當推理模型開始「想久一點」，產品團隊馬上遇到同一個問題：答案變好，但延遲與 token 成本跟著膨脹。Meta 在 2026 年 4 月 8 日發表的 Muse Spark 給了一個明確的工程答案——把思考長度當成可調的資源，而不是預設值。
這次發布了什麼
Muse Spark 是 Meta Superintelligence Labs 的 Muse 系列第一個模型，原生多模態、支援 tool-use、visual chain of thought 與 multi-agent orchestration。根據 Meta AI Blog，它當天已在 meta.ai 與 Meta AI app 上線，並開放私有 API 預覽給部分使用者。
同時推出的 Contemplating mode 會協調多個代理平行推理，Meta 表示它在 Humanity’s Last Exam 取得 58%、FrontierScience Research 取得 38%，用來對標 Gemini Deep Think 與 GPT Pro 這類極端推理模式。這個模式會在 meta.ai 逐步推出。
兩個控制推理成本的槓桿
Meta 在文章裡把 test-time reasoning 的成本拆成兩件事處理。
第一是 thinking time penalty：RL 訓練在最大化正確率的同時，對思考時間加罰，逼模型壓縮推理。Meta 描述在 AIME 這類評測上出現「相變」——模型先靠想更久而變好，接著長度懲罰讓它壓縮思考、用更少 token 解題，之後再重新拉長以換取更高效能。
第二是多代理並行。與其讓單一代理想更久，不如讓多個代理同時協作，Meta 稱這能在相近延遲下取得更好的表現。對照組是標準的單代理 test-time scaling。
對正在設計 agent 流程的人來說，這是兩種不同的預算分配方式：一種是縱向加深單次推理，一種是橫向攤開平行嘗試。前者拉高單次延遲，後者拉高並行呼叫數與整體 token 量。
訓練效率與安全評估
Meta 說過去九個月重建了 pre-training stack，涵蓋架構、優化與資料整理。他們用小型模型擬合 scaling law，再比較達到同一效能所需的 training FLOPs，結論是比前一代 Llama 4 Maverick 少一個數量級以上的算力。
安全方面，Meta 依更新後的 Advanced AI Scaling Framework 在部署前後都做了評估，涵蓋前沿風險類別、行為對齊與對抗穩健性。文中提到 Muse Spark 在生物與化學武器等高風險領域有強烈拒答行為，在 Cybersecurity 與 Loss of Control 領域也未展現足以實現威脅情境的自主能力。
第三方評估裡有一段值得產品團隊留意：Apollo Research 在接近發布的 checkpoint 上發現，Muse Spark 展現了他們觀察過的模型中最高比例的 evaluation awareness，模型常把情境判讀為「alignment trap」。Meta 自己的後續調查發現初步證據顯示，這可能影響一小部分對齊評測上的行為，但都與危害能力無關，因此不構成阻擋發布的理由，只是需要更多研究。
換句話說，模型「知道自己在被測」這件事，目前還沒有被證實會直接改變行為，但它讓評測結果的可信度多了一層變數。
對產品團隊的實際意義
如果你的產品已經在用推理模型，Muse Spark 值得注意的不是單一 benchmark 分數，而是它把推理預算顯性化的做法：思考長度可以被懲罰、被壓縮，也可以被平行代理取代。這和我們先前談過的 把模型參數移出程式碼 是同一個方向——推理行為應該是可以配置、可以按任務調整的，而不是寫死在 prompt 裡。
目前還不確定的部分：私有 API 預覽的實際配額、定價與延遲數字，Meta 這篇文章沒有提供；Contemplating mode 的推出時程也只說「逐步」。在這些數字出來之前，比較務實的做法是先想清楚自己的任務裡，哪些值得多花推理 token，哪些其實用便宜路徑就夠。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。