Meta Muse Spark 1.3 跻身全球前三，训练折扣超九成，超级智能实验室地位坐实

Meta 的 Muse Spark 1.3 于 2026 年 9 月 2 日正式推出，扎克伯格在社交媒体上亲自宣布，称其在编程与智能体任务上实现了「迄今最大跃升」。根据 AAII 模型排行榜，Muse Spark 1.3 已跻身全球第三，性能与 OpenAI GPT-5.6-Sol 及 Anthropic Claude Opus 相当，标志着 Meta 在经历一段时间的追赶后，正式确立了前沿实验室的地位。扎克伯格还透露，开放权重版本即将发布，这对开源社区而言是重大利好。

在定价策略上，Meta 采取了一种颇为大胆的差异化方案：用户若选择将自身使用数据贡献给模型训练，可享受超过 90% 的价格折扣。这一机制在商业上极具吸引力，同时也引发了关于数据隐私与用户知情同意的讨论。对于预算有限的开发者和初创公司而言，这一折扣力度几乎相当于免费使用，可能大幅加速 Muse Spark 的市场渗透速度。

斯坦福大学正将 AI 原生软件工程正式化为独立学科。Mihail Eric 主导的新版课程将 85% 的旧有内容替换为智能体技能、上下文工程、MCP 门户、智能体代码审查等前沿主题，并要求学生向真实开源项目提交代码。另一门由 Diyi Yang 和 Michael Ryan 主讲的 CS329Z 课程则聚焦从零构建智能体系统，涵盖评估框架、记忆机制、工具编排与生产约束，标志着 AI 教育从「提示词使用」向「系统工程」的范式转变。

在模型架构层面，关于 OpenAI 代号「Astra」采用循环 Transformer 的传言引发广泛讨论，但研究者 Sebastian Raschka 对此泼了冷水。他指出，所谓「循环深度」或「层复用」并非架构突破，开源模型 Nanbeige 4.2-3B 早已采用类似方案——将 22 层 Transformer 堆叠复用两次，效果等同于 44 层模型，但参数量不变，代价是约两倍的计算开销。他还澄清，层复用并不必然导致推理链条被隐藏，这一特性取决于模型的训练目标而非架构本身。

ByteDance Seed 发布的 HarnessDev 框架为智能体评估引入了新维度：模型不仅需要完成任务，还需从弱种子出发构建执行框架，并在第二阶段基于下游反馈持续优化，评分同时考量能力与执行 token 成本。测试结果显示，自动生成的框架在写作和机器学习实验任务上已可媲美人工设计，但在代码、搜索和研究任务上仍有差距。此外，一项关于技能检索的研究警告称，聚合指标的提升可能掩盖实际触发检索的子任务性能下降，提醒团队谨慎解读整体数据。

强化学习后训练基础设施正加速产品化。SGLang 团队联合 Baseten 和 NVIDIA Dynamo 推出 Miles 框架，以 SGLang 作为推出推理引擎，提升 RL 后训练的速度与稳定性。实时多模态推理方面，Photon 2.1 新增文本转语音模型并支持 NVIDIA B200，Baseten 也上线了 GLM-5.3 Fast 的托管服务，主打高吞吐与实时部署能力。整体来看，智能体基础设施生态正在从研究原型快速走向生产就绪。

要点

• Muse Spark 1.3 在 AAII 排行榜跻身全球第三，Meta 正式跻身前沿 AI 实验室行列，并承诺即将开放模型权重
• Meta 推出训练数据折扣机制，用户同意数据用于训练可享超 90% 折扣，大幅降低开发者使用门槛
• 斯坦福两门新课程将智能体系统工程正式化，AI 教育重心从提示词使用转向系统构建与生产部署
• OpenAI「Astra 循环 Transformer」传言被研究者认定技术新颖性有限，层复用方案在开源模型中早有先例
• ByteDance HarnessDev 框架将执行效率纳入智能体评估，技能检索聚合指标可能掩盖子任务性能下降