chiều: đa phương thức, tư duy văn bản, sức khỏe, Agent, tổng cộng hơn 20 benchmark.
Điểm benchmark được người dùng Reddit gán nhãn lại
Đa phương thức là phần nổi bật nhất của Muse Spark.
CharXiv hiểu 86.4, vượt GPT 5.4 (82.8) và Gemini 3.1 Pro (80.2).
ScreenSpot Pro định vị ảnh chụp màn hình 84.1, cao hơn một chút so với Opus 4.6 (83.1).
ZeroBench đa bước thị giác 33.0, Gemini 3.1 Pro là 29.0.
Trên đường đua văn bản, có thắng có thua.
GPQA Diamond vấn đề khó cấp tiến sĩ 89.5, Opus 4.6 đạt 92.7, Gemini 3.1 Pro là 94.3.
ARC AGI 2 tư duy trừu tượng 42.5, bị bỏ xa bởi Opus 4.6 (63.3) và Gemini (76.5).
LiveCodeBench Pro lập trình thi đấu 80.0, Gemini 82.9, GPT 5.4 đạt 87.5.
Meta cũng tự thừa nhận, trong mã code và nhiệm vụ Agent dài hạn, Muse Spark vẫn còn khoảng cách so với các mô hình mạnh nhất.
Tuy nhiên, điều khiến cả mạng kinh ngạc là Muse Spark có thể trực tiếp biến hình ảnh thành mã code, hiệu ứng rất ấn tượng!
Nhưng ở đường đua chăm sóc sức khỏe, Muse Spark thể hiện rất mạnh mẽ.
HealthBench Hard hỏi đáp sức khỏe mở 42.8, Gemini 3.1 Pro chỉ có 20.6, GPT 5.4 là 40.1.
MedXpertQA đa phương thức y học 78.4, cũng không xa Gemini (81.3 - Gemini hơi cao hơn một chút ở đây), nhưng vượt xa Opus 4.6 (64.8).
Việc Meta hợp tác với hơn 1000 bác sĩ lâm sàng trong giai đoạn huấn luyện để làm sạch và lọc dữ liệu thực sự mang lại hiệu quả rõ rệt.
Đường đua Agent cũng đáng chú ý.
DeepSearchQA Agent tìm kiếm đạt 74.8, cao nhất trong năm mô hình.
τ2-Bench sử dụng công cụ 91.5, ngang bằng với GPT 5.4.
GDPval-AA Elo Agent văn phòng đạt 1444, vượt Gemini (1320) nhưng thấp hơn Opus 4.6 (1606).
SWE-Bench thể hiện khoảng cách rõ rệt, Verified 77.4 vs Opus 80.8 vs GPT 82.9 (được cho là 78.2), Pro 52.4 vs GPT 57.7.
Tóm tắt điểm benchmark trong một câu: thắng về đa phương thức và sức khỏe, ngang ngửa về tư duy, kém một chút về mã code và Agent.
Alexandr Wang: Sai lầm của Llama 4 sẽ không lặp lại, trái bơ không làm giả điểm số
Bài kiểm tra độc lập của Artificial Analysis cũng tiết lộ một chi tiết quan trọng, hiệu suất Token.
Chạy xong toàn bộ bộ kiểm tra Intelligence Index, Muse Spark sử dụng 58 triệu Token đầu ra, tương đương Gemini 3.1 Pro (57 triệu), nhưng thấp hơn nhiều so với Opus 4.6 (157 triệu) và GPT-5.4 (120 triệu).
Cùng một mức độ thông minh, tiêu thụ Token ít hơn một nửa đến hai phần ba.
Ngoài ra, trên FrontierMath do các chuyên gia toán học ra đề, Muse Spark ở cấp độ 1-3 đã áp đảo Gemini 3.1 Pro, nhưng ở cấp độ 4 lại xếp chót.
Đáng chú ý hơn, trên bảng xếp hạng chỉ số Vals, Muse Spark đã giành vị trí thứ ba một cách mạnh mẽ, với các chỉ số cụ thể như sau.
Sau một năm kể từ khi Llama 4 ra mắt, Meta một lần nữa trở lại nhóm dẫn đầu AGI.
Đa Agent suy nghĩ song song, đạt 58% trong "kỳ thi cuối cùng của nhân loại"
"Chế độ Suy tư" là điểm mạnh then chốt của Muse Spark.
Chế độ tư duy truyền thống là một Agent suy nghĩ lâu hơn, còn chế độ suy tư là nhiều Agent cùng suy nghĩ một lúc, cuối cùng tổng hợp câu trả lời.
Humanity's Last Exam (không công cụ), Muse Spark chế độ suy tư đạt 50.2, Gemini Deep Think 48.4, GPT 5.4 Pro 43.9.
Humanity's Last Exam (có công cụ), 58.4, Gemini 53.4, GPT 5.4 Pro 58.7, gần như ngang bằng.
FrontierScience Research nghiên cứu khoa học tiên phong 38.3, Gemini Deep Think chỉ có 23.3, GPT 5.4 Pro là 36.7.
Tuy nhiên, trong đề lý thuyết IPhO 2025 (Kỳ thi Olympic Vật lý), Muse Spark chế độ suy tư đạt 82.6, GPT 5.4 Pro đạt 93.5, khoảng cách khá lớn.
Nhìn chung, chế độ suy tư giúp Muse Spark thực sự chạm ngưỡng nhóm dẫn đầu trong các nhiệm vụ tư duy tổng hợp khó nhất.
Nhắm đến "Siêu trí tuệ cá nhân", chụp ảnh là có thể làm chuyên gia dinh dưỡng riêng
Meta định hướng cho Muse Spark rất rõ ràng, đó chính là siêu trí tuệ cá nhân.
Dịch sang tiếng người, đó là một trợ lý AI hiểu bạn, hiểu thế giới xung quanh bạn.
Về mặt đa phương thức, Muse Spark được thiết kế từ nền tảng để tích hợp thông tin thị giác xuyên lĩnh vực.
Bản demo chính thức đã trình diễn một số cảnh.
Chụp ảnh một trò sudoku, Muse Spark có thể biến nó thành một trò chơi tương tác có thể chơi trên web.
Chụp máy pha cà phê và máy xay, nó trước tiên đánh dấu tất cả các bộ phận chính, sau đó tạo ra một hướng dẫn pha latte tương tác trên web.
Khi di chuột vào một bước nào đó, khung giới hạn của bộ phận tương ứng trong ảnh sẽ tự động sáng lên, hướng dẫn trực quan và các bước thao tác tương ứng một-một.
Cảnh sức khỏe còn có không gian tưởng tượng lớn hơn.
Chụp một bàn thức ăn, nói với nó "Tôi có cholesterol cao, là người ăn chay pescatarian", Muse Spark sẽ đánh dấu chấm xanh lên đồ ăn được khuyến nghị, và chấm đỏ lên đồ không nên.
Độ chi tiết của Prompt rất cao, trực tiếp nói rõ logic giao diện người dùng.
Con số điểm đánh giá sức khỏe không cần di chuột cũng hiển thị ngay phía trên chấm, khi di chuột sẽ bật lên dữ liệu chi tiết về calo, carb, protein và chất béo, và hộp bật lên được yêu cầu "luôn ở trên cùng, không được che bởi các chấm khác".
Chụp các tư thế yoga cũng theo hướng tương tự.
Nó nhận diện các nhóm cơ được kéo giãn trong mỗi tư thế, đánh dấu mức độ khó, khi di chuột còn đưa ra đề xuất chỉnh sửa tư thế. Ảnh hai người được ghép trái phải, chấm điểm từ 1 đến 10.
Nền tảng đằng sau các demo này là sự kết hợp giữa hỏi đáp STEM thị giác, nhận dạng thực thể và định vị mục tiêu.
Xét từng mảng thì không có gì mới, nhưng khi kết nối thành các tình huống, thực sự có thể thấy ý đồ sản phẩm đằng sau cụm từ "siêu trí tuệ cá nhân".
Một tính năng mới khác đáng được nhắc đến riêng, đó là "Chế độ Mua sắm".
Wang nói trong bài đăng trên X rằng, chế độ mua sắm có thể "nhận diện những người sáng tạo, thương hiệu và nội dung phong cách mà bạn theo dõi trên Instagram, Facebook và Threads, chuyển hóa thành đề xuất cá nhân hóa".
Đây là lợi thế dữ liệu độc nhất của Meta, dữ liệu hành vi xã hội của 3 tỷ người dùng hoạt động hàng ngày + trợ lý mua sắm AI, không gian tưởng tượng thương mại hóa rất lớn.
Ba đường cong Scaling, cắt giảm 90% sức mạnh tính toán, tư duy còn tự nén
Phần quan trọng của blog công nghệ không nằm ở điểm benchmark, mà ở Scaling.
Meta chia nguồn gốc hiệu suất của Muse Spark thành ba trục: huấn luyện trước, học tăng cường, tính toán tại thời điểm kiểm tra. Mỗi trục đều có đường cong scaling tương ứng hỗ trợ.
Huấn luyện trước: Cùng khả năng, sức mạnh tính toán giảm còn 1/10
Chín tháng qua, Meta đã thay máu hoàn toàn ngăn xếp huấn luyện trước, kiến trúc, thuật toán tối ưu hóa, chiến lược dữ liệu đều làm lại.
Để đo lường hiệu quả, Meta đã khớp Scaling Law trên một loạt phiên bản kích thước nhỏ, sau đó so sánh cần bao nhiêu FLOPs huấn luyện để đạt cùng một mức hiệu suất.
Kết luận rất rõ ràng, cùng một mức độ năng lực, Muse Spark cần ít hơn một phần mười sức mạnh tính toán so với Llama 4 Maverick.
Đường cong này nói lên một điều, Meta không chỉ đổ thêm GPU, mà còn nâng cao sản lượng trên mỗi đơn vị sức mạnh tính toán từ tận gốc.
Yuchen Jin từ Đại học Washington đã đánh giá rất đúng trên X: "Tôi vẫn cho rằng cơ sở hạ tầng mới là hào bảo vệ thực sự của phòng thí nghiệm AI. Bởi vì bạn có thể huấn luyện nhanh hơn, nhà nghiên cứu có thể thử nghiệm nhiều ý tưởng hơn một cách nhanh chóng."
Học tăng cường: Tăng trưởng logarit tuyến tính, khái quát hóa cho bài chưa gặp
RL quy mô lớn nổi tiếng là không ổn định, nhưng Meta nói rằng, đường cong RL của ngăn xếp công nghệ mới cực kỳ trơn tru.
Hình bên trái là biểu hiện trên tập huấn luyện. pass@1 và pass@16 (đúng ít nhất 1 lần trong 16 lần thử) đều tăng trưởng logarit tuyến tính.
Điều này cho thấy RL trong khi nâng cao độ tin cậy, không làm giảm tính đa dạng của lời giải, Muse Spark không "đi mãi một con đường", nó vẫn giữ được tính linh hoạt khám phá các cách giải khác nhau.
Hình bên phải quan trọng hơn, là độ chính xác trên tập đánh giá giữ lại.
Đường cong cũng tăng lên ổn định, cho thấy sự tiến bộ do RL mang lại không phải là học vẹt, mà có thể khái quát hóa cho các bài toán mới chưa từng gặp.
Suy luận tại thời điểm kiểm tra: Tư duy đầu tiên mở rộng, sau đó nén, rồi lại mở rộng
Đây là phần hàm lượng kỹ thuật cao nhất và thú vị nhất toàn bài.
RL dạy Muse Spark "diễn tập trong đầu một lần" trước khi trả lời, đây chính là suy luận tại thời điểm kiểm tra.
Nhưng vấn đề là, cung cấp dịch vụ này cho hàng tỷ người dùng, chi phí Token không chịu nổi.
Giải pháp của Meta chia làm hai bước.
Bước một, trong huấn luyện RL thêm vào "hình phạt thời gian suy nghĩ". Bạn có thể nghĩ lâu hơn, nhưng nghĩ quá lâu sẽ bị trừ điểm.
Ràng buộc này gây ra một hiện tượng "chuyển pha" thú vị.
Biểu hiện trên tập con AIME là như thế này, ở giai đoạn huấn luyện đầu, Muse Spark nâng cao độ chính xác bằng cách nghĩ lâu hơn, đường cong kéo dài sang phải.
Sau đó, hình phạt độ dài kích hoạt "nén tư duy". Muse Spark học được cách giải cùng một bài toán với ít Token hơn nhiều, đường cong quay trở lại bên trái.
Sau khi nén xong, nó lại kéo dài quá trình giải toán một lần nữa, để thách thức những bài khó hơn.
Toàn bộ quỹ đạo vẽ ra, là một con đường tiến hóa ba giai đoạn: đầu tiên rẽ phải, sau đó rẽ trái, rồi lại rẽ phải.
Bước hai là giải quyết vấn đề độ trễ.
Một Agent duy nhất nghĩ lâu hơn, độ trễ tăng tuyến tính.
Cách làm của Meta là mở rộng số lượng Agent song song, 1, 2, 4, 16 Agent cùng suy nghĩ.
Nhìn từ biểu đồ, 16 Agent ở mức độ trễ tương đương, độ chính xác nhảy từ khoảng 54% lên khoảng 58%.
Scaling kiểm tra thời điểm truyền thống là đổi thời gian lấy chất lượng, Scaling đa Agent là đổi mức độ song song lấy chất lượng, độ trễ hầu như không đổi.
Đội ngũ người Hoa "đắt giá nhất" Thung lũng Silicon, nộp bài kiểm tra đầu tiên
Đằng sau Muse Spark, là một lần tái cấu trúc hoàn toàn hệ thống AI Meta của Zuckerberg vào năm ngoái.
Tháng 6/2025, Meta mua lại 49% cổ phần của Scale AI với giá 14.3 tỷ USD, mời người sáng lập Alexandr Wang về làm Giám đốc AI đầu tiên của Meta, thành lập Phòng thí nghiệm Siêu trí tuệ Meta (MSL).
Cùng thời gian tham gia còn có cựu CEO GitHub Nat Friedman (đồng phụ trách sản phẩm và nghiên cứu ứng dụng), đồng sáng lập SSI Daniel Gross, và 11 nhà nghiên cứu được mời từ OpenAI, DeepMind, Anthropic.
Giờ đây, việc ra mắt Muse Spark chứng minh một điều, chín tháng tái cấu trúc của Phòng thí nghiệm Siêu trí tuệ Meta đã có thành quả.
Hiệu suất huấn luyện trước tăng lên một bậc, đường cong mở rộng RL trơn tru có thể dự đoán, đường đua đa phương thức và chăm sóc sức khỏe đã chạm tới nhóm dẫn đầu.
Nhưng khoảng cách về mã code và Agent vẫn ở đó, chế độ suy tư vẫn chưa mở hoàn toàn, lịch trình mã nguồn mở vẫn chỉ là một "hy vọng".
Áp lực thực tế hơn là, cùng tuần Anthropic đã ra mắt Mythos được cho là "quá mạnh để công khai", tác phẩm mới của OpenAI mã hiệu Spud cũng đang trên đường.
14.3 tỷ USD mua được một tấm vé vào cửa. Bài kiểm tra tiếp theo, mới là thực sự.
Tài liệu tham khảo:
https://ai.meta.com/blog/introducing-muse-spark-msl/
https://ai.meta.com/blog/scaling-how-we-build-test-advanced-ai/
https://ai.meta.com/static-resource/muse-spark-eval-methodology
https://x.com/alexandr_wang/status/2041909376508985381
Bài viết từ tài khoản WeChat công cộng "新智元" (New Zhi Yuan), tác giả: 新智元
