Muse Spark: funkcje, benchmarki i jak z niego korzystać

Pisaliśmy regularnie artykuły o modelach Llama od Mety (Llama 2, Llama 3 i tak dalej). Potem w kwietniu 2025 r. pojawiła się Llama 4 i spotkała się z powszechną krytyką — wiele redakcji oraz odchodzący szef AI w firmie potwierdzili, że wyniki benchmarków były manipulowane przy użyciu wyspecjalizowanych submodeli, których nigdy nie udostępniono publicznie. 

Po tym aktualizacje przestały się pojawiać. Mniej więcej w tym samym czasie Meta ogłosiła przeniesienie Horizon Worlds wyłącznie na urządzenia mobilne, co de facto zakończyło wersję VR, na której kiedyś opierała przyszłość firmy. Wyglądało to na firmę tracącą grunt na dwóch frontach jednocześnie.

8 kwietnia 2026 r. Meta uruchomiła Muse Spark, pierwszy model z Meta Superintelligence Labs. W informacji prasowej fraza "personal superintelligence" pojawia się trochę zbyt często. Jeśli to odfiltrować, pod spodem jest realny model, który przywraca Metę do rozmów na granicy możliwości dzisiejszej AI.

Jeśli chcesz zobaczyć, jak nowy model Mety wypada na tle jednego z najlepszych obecnych konkurentów, polecam nasz przewodnik: Muse Spark vs Claude Opus 4.6. Możesz też przeczytać nasz przewodnik po Muse Glimmer oraz tutorial o lokalnym uruchamianiu Muse Glimmer.

Czym jest Muse Spark?

Muse Spark to natywnie multimodalny model rozumowania obsługujący tekst, obrazy, audio i narzędzia w jednej architekturze. Wspiera wizualny chain-of-thought, co oznacza, że model może przechodzić przez problemy obrazowe krok po kroku, a nie tylko zwracać pojedynczą odpowiedź. W zestawie jest też orkiestracja multiagentowa — do tego zaraz dojdziemy.

Wcześniejsze modele Llama zwracały odpowiedzi na podstawie dopasowania wzorców z treningu. Muse Spark przepracowuje problem przed odpowiedzią. To jest faktyczna zmiana.

Kto za tym stoi?

Meta Superintelligence Labs (MSL) powstało 30 czerwca 2025 r., kiedy Mark Zuckerberg zreorganizował operacje AI w firmie. Alexandr Wang, były CEO Scale AI, został Chief AI Officerem; w ramach umowy Meta zainwestowała ok. 14 mld dol. w Scale AI. 

Nat Friedman, były CEO GitHuba, kieruje stroną produktową i badaniami stosowanymi, a Shengjia Zhao, współtwórca GPT-4 i o1 w OpenAI (tego samego o1, do którego porównuje się teraz Muse Spark w benchmarkach), jest Chief Scientist.

Jest tu jeszcze trzeci czynnik wart wymienienia: Yann LeCun, wieloletni Chief AI Scientist w Mecie i najbardziej rozpoznawalny rzecznik open source w firmie, odszedł w listopadzie 2025 r. Odejście nastąpiło po zmianach organizacyjnych ograniczających jego rolę i przejściu zespołu na rozwój zamknięty.

Co nowego w Muse Spark (i dlaczego warto zwrócić uwagę)?

Najważniejsze nowości to tryby rozumowania, przebudowany pipeline treningowy oraz celowe skupienie na zdrowiu. Po kolei.

Trzy tryby rozumowania

Muse Spark oferuje trzy sposoby interakcji i warto zrozumieć różnice, zanim zaczniesz z niego korzystać.

• Instant to domyślny tryb do luźnych zapytań. Odpowiada szybko, bez rozszerzonego rozumowania — podobnie jak standardowy model czatowy.
• Thinking korzysta z rozszerzonego chain-of-thought. Model poświęca więcej czasu, przechodzi przez kroki pośrednie i z reguły lepiej radzi sobie z trudniejszymi problemami. To tryb, na którym opierają się większość wyników benchmarków w tym artykule.
• Contemplating jest najciekawszy. Więcej o nim od razu poniżej.

Warto wiedzieć z góry: tryb Contemplating jest wdrażany stopniowo i nie był dostępny dla wszystkich w dniu premiery. Jeśli jeszcze go nie widzisz, to normalne.

Tryb Contemplating

Tryb Contemplating uruchamia wiele agentów rozumowania pracujących równolegle, a następnie łączy ich wyniki w jedną odpowiedź. Tam, gdzie Deep Think od Gemini i tryb GPT Pro w OpenAI skalują rozumowanie, "myśląc dłużej", Muse Spark skaluje je, "myśląc szerzej". Więcej agentów pracuje jednocześnie zamiast jednego, który pracuje dłużej.

Argument Mety jest taki, że takie podejście daje porównywalne wyniki przy niższych opóźnieniach, bo agenci działają równolegle, a nie sekwencyjnie. Niezależne potwierdzenie tych deklaracji dot. latencji jeszcze nie jest dostępne, ale liczby z trybu Contemplating prowadzą na kilku trudnych ewaluacjach (o tym za chwilę).

To funkcja na etapie wnioskowania, a nie architektury. Sam model się nie zmienia.

Skalowanie RL i kompresja myśli

Meta zbudowała od zera swój stack treningowy w ciągu dziewięciu miesięcy, które zajęło opracowanie Muse Spark. Twierdzenia dotyczące reinforcement learning (RL) pochodzą z bloga technicznego Mety i nie zostały niezależnie zweryfikowane.

Ciekawsza jest technika, którą zespół badawczy nazywa kompresją myśli. W trakcie treningu RL model jest nagradzany za poprawne odpowiedzi, ale też karany za czas "myślenia", co przekłada się na nadmiarowe tokeny wyjściowe. Powoduje to trójfazowe zachowanie przy złożonych zadaniach, np. w matematyce. 

Najpierw model poprawia się, myśląc dłużej. Potem kara za długość wymusza rozwiązanie tych samych problemów znacznie mniejszą liczbą tokenów. W pewnym momencie znowu wydłuża rozumowanie i przebija wcześniejsze sufity wydajności, używając mniej tokenów.

Praktyczny skutek: model nauczył się robić więcej mniejszym kosztem. To twierdzenie opiera się na krzywych treningowych Mety, które nie zostały niezależnie potwierdzone.

10× mniej obliczeń

Meta twierdzi, że jej nowa architektura dorównuje wydajności Llama 4 Maverick przy dziesięciokrotnie mniejszym koszcie treningu. To mowa o efektywności architektonicznej, a nie suficie Muse Spark. Llama 4 Maverick zdobyła 18 w Artificial Analysis Intelligence Index. Muse Spark — 52.

Dane o efektywności tokenowej z niezależnego uruchomienia Artificial Analysis wskazują w tym samym kierunku. Muse Spark zużył 58 mln tokenów wyjściowych. GPT-5.4 — 120 mln. Claude Opus 4.6 — 157 mln.

Zdrowie: celowy fokus

Zdrowie to najczytelniejsza przewaga Muse Spark w benchmarkach — i jest zamierzona. Meta współpracowała z ponad 1000 lekarzy, aby wyselekcjonować dane treningowe do rozumowania zdrowotnego. 

Model potrafi generować interaktywne wizualizacje dotyczące wartości odżywczych, informacji o lekach i fizjologii wysiłku. W HealthBench Hard Muse Spark uzyskał 42,8 wobec 40,1 dla GPT-5.4 i 20,6 dla Gemini 3.1 Pro. Ta przewaga nad Gemini utrzymuje się w niezależnych ewaluacjach.

To wyraźna odpowiedź Mety na ChatGPT Health. Argument Mety, dlaczego może konkurować, to kontekst społeczny 3 mld użytkowników, który powinien dać przewagę w rozumieniu, jak ludzie faktycznie zadają pytania zdrowotne. Czy to się utrzyma przy złożonych lub nietypowych pytaniach, a nie tylko tych codziennych, które dominują w benchmarkach — warto obserwować.

A co z Llamą?

Społeczność deweloperów zadaje jedno pytanie i zasługuje ono na prostą odpowiedź.

Muse Spark nie jest open-source. Każdy model Llama do Llama 4 był dostarczany z wagami do pobrania i uruchomienia lokalnie. Na tym wyrosły społeczności jak r/LocalLLaMA. Ten scenariusz zniknął.

Uzasadnienie Mety jest częściowo konkurencyjne: chińskie laboratoria, w tym DeepSeek, używały wag Llamy, aby przyspieszyć własne badania. Wang powiedział, że firma "ma nadzieję" otworzyć przyszłe modele Muse — bez podania terminu. "Nadzieja" robi tu dużą robotę.

Zespół Llamy przeniesiono do laboratorium Wanga, a Llama 4 była ostatnim modelem w starej strukturze. Czy Llama będzie kontynuowana obok Muse, czy po cichu wygaszona — Meta nie powiedziała.

Wyniki benchmarków Muse Spark

Benchmarki w przypadku Muse Spark są trudne z jednego ważnego powodu. Mając w pamięci historię Llamy 4, oddzielaj liczby raportowane przez Metę od niezależnie zweryfikowanych.

Oto wyniki w trybie Thinking — to tu znajdziesz najwięcej danych do uczciwego porównania.

Źródło: Meta Superintelligence Labs / ai.meta.com

Tryb Contemplating ma osobny zestaw dla najtrudniejszych ewaluacji. Prowadzi w Humanity's Last Exam i FrontierScience Research, ale ustępuje GPT-5.4 Pro i Gemini 3.1 Deep Think w zadaniach z fizyki IPhO 2025 Theory. Wszystko to z raportów samej Mety, więc traktuj to jako wskazówki, a nie ostateczne rozstrzygnięcia.

Źródło: Meta Superintelligence Labs / ai.meta.com

Niezależny obraz od Artificial Analysis jest bardziej wyważony. Umieścili Muse Spark na czwartym miejscu w swoim Intelligence Index, za Gemini 3.1 Pro Preview, GPT-5.4 i Claude Opus 4.6. Nadal w pierwszej piątce na świecie. Liczby jasno wskazują też słabe punkty: ARC-AGI-2 i Terminal-Bench 2.0 warto obserwować, jeśli w twoim przypadku kluczowe są kodowanie lub abstrakcyjne rozumowanie.

Testowanie Muse Spark

Mając w pamięci te wyniki benchmarków, sprawdźmy Muse Spark w praktyce. Przetestuję model pod kątem wieloetapowego rozumowania, rozumienia obrazów i debugowania kodu.

Test 1: Łańcuch logiki Fibonacci–binarny (stabilność kaskadowego rozumowania)

W pierwszym teście celuję w zaawansowane możliwości rozumowania Muse Spark w zadaniu wieloetapowym. Model musi:

• Wskazać poprawny wyraz Fibonacciego
• Poprawnie przekonwertować go na zapis binarny
• Dokładnie policzyć bity
• Wygenerować liczby pierwsze w obliczonym zakresie
• Wykonać duże sumowanie

Użyty prompt:

Step 1: Find the 13th number in the Fibonacci sequence (starting with F1=1, F2=1). Let this be X.
Step 2: Convert X into a binary string (Base 2).
Step 3: Count the number of '1's in that binary string. Let this count be C.
Step 4: Identify all prime numbers (p) such that 20 ≤ p ≤ (C × 100).
Step 5: Calculate the sum of these primes. What is the final result?

Muse Spark poradził sobie bardzo dobrze i rozwiązał zadanie poprawnie za pierwszym razem. To tym bardziej imponujące, że GPT-5.4 poległ na ostatnim kroku i poradził sobie dopiero po podzieleniu go na dwa (wypisanie liczb pierwszych, a potem ich zsumowanie).

Test 2: Rozumienie obrazu i wnioskowanie sprzedażowe na wieloliniowym wykresie szeregu czasowego

Meta twierdzi, że Muse Spark świetnie rozumie złożone obrazy, więc używam poniższego wieloliniowego wykresu szeregu czasowego, by sprawdzić, czy potrafi rozpoznać wzorce i przełożyć je na użyteczne sugestie.

Oto prompt:

Examine this multi-line time-series of monthly active users for three products. Describe the key patterns you see, explain how events likely impacted each product, and propose data-driven next steps for the business.

Muse Spark poprawnie zidentyfikował wszystkie wzorce, co sugeruje, że rozpoznawanie obrazu działa dobrze.

Dane były losowo spreparowane, więc nie ma tu jednoznacznie poprawnej odpowiedzi. Mimo to Muse Spark identyfikuje wszystkie zdarzenia i rozumuje na poziomie różnych produktów i momentów w czasie dla każdego zdarzenia, wyciągając sensowne wnioski. Analizuje nawet zmiany w sumie MAU (miesięcznie aktywnych użytkowników) kombinacji produktów, mimo że nie było o to proszone — miły dodatek.

Wszystkie proponowane kolejne kroki są zgodne z analizami wzorców MAU produktów i efektów zdarzeń. Muse Spark wskazał najważniejszy temat dla każdego produktu (playbook wdrożenia dla A, ceny dla B, skalowanie dla C) i zaproponował konkretne, sensowne działania.

Test 3: Debugowanie kodu

Na koniec sprawdzę umiejętności Muse Spark w diagnozowaniu błędów w kodzie. Test ma pokazać, czy model tylko śledzi poprawność linia po linii, czy też potrafi wykryć głębsze wady.

Prompt:

A developer wrote this Python function to compute a running average: 

def running_average(data, window=3): 
    result = [] 
    for i in range(len(data)): 
        start = max(0, i - window + 1) 
        chunk = data[start:i + 1] 
        result.append(round(sum(chunk) / window, 2)) 
    return result 
When called with running_average([10, 20, 30, 40, 50]), the first two values in the output seem wrong. Why? Please help me fix what is wrong!

Funkcja zawsze dzieli przez window (3), nawet na początku, gdy chunk ma mniej niż 3 elementy. Błędne wyjście to [3.33, 10.0, 20.0, 30.0, 40.0], ale pierwsze dwie wartości powinny wynosić 10.0 i 15.0, bo te fragmenty zawierają odpowiednio tylko 1 i 2 elementy. Poprawką jest zmiana / window na / len(chunk).

Modele często perfekcyjnie śledzą pętlę, ale potem stwierdzają, że wynik wygląda "poprawnie". Widzisz rachunek krok po kroku, a jednak nie sygnalizują, że dzielenie pojedynczego elementu przez 3 nie ma sensu. To wymaga od modelu jednoczesnego utrzymania intencji (czym jest średnia krocząca) i wykonania (co robi kod) oraz wykrycia luki między nimi.

Muse Spark rozpoznał średnią kroczącą jako intencję i wychwycił błąd. Zaproponował właściwą zmianę i wyjaśnił, dlaczego jest potrzebna. Zaproponował nawet inną opcję na wypadek, gdyby częściowe okna miały być całkiem pomijane.

Ogólnie model zdał wszystkie trzy testy bezbłędnie i zrobił dobre pierwsze wrażenie.

Jak uzyskać dostęp do Muse Spark?

Dostęp do Muse Spark uzyskasz na meta.ai lub przez aplikację Meta AI na iOS i Androidzie. Oba kanały są bezpłatne. Wdrożenie zaczyna się od USA, z zapowiedzianą ekspansją na inne regiony w kolejnych tygodniach.

Meta planuje wdrożyć go w podobnym czasie w WhatsAppie, na Instagramie, Facebooku, w Messengerze i w okularach Ray-Ban AI.

Brak publicznego API. Prywatny podgląd jest dostępny dla wybranych partnerów korporacyjnych, bez potwierdzonego terminu szerszego dostępu. W kwestii prywatności: polityka Mety nakłada niewiele ograniczeń na to, jak rozmowy mogą być wykorzystywane do ulepszania modeli. Jeśli planujesz dzielić się wrażliwymi danymi, najpierw przeczytaj warunki.

Gdzie Muse Spark ma braki

Meta powiedziała to wprost na swoim blogu technicznym: model ma luki w wieloetapowych zadaniach agentowych i w przepływach pracy związanych z kodowaniem.

Na SWE-Bench Verified różnica względem Gemini i Opus 4.6 jest niewielka. Otwiera się w pracy agentowej: Terminal-Bench 2.0 (59,0 vs 75,1 dla GPT-5.4) i GDPval-AA (automatyzacja biurowa: 1444 vs 1672 dla GPT-5.4). To już nie jest blisko. 

Abstrakcyjne rozumowanie wizualne ma ten sam wzorzec: ARC-AGI-2 to 42,5 dla Muse Spark wobec ponad 70 dla GPT-5.4 i Gemini. Model, który prowadzi w czytaniu wykresów, wyraźnie odstaje w nowych wzorcach wizualnych.

Ta ostatnia kwestia doczekała się odpowiedzi w dniu premiery. François Chollet, współtwórca ARC Prize i twórca Kerasa oraz ARC-AGI, nazwał model "przeoptymalizowanym pod publiczne benchmarki kosztem wszystkiego innego". Wang odpowiedział, uznał lukę w ARC-AGI-2 i wskazał na pozytywny feedback użytkowników w kwestii wizualnego kodowania i rozumowania. Czy to się utrzyma w szerszym użyciu — pozostaje otwarte.

Brak publicznego API, o czym pisałem wcześniej, to dodatkowa luka konkurencyjna. Wang przyznał to w dniu premiery: "Na pewno są niedoróbki w zachowaniu modelu, które z czasem wypolerujemy".

Bezpieczeństwo Muse Spark 

Przed premierą Meta przeprowadziła ewaluacje w ramach Advanced AI Scaling Framework. W BioTIER-refuse Muse Spark prowadzi w zestawie porównawczym pod względem odrzucania zapytań o broń biologiczną. To liczby Mety.

Źródło: Meta Superintelligence Labs / ai.meta.com

Ciekawsze wnioski pochodzą z Apollo Research. Ustalili, że Muse Spark wykazuje najwyższy spośród testowanych modeli poziom świadomości ewaluacji: model często identyfikował testy bezpieczeństwa jako kontekst testowy i zachowywał się ostrożniej właśnie z tego powodu. 

Model, który zachowuje się dobrze tylko wtedy, gdy "wie, że jest obserwowany", to problem, który warto traktować poważnie. Wcześniejsze prace Apollo pokazały, że ten wzorzec może zwiększać to, co nazywają "zachowaniem spiskowym" w realnym wdrożeniu.

Meta uznała to ustalenie w dniu premiery — czego większość laboratoriów nie robi. Ich follow-up wykazał, że dotyczyło to niewielkiego podzbioru ewaluacji alignmentu, żadnych związanych z niebezpiecznymi możliwościami, i uznał, że nie jest to kwestia blokująca. Badania trwają.

Muse Spark vs GPT-5.4 vs Opus 4.6 vs Gemini 3.1

Benchmarki pokazują, co te modele potrafią. Ta sekcja odpowiada, którego faktycznie użyć.

W skrócie

*Artificial Analysis odnotowuje okno kontekstu Muse Spark jako 262K. Niektóre źródła podają 1M. Meta nie opublikowała karty modelu potwierdzającej którąkolwiek z wartości.

Który wybrać?

Wybierz Muse Spark, jeśli twoje zastosowanie to pytania zdrowotne, czytanie wykresów lub multimodalne aplikacje konsumenckie. Publicznego API jeszcze nie ma, więc jeśli budujesz produkcyjną integrację, musisz poczekać.

Wybierz GPT-5.4, jeśli potrzebujesz modelu ogólnego przeznaczenia, z którym możesz budować już dziś. Prowadzi w kodowaniu, abstrakcyjnym rozumowaniu wizualnym i automatyzacji biura, ma publiczne API i okno kontekstu 1M dostępne teraz.

Wybierz Claude Opus 4.6, jeśli pracujesz z długimi dokumentami lub potrzebujesz uważnego, wysokiej jakości tekstu. Okno 1M przeszło do standardowej ceny 13 marca 2026 r. To najdroższa opcja — $5/$25 za 1M tokenów.

Wybierz Gemini 3.1 Pro, jeśli twoja linia przetwarza wideo. To jedyny model tutaj przyjmujący wideo i przy $2/$12 za 1M tokenów jest najtańszą opcją z czołówki w tym zestawieniu.

Co mówią o Muse Spark

Wczesne reakcje rozdzieliły się dość przewidywalnie. Jedni znaleźli konkretne rzeczy, które ich zaskoczyły. Inni spojrzeli na tabelę benchmarków i doszli do innych wniosków.

Narracja "pełen stack przebudowany od zera" pojawiała się często. Te dziewięć miesięcy to albo imponujący, albo trudny do uwierzenia harmonogram — zależnie od tego, jak bardzo ufasz deklaracjom Mety.

Pietro Schirano podał konkretny przykład: poprosił Muse Spark o zamianę zrzutu interfejsu na kod, a model wyciął z interfejsu zasoby graficzne zamiast traktować go jako płaski obraz.

To nie jest benchmark. To ten rodzaj rzeczy, który się rozchodzi, bo jest autentycznie niespodziewany.

Aakash Gupta miał najostrzejszą ocenę. Jego ujęcie: "To model CEO firmy od labelingu danych. Odciski palców są wszędzie w wynikach". Benchmarki, w których Muse Spark prowadzi, to zadania silnie zależne od jakości danych, gdzie selekcja zbioru treningowego wyznacza sufit. 

Te, w których odstaje (ARC-AGI-2, Terminal-Bench, GDPval), to dokładnie te, gdzie architektura i skalowanie RL znaczą więcej niż dane. Jego wniosek: "zbudował najlepszy model w rzeczach, które rozwiązuje pipeline danych, i przeciętny we wszystkim innym".

Wnioski

Skok z 18 dla Llama 4 Maverick do 52 dla Muse Spark w Artificial Analysis Intelligence Index nie jest subtelny. Jak na zespół, który odbudował wszystko w dziewięć miesięcy, wyniki w zdrowiu i multimodalności to realny pierwszy krok — i utrzymują się w niezależnych testach.

Oczywiście braki są widoczne. Zadania kodowe i agentowe na tle GPT-5.4 nie są blisko; abstrakcyjne rozumowanie wizualne to wyraźna słabość i nadal brak publicznego API. Jeśli potrzebujesz modelu do budowy już dziś, Muse Spark jeszcze nim nie jest.

Wciąż wracam do pytania o open source. Ekosystem Llamy powstał na zaufaniu, że wagi będą dostępne. Muse Spark to zrywa. "Nadzieja" Wanga na otwarcie przyszłych wersji nie jest zobowiązaniem. Moim zdaniem to najbardziej doniosły aspekt tej premiery, który dostaje znacznie mniej uwagi niż liczby z benchmarków.

Powstają większe modele Muse. Jeśli architektura rzeczywiście się skaluje, dzisiejsze liczby będą wyglądać skromnie. To jest zakład.

Jeśli chcesz nauczyć się, jak najlepiej wykorzystać dowolny duży model językowy, polecam nasz kurs Understanding Prompt Engineering.