随着AI领域竞争的加剧，Meta近期加入了模型更新的潮流，推出了新版本Muse Spark 1.3，并开始在Muse Code及Meta Model API上提供服务。相较于前一版本Muse Spark 1.2，此次升级主要增强了模型在长任务、编程、多任务处理及复杂指令遵循等方面的表现，同时显著降低了执行工程任务时对工具调用和Token的依赖。扎克伯格在社交媒体上表示，Muse Spark 1.3是Meta在编程和Agent领域的重大升级，性能接近顶尖模型，且成本极低。根据Meta的长期规划，Muse Spark 1.3仅仅是此次更新的开端，未来将推出更大规模的Muse模型及其开放权重版本。

在长任务执行方面，Muse Spark 1.3最显著的改进是其在Agent工作流程中的应用。Meta希望新模型能够在面对开放式任务时不再局限于完成预设步骤，而是主动利用工具收集上下文信息，识别信息中的矛盾并适时调整计划，同时持续记录收集到的信息，直至达到最终交付目标。为了提升模型在不同Agent环境下的适应能力，Meta表示，Muse Spark 1.3经过多种Agent环境的训练，确保即便在非固定工具链情况下也能保持其工作效率。

用户与Agent的协作方式也有所改变，对于不明确的提示，Muse Spark 1.3会主动向用户求证；在任务遇到瓶颈时会请求用户帮助；一些不可逆操作或重要的决定都需要在执行前获得用户的确认。此外，在长任务期间，模型可以根据不同用户的偏好调整互动方式，一些用户希望获得及时的进度更新，模型能够持续报告进展；而另一些用户则希望减少打扰，模型也可以相应地降低通知频率。Meta还特别强化了模型对自身能力的认知，期望其能清晰区分“自己知道和不知道的内容，以及可以和不能做的事情”，并在遇到障碍时准确反馈，而不是虚构完成结果。

此外，在复杂指令的处理上，Muse Spark 1.3也实现了升级。它在多步骤任务中能够更好地持续记住先前的要求，减少遗漏条件或偏离指令流程的情况。Meta展示的一个例子是航空工程报告，模型需要同时解析CFD仿真数据和STEP格式的机翼CAD文件，整理多个技术参数，并基于这些信息分析复杂现象。这样的任务显示了Meta对Agent角色的重新审视，单次的回答已不足以表明模型能力，能否在复杂、多变的长期任务中保持高效表现成为了未来AI竞争的重要标准。

在编程能力的提升上，Muse Spark 1.3也是一个重要焦点。Meta表示，新型号进行了大量长时程编程任务的训练，并在日常工程工作中进行了可用性优化。与上一版本相比，该模型在完成任务时减少了约20%的工具调用和25%的Token消耗。对于正向Agent编程方向发展的AI Coding产品而言，这些数据比单纯的Benchmark提高更有意义，因为当前许多Coding Agent在一个任务中需要频繁进行文件搜索、调用终端、修改代码和测试，大大增加了工具调用次数。模型性能提升后，降低的调用数量将有助于缩短等待时间并降低推理成本和API消耗。

参与Muse Spark 1.3研发的北大校友孙之清在发布后也分享了信息，声称团队再次对Avocado模型进行了后训练，并强化了测试的扩展能力，认为新版本在各个方面都有显著提升。