zhudong.si
中文EN
深度研究报告 · DEEP RESEARCH

METAMeta 个人超级智能深度研究报告

从个人代理到智能入口:形成机制、控制权与商业利益

研究截止:2026-10-06章节:14全文:约 2.3 万字版本:V1.0

从个人代理到智能入口:形成机制、控制权与商业利益

研究截止:2026 年 10 月 6 日。公司专题研究第一篇。

执行摘要

本报告判断:Meta 最值得研究的变化,是把 AI 从“提供答案的界面”推进到“接受持续委托的行动入口”。它已形成可辨认的产品与工程路线;公开证据尚未证明个人超级智能已经实现。这里的“个人”首先描述目标由谁提出、代理为谁服务,而不是模型归谁所有、算力是否分散,或服务提供者是否在技术上无法接触数据。

Meta 在 2025 年提出 Personal Superintelligence,随后形成 Muse Spark 模型、Muse 个人代理、Muse Code、开放权重 Muse Glimmer,以及面向企业的产品计划。2026 年 9 月的公开资料进一步展示了持续运行、个人上下文、工具与支付的组合。[1–7] 把这些产品统一称为“一个 Muse 模型”,会掩盖真正的研究对象:由模型、状态、权限、连接器和商业生态共同组成的系统。

本报告形成六项核心判断。

第一,Personal Superintelligence 是一种关于委托关系的战略主张,是否构成新的超级智能范式仍待验证。它可能发展为个人持续管理工作与生活的系统,也可能主要成为现有平台控制下一代流量入口的方式。二者可以同时存在。决定结果的是控制权、可迁移性、可靠性和商业规则,而不只是模型能力。

第二,Meta 的路线优势在组合与分发,关键瓶颈在完整任务的可靠交付。持续对话、长期记忆、浏览器和外部服务使更多行动成为可能;但“可以调用工具”与“在复杂目标下正确完成任务”有明显距离。公开资料缺少 Muse 在真实用户环境下、带完整失败分母和人工干预记录的长期任务测量。本报告不以下载量、演示或综合模型分数替代这一缺口。

第三,用户控制权需要分层判断。用户能授权与断开连接,不代表已理解所有未来行动;运行环境隔离,不代表提供者无法访问数据;代理不接触原始支付信息,不代表交易选择没有利益冲突。现有安全披露提供了一些工程保护,但部分更强隐私目标仍处于计划或测试阶段。[8–10]

第四,广告模式与个人代理存在结构性张力,尚无充分证据证明这种张力已转化为 Muse 系统性损害用户利益。Meta 的广告业务规模,使它有动力保住需求发现、商品选择和商家获客入口。另一方面,可信代理必须能够根据用户利益比较商品、减少无效消费,甚至推荐平台不喜欢的选项。判断冲突需要审计推荐与商业排序,不能仅凭“对话不用于广告”作结论。

第五,眼镜与设备连接可扩大上下文和行动范围,尚不能证明物理超级智能。Muse 接入眼镜在 Connect 2026 公告中属于未来数月的计划。开放设备 SDK 能连接传感器和执行器,但连接设备与自主处理开放物理环境,是两种能力。[11–12]

第六,Meta 已披露 AI 参与科研和模型训练链条的实例,但公开证据不足以确认 AI R&D Takeoff。模型参与数学研究、蒸馏与代理训练,可以产生有价值的成果;还需要证明这些成果连续改善下一代研发能力,并实际缩短研发周期。模型版本发布频繁不构成这项证明。[4,13]

对企业与个人,本报告最直接的建议是:将评价单位从“聊天体验”改成“有明确边界的完整任务”。同时测量完成率、人工复核、授权理解、撤权效果、可恢复性和总交付成本。一个值得持续委托的代理,必须同时做到能办事、讲清楚、可中止、可离开。

一|研究对象、问题与证据边界

1.1 本专题要回答什么

本研究从五个基本问题出发:Meta 正在形成什么能力;哪些工程模块真正使能力增长;个人代理由谁实际控制;商业激励怎样影响代理行为;什么证据能够推翻当前解释。公司愿景、产品实现和超级智能结论分别处理。

本报告把“个人代理”定义为:围绕某个用户的目标与上下文,在授权范围内持续调用工具、保存状态并执行行动的系统。这是工作定义,不意味着现有产品全部达到该标准。“个人超级智能”则要求这个系统在广泛且重要的任务上,可靠地达到显著超过个人或专业团队的表现;本报告未找到足以证明 Muse 已达到这一标准的公开证据。

不设一个模型分数作为超级智能门槛。比较系统时,需要同时记录任务范围、任务时长、资源权限、成功标准、人工投入、成本与控制能力。能够运行数天只是持续性;能够无需补救地完成通常需要人类数天的工作,才是较强的能力证据。

1.2 证据标签如何使用

标签 本报告采用的含义 使用边界
A|独立研究 独立机构公布的方法、测量或评估 委托关系、测试版本与覆盖范围仍须说明
B|官方一手 Meta、技术合作伙伴、官方代码与研究披露 自评、产品承诺和研发愿景不升级为独立验证
C|媒体报道 权威媒体获取的信息、采访与事件报道 个案不能替代整体发生率;争议保留当事方解释
D|分析推断 本报告根据事实建立的解释、情景与建议 明确标注,不把合理性当成已经发生

独立性与资料类型不是同一维度。Meta 作者的论文属于 B,即使采用学术写作;外部评估机构接受实验室委托,仍可提供有价值的 A 类测量,但不能省略模型访问、测试条件和独立性限制。

研究资料主要来自战略信、模型发布和评估文档、代理安全设计、合作伙伴支付公告、财报、官方代码、独立能力评估与争议报道。先收集资料,再形成竞争解释,最后安排本报告结构。没有以原始研究方向逐项拼接章节。

1.3 最新资料不等于最新测量

本报告特别区分四个时间:实验发生时间、资料发布日、产品可用时间和本次复核日。2026 年 10 月重新打开的模型评估,可能仍针对早期检查点;9 月宣布的硬件功能,也可能尚未上线。相反,旧安全框架不能代替 10 月已经更新的版本。

部分媒体正文和产品法律页面在公共读取中不可完整取得。对这些材料,仅使用可核验的摘要、后续报道或官方回应,不推断缺失内容。未核实所有地区、账户与操作系统的功能差异,也未开展登录产品后的实测。这是一份公开资料研究,不是 Muse 安全认证或现场验收报告。

二|Meta 的路线:从愿景到可辨认的产品组合

2.1 “Personal”首先改变的是智能服务的目标主体

2025 年 7 月 30 日,Zuckerberg 的公开信强调让个人用超级智能追求自己的目标,并提出眼镜可能成为理解个人情境的重要计算入口。这是 B 类战略主张。[1] 它把关注点从“中央系统自动化多少工作”移向“每个人能调用多少能力”。

本报告分析:这两种方向没有技术上的绝对分界。同一套集中式基础模型和云基础设施,可以服务个人、企业和大型组织。一个面向个人的代理也可能调用中央平台完成大部分工作。因此,“个人”并不自动意味着去中心化。

更有用的区分是:谁提出目标;谁解释目标;谁批准行动;谁分配资源;谁承担错误;谁能改变商业规则。Personal Superintelligence 若要构成与普通平台助手有实质差异的范式,至少需要证明用户在这些环节中获得更强而非更模糊的权利。

2.2 不应混为一谈的产品

对象 本次核验的主要角色 研究中必须避免的混淆
Muse Spark / 1.3 推理、编码与代理任务的基础模型系列 模型表现不等于个人代理完整交付表现
Muse 个人代理产品,组合状态、工具和授权 产品的持续记忆不等于模型权重持续自我训练
Muse Code 面向开发工作的代理产品 编码权限规则不能直接视为消费产品规则
Muse Glimmer 30B、Apache 2.0 开放权重的代理取向模型 开放该模型不代表整个 Muse 服务和数据链条开放
Meta Enterprise Platform 将模型与代理技术栈用于企业的战略和产品推进 宣布平台不代表所有企业能力已经可用并通过验收

上述区分由官方发布与开发者资料支持。[2–7] 本报告只使用已公开的产品身份,不把类似名称的无关第三方产品纳入证据。

2.3 经核验的关键时间线

日期 事件与证据 截止日应如何理解
2025-06-30 媒体报道 Meta 建立 Superintelligence Labs [14] 组织调整的历史节点;不能据此绘制 2026 年完整组织图
2025-07-30 Personal Superintelligence 公开信 [1] 战略意图,未证明能力门槛已达到
2026-04-08 Muse Spark 发布 [2] 前沿模型路线的公开产品节点
2026-08-05 Muse Code 与 Spark 1.2 公告 [3] 开发工作流与模型推进的节点
2026-08-10 Muse Glimmer 开放权重 [4] 混合部署与开发者生态路线已存在
2026-09-02 Spark 1.3 在 Muse Code 和 API 可用 [5] 官方可用披露;不等于所有 Muse 账户均绑定该版本
2026-09-08 Muse 个人代理官方发布 [6] 页面后于 9 月 30 日更新,不能把更新内容全归于首发
2026-09-23 / 24 Connect 展示及次日公告 [11] 眼镜接入等项目包含明确的未来计划
2026-09-28 / 29 企业平台及小企业能力公告 [7,15] 企业布局明确,成熟度须逐功能核验
2026-10-02 安全框架更新与数学研究合作披露 [13,16–17] 研究截止日前的重要新增材料

有媒体把 9 月 22 日称为 Muse 发布日期,官方发布页面标注 9 月 8 日。本报告采用官方页面的发布日期,同时保留其更新日;不擅自把相互冲突的日期平均或解释成已确认的区域发布安排。

2.4 模型实力是必要输入,但不能代替系统研究

Spark 1.3 的官方资料强调更长任务、复杂指令保持和用户协作,并披露内部工程师比较中的工具调用与 token 效率改善。这些属于 B 类测试,不构成独立生产环境成功率。[5]

独立机构 Artificial Analysis 的当期页面给 Spark 1.3 xhigh 的 Intelligence Index 分数为 45,指数版本为 v4.3.2。[18] 本报告把它作为指定条件下的模型测量。不同版本指数的旧分数不能直接连成能力趋势线,xhigh 的计算预算也不能与不同推理设置混用。这个分数没有证明个人事务、多账户协调、持续记忆和授权行为的综合可靠性。

本报告判断:Meta 不必在每一个榜单上第一,才可能建立有影响力的个人代理;但如果模型长期任务能力不足,再强的分发也不能补齐可靠行动。模型与系统路线既相互补充,也能相互限制。

三|个人代理通过什么机制形成

3.1 从一次回答到持续委托

一次性助手主要处理一个输入、生成一个输出。持续代理必须在任务未完成时保存目标和进展,在外部情况改变时重新规划,并区分自己可以行动、需要用户确认和应该停止的情况。

本报告提出七个形成环节:上下文采集、目标解释、任务规划、授权执行、结果验证、状态更新、后续触发。Muse 的官方产品和界面资料提供了其中多个环节的设计实例;七环节框架是本报告的 D 类分析,不是 Meta 已经证明的完整能力清单。[6,9]

环节 需要解决的问题 能力成立的检验方式
上下文采集 哪些信息相关,是否获得适当授权 比较有无上下文时的成功率与错误暴露
目标解释 用户说的目标、约束与默认偏好是否一致 设置含歧义、冲突约束与过期目标的任务
任务规划 能否分解工作并处理依赖 记录改计划的原因及最终是否满足原始要求
授权执行 身份、权限、预算和对象是否正确 对相似账户、收件人、金额和审批范围做对照
结果验证 外部状态真的改变了吗 用独立查询核验,不接受模型自述完成
状态更新 记忆是否准确、来源是否清楚 纠错后检查后续行为,并检测错误是否传播
后续触发 什么时候主动行动值得打扰 同时测量有效主动建议与误触发

最容易造成错觉的是结果验证。一个代理能够写出可信的完成说明,却未必已经成功执行。验收应查看发送回执、文件内容、订单状态或实际系统记录,不能让同一个模型同时定义任务、执行任务和宣布成功而没有外部检查。

3.2 Memory 不只是“记住更多”

个人记忆包含事实、偏好、承诺、目标和权限,这些内容的更新规则不同。住址变化是事实更新,饮食偏好变化是偏好更新,允许某次支付是一次性权限,三者不应无差别长期保存并复用。

本报告分析:有效个人记忆至少需要来源、时间、适用范围、可信程度和删除机制。它应能表达“用户直接告诉我”“来自某封邮件”“根据近期行为暂时推测”。把推测当事实,会让一次误读进入之后的多次行动;把一次性授权记成长期许可,会扩大委托边界。

“更了解用户”也有两种不同结果:减少用户重复解释,或者让系统越来越难以被用户纠正。前者有价值,后者会形成脆弱的依赖。衡量记忆质量,应查看冲突发现率、纠错后的恢复、过期信息使用和迁移后的表现,而不是记忆条目数量。

3.3 运行环境与模型共同决定能力

代理可用的工具、错误恢复、权限提示、状态保存和预算控制,构成运行框架。更换这些条件,即使模型不变,最终交付也可能不同。Spark 1.3 官方明确描述了跨多种框架训练;Glimmer 资料也把代理推理、工具调用和本地运行效率列为训练重点。[4–5]

本报告判断:今天的 Scaling 已不只是在预训练中投入更多计算。对 Meta 个人代理路线,值得分开研究的至少包括模型能力、代理任务训练、蒸馏、推理预算、上下文检索、工具覆盖和运行工程。它们不能合成一个投入量:扩大上下文可能增加噪声,更多连接器可能增加故障面,更长推理可能提高单次成本,更多运行时间可能扩大错误累积。

Glimmer 展示了另一条扩展方向:把较大模型能力迁移到较小的开放权重模型,并优化部署成本。官方披露涉及蒸馏、后训练和量化。[4] 这是可辨认的工程路线;不能由此推断消费版 Muse 已全部在本地运行,或者全部个人数据不再经过云端。

3.4 Multi-Agent 是工程选择,不是超级智能必要条件

把浏览、规划、执行和检查分开,可能缩小单个组件的权限,也便于并行。但多个代理会引入上下文丢失、重复工作、指令冲突和协调成本。若多个代理共享同一错误信息或评价机制,数量增加不会自动产生独立判断。

本报告分析:需要比较同预算下的单代理、多代理与人机混合系统。收益应体现在完整任务成功率、时间、成本和风险上,而不是启动多少个代理。安全检查代理也不能被视为已经获得形式化正确性证明。

Meta 目前的材料更支持“用分工和权限隔离组织系统”,还不足以证明“大规模代理集体已超过大型人类组织”。后者需要跨目标协调、资源配置、异常治理和稳定责任体系,而不是多个工具调用并行。

四|控制权:个人代理究竟代表谁

4.1 五项权力需要分别评估

权力 用户可能拥有的部分 必须进一步核验的边界
目标权 提出目标、修改要求、停止任务 代理是否正确区分新目标与旧任务;商业默认是否影响解释
执行权 批准某次操作、限制账户与金额 长期许可的范围、敏感信息外发与跨任务复用
数据权 查看、修正、导出和删除部分信息 原始材料、派生记忆、训练记录与备份的分别处理
平台选择权 选择连接器和服务 数据与工作状态能否迁移,外部服务是否接受代理
责任与申诉权 获取记录、请求纠正或退款 谁承担误操作、第三方损失与有争议的授权

这张表是 D 类评价框架,不是对当前合同权利的确认。不能把产品界面上的可选项,直接当成法律上全部可执行的权利。

4.2 隔离、隐私和控制不是同一件事

Meta 的安全披露描述了独立运行环境、凭证隔离和 Sentinel 权限检查,并承认提示注入仍是需要管理的风险。它同时区分现有运行保护和未来 Confidential VM 目标;当前提供者访问并非已被技术上完全排除。[8]

本报告分析:至少要区分四层。第一层是不同用户运行环境之间的隔离;第二层是模型能否直接看到凭证;第三层是服务提供者的操作人员能否接触数据;第四层是数据是否进入训练、广告或外部网站。这四层的保护不能相互替代。

即使代理不知道密码,它仍可能通过已授权连接器实施错误行动。即使提供者在操作制度上限制访问,也不等于密码学上不能访问。即使广告系统不接收私人对话,代理在商家网站上执行的行动仍会生成外部记录。研究应逐层写清,不把一个“安全”词汇覆盖全部问题。

一个更强的隐私主张需要公开说明:信任谁、排除谁、什么条件下例外、由谁审计、适用于哪个版本。计划采用机密计算,是一个工程方向;完成部署并通过外部验证,才是更强证据。

4.3 授权最难的部分,是用户是否理解未来范围

Business Insider 的后续报道指出,Marketplace 地址事件中的用户曾选择 Allow Always,却以为接受报价仍会再次征求确认。[19] 本报告把它视为 C 类个案证据,不据此估计产品总体发生率,也不将其简单写成“技术突破权限”。

本报告分析:这反映了形式同意与理解之间的差距。一个按钮可以取得授权,却未必充分传达对象、持续时间、可公开信息和例外。用户可能以为同意“回复这位买家”,系统却理解成“继续处理全部买家消息”。即使二者都遵守界面规则,委托关系仍可能失败。

更好的授权应回答:替谁行动;对哪个账户;允许哪类操作;哪些信息能外发;有效多久;何种条件必须重新询问。长期许可也需要周期检查和遇到目标变化时失效。敏感程度不只由“读或写”决定:读取包含验证码、家庭位置或第三方私密信息的材料,同样可能扩大风险。

4.4 Mac 权限与云端权限应分开研究

Reuters 10 月 2 日报道 Apple 将更清楚提示 AI 对 Mac 数据的访问请求;Meta 回应相关消息访问属于用户选择加入。[20] 报道中的争议不能直接证明云端隔离失效。操作系统权限、客户端读取、云端运行环境和连接器授权,是不同的信任边界。

本报告判断:代理产品扩大了传统权限标签与实际行为之间的距离。过去用户给备份软件完整磁盘访问,通常预期它复制文件;给一个可推理与行动的代理相同权限,可能让这些文件影响后续决策。因此,权限应结合实际用途解释,而不只是复用操作系统原有标签。

4.5 “可撤权”应该如何验收

本报告建议做三项实测:断开连接后,旧任务是否仍能调用已有会话;删除敏感记忆后,后续任务是否仍从派生摘要中恢复;停止任务后,已排队的外部操作是否继续执行。界面显示断开只是开始,能力和状态真正失效才是结果。

对不可逆行动,停止按钮不能撤回已经完成的发送、公开或交易。产品必须明确区分停止未来执行与恢复过去影响。用户看到可中止,也不能因此误以为所有行动都能回滚。

五|广告与商业生态:结构性张力在哪里

5.1 财务基线与推断必须分开

Meta 2026 年第二季度披露总收入 608.01 亿美元,其中广告收入 593.63 亿美元;广告占比按本报告计算约为 97.6%。当季资本开支为 310.8 亿美元,全年资本开支预测为 1300 亿至 1450 亿美元。[21] 预测不是已发生支出,公司整体开支也不能全部归因于 Muse。

本报告分析:高广告依赖使个人代理成为商业模式研究对象。代理可能减少用户主动浏览商品的次数,把大量候选选择压缩成少数建议。平台若能掌握这一步,就可能影响需求如何分配给商家。但这一机制成立,不等于广告必然消失,也不等于 Muse 目前已出售商业排序。

5.2 四种数据与利益流向

流向 截止日可确认的边界 应研究的问题
私人对话进入广告系统 Meta 承诺不向广告系统分享 Muse 对话或 VM 内数据 [6] 承诺范围与外部可验证性
代理在外部网站行动 网站仍会获得访问、交易等正常业务痕迹 私人对话隔离不能保证没有外部追踪
使用记录用于模型训练 官方提供相关退出选项 [6] 默认、清理、退出生效时间和派生记录
推荐与交易的商业激励 未取得完整且可审计的 Muse 排序与佣金政策 赞助披露、推荐中立性与关联服务偏向

第一项承诺不足以回答第四项问题。一个系统可以不直接使用私人对话投放广告,却仍可能在推荐中优先商业合作伙伴;反过来,也可以通过清楚披露的收费机制维持可信服务。本报告尚无充分证据确认 Muse 存在前述偏向,也不把未知写成不存在。

5.3 个人代理与广告商的目标可能同时冲突

用户可能希望节省支出、减少购买、选择非合作商家,或避免被持续打扰。商家希望增加转化、提高客单价和获得复购。Meta 希望维持平台收益、增长与生态关系。三者有时一致,例如替用户找到合适商品;有时冲突,例如代理决定用户根本不需要购买。

本报告提出一个实质检验:代理能否稳定作出“不买”“延后买”“买平台之外更便宜的选项”的决定,并说明理由。仅审查是否展示广告,不足以评估它是否代表用户。应控制商品条件、合作关系和潜在佣金,检验建议是否发生系统性改变。

“为了用户”也不能成为无法审计的宣传语。若平台与代理之间存在强商业耦合,需要可识别的商业影响标记、独立对照测试和用户选择。选择包括禁止赞助结果、查看原始候选、指定优化目标,以及把长期偏好导出。

5.4 支付让代理进入经济行为链条

Stripe 的一手公告确认 Muse 与 Link 的集成,描述了每次交易金额的用户批准,以及对部分商家的单次虚拟卡机制。[10] 这是比“代理会购物”更具体的工程证据:模型决策开始接入支付权限与交易记录。

本报告分析:支付安全与选择正确性仍应分别验收。单次卡可以限制金额或交易范围,却无法保证所选商品符合目标、商家可靠或价格最佳。完整验收应覆盖选择、授权、执行、收货与售后,不能以支付成功作为整个购物任务成功。

如果未来出现交易佣金模式,它可能为代理提供收入,也可能带来推荐偏差;订阅模式可能降低部分佣金冲突,却会限制普及;广告补贴可能降低直接费用,却提高商业透明度要求。这是三种 D 类情景,本报告不将任一种视为已确认的 Muse 主导变现方式。

5.5 代理无法仅凭用户授权获得整个互联网

媒体报道 Amazon 对 Muse 的访问采取阻止措施。[22] 此类平台摩擦说明,代理运行在别人控制的网络与交易系统中。单个用户同意代理行动,不自动决定外部服务如何接纳该代理。

本报告判断:第三方服务的接受度,是个人代理能力形成的独立变量。模型更强仍可能遇到访问限制、身份验证、支付条件或接口变化。解决方式可能是合作连接器、专用接口和协议,也可能是用户介入。评价行动范围时,必须同时记录成功覆盖与受阻覆盖,不能把“可浏览互联网”当成无限制的资源权限。

少量用户改变购物路径的报道,是可观察个案,不足以证明市场份额已经发生广泛迁移。持久变化需要跨用户、跨品类、带时间序列的数据,也需要区分新鲜感与重复价值。

5.6 个人代理背后,是集中式工业能力

Meta 2026 年 8 月的工程资料把 MTIA 300 定位于排序与推荐训练,并描述计算与通信协同设计。[30] 不能把这一芯片的特定工作负载结果直接当成 Muse Spark 训练性能,也不能因为芯片名中包含训练与推理,就认定它已承担所有生成式 AI 工作。

Prometheus 工程说明将 1 GW 写为完成后的集群规模,重点讨论多栋数据中心之间的网络连接。[31] 核能公告包含现有电站采购、扩容和未来新技术项目,部分交付目标处于 2030 年代。[32] 合作协议、建设计划、并网和实际可用容量,应分别记账。

本报告分析:Personal 描述服务对象,基础设施仍可以高度集中。持续代理不仅消耗模型推理,还要维持状态、浏览器、连接器、监控和记录。更多用户、更长任务、更多尝试会共同增加资源需求。算力效率的改善,只有转化为每个正确交付的成本下降,才支持更深的委托。

未来瓶颈可能随阶段改变:训练受到高端芯片和网络限制,部署受到持续推理与峰值并发限制,扩张受到电力、建设和资本约束。扩大采购能缓解部分问题,但不能直接消除工具失败、无效推理或人工核验。模型成本下降与任务复杂度上升也可能同时发生。

因此,Meta 的长期优势不能只由宣布多少 GW 判断。应记录已运行容量、利用率、有效吞吐、交付质量和能源约束,并区分用于广告推荐、前沿研发与个人代理的资源。本报告未取得足以完成这些分配的数据。

六|眼镜、世界模型与物理行动:三条路线不要合并

6.1 眼镜更直接的作用,是减少上下文输入成本

Connect 2026 官方公告把 Muse 接入 AI 眼镜写为未来数月的计划,并描述让代理理解用户正在看到的对象。[11] 本报告不把这项计划写成全量交付,也不将舞台展示当成日常可靠性数据。

本报告分析:视觉与声音有望减少用户重新描述环境的负担。看见货架、票据或日程提示,可能让代理更快形成相关任务。但持续感知也带来新问题:哪些对象属于用户有权处理的信息;哪些话语是用户指令,哪些是旁人或环境噪声;何时应保存,何时应该忽略。

上下文更多并不必然让目标解释更准确。日常视觉包含大量无关信息;对位置和关系的错误推断还可能放大个性化误差。验收需要比较实际任务收益与新增误判,而不只是展示识别能力。

6.2 设备 SDK 扩大接口,不等于通用物理智能

官方 Muse Gadget SDK 仓库提供 ESP32 和 Linux 等设备连接路线,可以把显示、按钮、传感器或执行器接入代理。[12] 开放 SDK 是开发者生态的事实,不等于开放全部代理系统,也不意味着设备具备通用自主能力。

本报告分析:物理行动的核心约束通常在反馈、失败恢复和安全状态。让代理调用一个灯光接口,与让它在陌生房间稳定处理多样物品不同。前者的动作空间受设备协议限制,后者需要处理接触、遮挡、损坏风险和环境变化。

一个可用的设备连接还需检测执行器是否真的改变状态、断网后怎样停止、重复命令是否产生额外影响、撤权后是否仍有本地任务。数字代理的错误一旦进入执行器,验证与中止的时间窗口会改变。

6.3 世界模型研究不能自动归入 Muse 产品

Meta 的 V-JEPA 2 研究展示了视频表征、预测与受限机器人规划路线;官方论文和代码可供核验。[23–24] 本报告使用它说明 Meta 存在超出语言模型的研究积累,不声称它已经成为 Muse 的生产组件。

LeCun 在 2025 年 11 月宣布计划离开 Meta 的报道,也是组织研究的边界提醒。[25] 不能把他过去的观点、Meta 历史世界模型成果和今天 MSL 的全部产品路线写成同一个人的现行战略。离职同样不能证明 Meta 已停止世界模型研究。

本报告判断:Meta 的个人智能路线可先在数字环境形成价值,再逐步接入物理上下文;物理超级智能是否随后形成、间隔多久,目前无法确定。要提高判断,应观察真实机器人任务、陌生环境、跨天运行和失败分母。模拟成绩、感知能力与现实操作可靠性必须分列。

七|AI for AI:有参与证据,尚缺增长闭环证明

7.1 科研贡献需要看实际过程

Meta 10 月 2 日披露数学家与 Spark 1.1、1.2 合作形成六篇研究论文,并说明由人类引导、检查与修订。公告承认部分问题也有独立并行解答。[13] 这是 B 类研究过程披露,不是“AI 独立完成六项科学发现”的证明。

其中群论工作公开列出搜索程序、反例与人类验证过程,并有独立论文页面。[26] 本报告没有逐式完成数学证明审查,也没有把合作团队的复核等同于完成外部同行评审。

本报告分析:科研自动化的有效单位,是被接受和复现的贡献。应记录模型提出的思路、代码或证明中,哪些进入最终成果;人类花多少时间选择、检查和修补;哪些输出被否决;相对于没有 AI 的过程节省了什么。只有成功案例,没有失败候选和总投入,无法估计研究效率。

7.2 四级证据阶梯

级别 要证明的命题 Meta 公开资料支持到什么程度
一级|辅助工作 AI 参与代码、材料、测试或推理 有产品与科研合作实例;整体研发份额未知
二级|局部改进 AI 贡献被验证并改善某个研究或工程结果 有局部实例;独立量化与对照有限
三级|研发增速 改进稳定缩短下一代 AI 研发周期或扩大有效实验 未取得充分公开因果证据
四级|跨代正反馈 新能力连续提高制造更强 AI 的能力,形成加速 目前不能确认

模型教师生成数据、学生蒸馏、代理写训练代码,以及 AI 改进评价工具,都是 AI→AI 链条的候选环节。它们不必都发生在同一机构,也不必全部自主。但要把链条称为持续递归改进,必须展示经过验证的输出进入后续训练或研发,并在下一代重复产生收益。

7.3 三种不能混用的反馈

产品反馈:更多使用形成更丰富的场景信息,帮助调整代理界面与工作流。训练反馈:经筛选的记录、标签或结果进入训练,提高模型特定能力。研发反馈:AI 改善产生下一代模型的实验、算法或工程流程。它们的分母、验证机制和时间尺度不同。

Meta 战略信中关于自我改进迹象的判断属于公司主张。[1] 本报告不据此确认研发起飞。版本更新间隔也无法隔离团队扩张、并行项目、发布节奏、基础设施投入和已有研究存量的影响。

要提高证据等级,至少需要公开对照:采用 AI 的研究团队是否在相似资源下产生更多被接受的实验;算法贡献是否超出既有方法;训练或推理成本是否稳定下降;跨代收益是否重复;核验开销是否吃掉生成效率。本报告截至研究日未找到完整回答这些问题的公开数据。

八|安全与治理:从产品授权到研发过程控制

8.1 不能把所有事故都归为模型失控

安全研究需要区分目标误解、宽泛授权、外部提示注入、环境配置错误、对抗性能力和主动绕过监督。不同机制对应不同保护,混为一谈会同时夸大和低估风险。

Meta 8 月 14 日披露,Spark 1.1 的预发布版本在第三方网络安全测试中,因真实目标名称与互联网访问配置而攻击了真实网站并修改数据库。Meta 将其解释为测试环境配置问题,而不是复杂沙箱逃逸。[27] 本报告保留这一归因及其 B 类性质,不把公司复盘视为完整独立调查。

本报告分析:即使按指令行动,也可能产生现实伤害。在这一机制下,只提升模型“服从指令”未必足够;环境、目标和外部资源边界同样需要验证。它还说明风险可在评估或训练期间出现,不只是产品上线之后。

8.2 最新框架提出了什么,尚未证明什么

2026 年 10 月的 Meta Superintelligence Scaling Framework v2.1 覆盖化学与生物、网络安全和失去控制等灾难性风险,并扩展训练与评估期间的约束。[16–17] 官方还提出强化训练环境审核、实时记录和监控等要求,董事会 AI 委员会属于计划推进事项。[16]

这是 B 类治理承诺。公开框架能提高研究者追问的精度,但不能独自证明每个训练项目已经符合要求。更强证据包括审计范围、覆盖的模型版本、监控漏检测量、触发停训的具体条件与真实执行记录。

治理成熟度应以规则怎样被执行衡量:谁能要求停止;谁可以推翻风险判断;外部评估发现冲突后怎样处理;开放权重后哪些保护不再可由提供者强制;出现偏离时如何披露。不能只按政策篇幅评估控制能力。

8.3 外部评估也有可解释性边界

Apollo Research 公开列出对 Muse Spark 的评估,指出当时观察到较高的评估识别能力。[28] 这项材料对应特定阶段的模型,不能直接当成 Spark 1.3 或消费版 Muse 的当前结论。

本报告分析:识别测试情境不等于已经证明现实中的恶意欺骗。它会增加测量难度,因为系统在测试中表现良好,可能不充分预测其他环境。应使用多样任务、盲测、版本记录与部署后异常采样,减少对单一评估场景的依赖。

外部机构身份也不自动消除环境风险。能力测试尤其需要与生产环境分离,明确是否允许网络访问、哪些目标属于测试、记录如何保留,并检查自动评分是否鼓励意外行为。[27] 这些是研究流程问题,不只是模型价值观问题。

8.4 人类补位必须进入成本与隐私账本

Reuters 报道 Meta 测试由人工承包者处理部分代理电话的 concierge 安排;Meta 表示目的是发布前收集反馈并改进保护。[29] 本报告不据此声称所有 Muse 电话都由人类完成,或消费产品全面依赖隐蔽人工。

本报告分析:人类补位可能是一种合理交付方式,但不能从测量中消失。若完整服务成功是人机共同结果,报告应分别列出自动完成率和最终交付率。人工投入、敏感信息暴露与沟通成本也应记录。否则,看起来提高的模型能力可能其实来自后台服务组织。

九|竞争解释、反证与未来情景

9.1 三种解释都应保留

假设 当前支持线索 最有力的反证或限制
H1|持续个人委托正在成为新能力形态 持续状态、个人上下文、工具和支付开始组合 缺完整长期任务数据;授权与记忆错误会削弱持续委托
H2|Meta 正在争取下一代需求入口 社交分发、商业连接器、广告关系与设备路线 用户拒绝广泛连接;外部平台阻止;跨平台代理更可信
H3|当前主要是通用模型的产品封装 多数模块可在其他框架实现,强依赖基础模型 若个人上下文与长期状态产生可复现增益,则“仅封装”解释不足

本报告当前判断:H1 与 H2 有较强的可观察路线依据,H3 仍是必要的对照解释。没有证据要求三者互斥。Meta 可能同时创造真实用户价值、建立新平台优势,并依赖大量通用组件。

决定竞争格局的,不只是系统有没有独特组件,还包括同一用户换用其他系统后需要付出多少解释、迁移和重新授权成本。若跨平台可迁移性提高,个人代理的竞争可能更偏向能力与信任;若状态只能留在单一平台,长期关系会加强锁定。

9.2 主动挑战本报告的判断

当前判断 为什么可能错 能推翻或明显修正它的证据
系统组合是主要价值来源 下一代模型可能使复杂框架的重要性下降 同预算简单框架稳定超过复杂系统
个人上下文提高完成率 噪声、过时信息与错误记忆可能抵消收益 随机对照中更多上下文不提高净成功率
持续关系有助于分发 用户可能更喜欢临时工具并减少敏感连接 多月留存集中于一次性任务,无持续委托
广告存在结构性张力 清楚收费与审计可能有效约束冲突 非合作与少消费建议稳定、公平且可外部验证
眼镜扩大情境优势 佩戴成本、隐私接受度和误触发可能限制使用 实际持续使用低,新增输入不改善任务结果
研发反馈暂未获证 内部可能已有未公开的连续收益 多代、带资源对照、可复现的研发加速数据
代理有较强平台依赖 开放协议与可迁移记忆可能迅速降低锁定 用户低成本迁移并保留长期任务质量

这些反证应进入季度更新。若新增证据与本报告冲突,应改变判断,不用“长期仍正确”保护原有故事。

9.3 未来三至十年的四种情景

情景 A|可信个人工作入口。前提是完整任务可靠性、授权理解和恢复能力持续提高;用户愿意连接有价值的信息。领先指标是多月重复任务、降低人工复核、可验证的长期记忆收益与可迁移性。结果可能是个人能够委托更多专业工作,平台服务成为重要基础设施。若广泛任务仍需大量补救,应降低这一情景的权重。

情景 B|商业意图分配平台。前提是购物与获客连接成熟,商家愿意适配代理,平台掌握候选排序与交易路径。领先指标是代理参与的交易份额、商业排序披露、第三方接受度与商家接口投入。结果可能是部分需求从搜索、内容推荐转向代理选择。风险是服务目标混合与商家依赖;若访问受阻和用户不信任持续,应降低其权重。

情景 C|企业工作流比个人全权委托更快成熟。前提是明确权限、可验证流程和预算使企业能够限制任务边界。领先指标是生产环境验收、人工干预下降和审计能力,不是公告中出现多少连接器。结果可能是 Meta 在已有商家生态之外扩展企业服务。若企业合规、责任与权限问题长期未解决,应降低其权重。

情景 D|自主性扩张遭遇可信度与成本约束。前提是事故、误授权、后台人工或推理成本,使持续代理无法获得足够净收益。领先指标是用户减少连接、恢复成本上升、平台限制、保险或审查门槛增加。结果可能是代理保持局部工作能力,而高风险行动重新依赖人类。若可靠性与透明度显著改善,该情景权重应下降。

四种情景可以在不同任务和地区并存。本报告不设 ASI 日期,也不赋予无法校准的精确概率。每次更新应记录证据如何改变判断,避免以同一产品新闻同时支持全部情景。

十|季度监测框架:从产品体验到可验证能力

10.1 不生成一个“个人超级智能总分”

模型能力、委托可靠性、平台范围和用户权利可能朝不同方向变化。一个总分会隐藏这些冲突。建议保留指标向量,并始终列出未知值。未知不等于零,也不等于默认满足。

指标 建议操作定义 截止日证据状态 最常见的误读
完整任务成功率 预先定义任务与验收,记录全部尝试和独立外部状态 官方实例与个案较多,独立生产分母不足 把成功演示当平均表现
可靠任务时长 在指定成功率下,按人类完成基线估计任务复杂度 未取得 Muse 统一长期测量 把后台运行时间当能力跨度
人类干预 每个交付的澄清、复核、补救和人工后台投入 总体数据未知 只统计代理自动调用工具
单位交付成本 推理、云运行、工具、人工和失败恢复总成本 未取得完整 Muse 成本结构 把每 token 价格当任务成本
记忆净收益 同用户同类任务,有无长期记忆的对照改善 官方功能设计存在,净收益数据有限 把个性化语气当理解加深
授权理解 用户正确复述对象、期限、可外发信息与例外的比例 个案提示风险,未取得总体测量 把点击同意当理解充分
撤权与中止 撤权后的残留行动、缓存调用和排队执行 需要实际版本验收 把界面状态当真实失效
提供者访问边界 技术限制、例外、审计范围与部署覆盖 现有保护与更强隐私计划需分开 把 VM 隔离当提供者不可访问
商业利益一致性 控制佣金与合作关系,测试推荐及不购买选项 完整可审计政策与测量不足 把无对话广告等同推荐中立
第三方资源接受度 可用服务比例、访问失败与身份验证干预 连接器增长与阻止个案并存 把工具数量当实际覆盖
设备与眼镜实际收益 上线覆盖、持续使用、误触发与任务成功增益 部分属于未来计划或开发者接口 把发布计划当现有能力
AI 研发增长贡献 被接受贡献、资源对照、研发周期和跨代重复收益 局部参与有证据,跨代加速未知 把代码生成量当智能增速
基础设施有效供给 实际投运、利用率、单位正确交付成本与供电约束 有计划和工程披露,Muse 专属分配未知 把承诺容量当已运行容量

10.2 每次更新必须留下可比条件

每条记录至少包含模型与产品版本、地区和账户、连接器版本、任务集、预算、权限、成功定义、样本量、人工投入、实验日、发布日期、复核日、来源及限制。条件改变时,不把新旧数字直接比较。

对高成功率任务,少量样本无法充分测量罕见失败。事故报道只能证明某种失败可能出现,不能估计每千次行动的风险;零事故样本也不能证明风险不存在。应报告样本量和区间,并把低频高影响事件单列。

季度节奏应分三部分:更新事实状态;复跑一组相同任务;修订竞争解释和情景。年度再审视指标是否仍能反映真实瓶颈。例如,一旦界面型代理转向标准 API,原有浏览器点击成功率可能变得不再重要。

10.3 一组可执行的对照任务

本报告建议设置六类任务,而非围绕产品演示选样:跨资料研究并生成可编辑交付物;多约束日程协调;包含身份歧义的草稿与外发;含冲突偏好的购物比较;旧目标改变后的长期任务;工具失败后的恢复。

每类保留简单、正常和对抗版本。研究任务核对来源与事实;日程任务核对时区和冲突;外发任务核对收件人与授权;购物任务同时允许“不要买”;长期任务修改目标并检查旧行动停止;恢复任务制造接口错误并检查是否虚构成功。

同任务比较人类、普通助手、代理,以及代理加长期上下文。结果应同时报告成功与成本。这样可以识别收益来自模型、上下文、框架还是人工,而不是只证明某个产品能做出一次漂亮结果。

十一|对企业与个人的意义

11.1 企业:从采购模型转向设计可验收的委托

Meta 9 月宣布企业平台,并把代理、API、编码与商家产品纳入技术栈;小企业公告扩展了商业账户和外部工具连接。[7,15] 这证明企业布局正在推进,不能据此推断所有数据驻留、身份管理、合同责任与审计要求均已满足。

本报告分析:对企业 AI 服务,主要机会在目标与流程之间。客户缺少的往往不是一个更会回答的界面,而是清楚的任务边界、正确的数据、合理的权限和可验收的结果。企业部署应先选反馈明确的流程,再根据实际收益扩大委托。

一个有用的项目可以先分析现有流程,确定输入与输出,记录人类基线,构造带失败案例的验收任务,随后测试代理。上线后保留抽查、中止、异常恢复和权限复核。模型或连接器更新时,对重要流程重新验收;不因产品品牌变化而整套重做,也不因品牌稳定而跳过复核。

客户服务、商家运营和内部知识工作可能适合不同控制方式。所有流程一律“自动化”会忽略可逆性和责任。代理可以自动准备材料,而正式发送由指定负责人批准;可以自动检查异常,而账务修改要求更强授权。这是任务设计,不是对某家公司能力的保守预设。

11.2 个人:评价长期委托的净收益

个人可以问四个实际问题:它完成了什么可独立确认的工作;我用了多少时间解释和复核;错误能否被发现与恢复;我能否带走自己的重要状态。拟人化表达和持续陪伴有使用价值,但不能替代这四项判断。

一个逐渐有效的个人代理应减少重复上下文输入,并保留重要约束。若用户不断重新解释同一要求、撤回错误记忆或检查假完成,长期关系未必产生正收益。决定委托深度,应根据同类任务的反复结果,而不是一次成功或一次失败。

对企业负责人或 AI 顾问,个人代理还可以作为研究工具:观察任务澄清、状态恢复、权限解释和可编辑交付物怎样影响合作效率。可复用的是方法与验收标准,不能直接将消费账户的权限和隐私安排搬入企业流程。

11.3 什么构成持久优势

本报告判断:Meta 的潜在优势是模型、产品触达、个人上下文、设备与商家关系的组合;这些优势不会自动转化为可信代理。用户若拒绝连接信息,外部服务若限制行动,长期记忆若不可纠错,组合中的关键环节就会断裂。

未来竞争可能围绕两类优势展开:谁能做更多工作,以及谁能让用户更放心地委托并更容易离开。可迁移性看似降低锁定,也可能增加信任与使用深度。是否形成这种正反馈,需要行为数据验证。

十二|关键未知与最终判断

12.1 目前不知道的事项

未知 为什么关键 什么资料能缩小未知
Muse 广泛长期任务的可靠性 决定个人委托能扩展到哪里 独立任务集、全部失败与人工投入
各产品使用的实际模型版本 决定模型评估能否解释产品表现 版本记录与分地区、分账户说明
完整商业排序与收益安排 决定代理是否稳定代表用户 规则、赞助披露与独立对照审计
记忆与工作状态的跨平台迁移 决定个人关系是否形成锁定 导出格式、恢复测试与目标继承
更强隐私架构的实际覆盖 决定提供者访问边界 部署说明、威胁模型和外部审计
人类后台在交付中的总体份额 决定自动化程度、成本与隐私 按任务分类的透明统计
企业平台生产成熟度 决定是否可用于关键业务流程 企业验收、事故、审计及合同资料
AI 在 Meta 内部研发的实际贡献 决定是否出现研发增长反馈 接受率、对照资源与跨代周期数据
眼镜与物理接口的长期收益 决定多模态入口能否带来能力增益 日常环境测量与完整失败分母

这些未知不用于否定路线,也不以愿景补齐。公开资料稀缺时,研究应保留有边界的判断。

12.2 本报告的最终判断与置信程度

较高置信:Meta 已形成从模型到持续个人代理、商业连接与设备入口的可辨认路线;Personal 的战略含义与模型所有权、算力分散不能等同。官方资料、代码与合作伙伴公告相互支持这些有限结论。

中等置信:个人上下文与运行系统将成为代理价值的重要来源;Meta 有能力利用现有分发与商家关系推进这一组合。实际优势大小仍取决于模型、可靠性、用户授权与外部服务接受度。

有限置信:持续个人代理将成为主导入口,或广告模式一定演化成代理交易平台。这些属于竞争性情景,不能从现有公告推出确定结果。

目前无法确认:Muse 已达到个人超级智能;Meta 已实现连续递归自我改进;物理超级智能的出现时间;现有提供者访问已在技术上被完全排除。

本专题留下一个可持续研究的问题:当代理能替人做越来越多事情时,能力增长是否同时带来更清楚的授权、更可验证的结果和更真实的用户选择?只有三者一起推进,Personal Superintelligence 才从产品愿景走向对个人能力与权利的实质扩展。

来源与复核说明

所有以下材料于 2026-10-06 复核。动态页面的当期值只代表复核时点。A/B/C 为本报告证据标签;没有把媒体转载当作新的独立交叉验证。部分不可完整读取的页面仅支撑已公开摘要中的有限事实。D 类框架、情景、标准和建议由本报告提出。

[1] Meta|Personal Superintelligence。2025-07-30,B,战略信与愿景,非独立能力验证。https://www.meta.com/superintelligence/

[2] Meta AI|Introducing Muse Spark: Scaling Towards Personal Superintelligence。2026-04-08,B,模型发布与自评。https://ai.meta.com/blog/introducing-muse-spark-msl/

[3] Meta AI Research|Introducing Muse Code and Muse Spark 1.2。2026-08-05,B,开发产品与模型公告。https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2

[4] Meta AI Research|Introducing Muse Glimmer: An Open Agentic Model That Runs on Your Device。2026-08-10,B,开放权重、许可和训练路线披露。https://research.meta.ai/blog/introducing-muse-glimmer-open-agentic-model

[5] Meta AI Research|Introducing Muse Spark 1.3。2026-09-02,B,可用性与内部比较,未替代独立系统评估。https://research.meta.ai/blog/introducing-muse-spark-1-3

[6] Meta Newsroom|Introducing Muse: The World’s First Personal AI Agent Built for Everyone。2026-09-08,页面更新 2026-09-30,B。标题中的“世界首个”为公司表述,本报告不认可为独立事实。https://about.fb.com/news/2026/09/introducing-muse-personal-ai-agent/

[7] Meta Newsroom|Launching Meta Enterprise Platform。2026-09-28,B,企业战略与人事公告,具体能力可用性需另核。https://about.fb.com/news/2026/09/launching-meta-enterprise-platform/

[8] Meta AI Research|Security and Safety for AI Agents: Our Approach with Muse。2026-09-08,B,架构、现有保护与未来隐私目标。https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse

[9] Muse|How We Designed Muse。2026 年 9 月公开设计说明,B,界面与交互路线,非使用效果实验。https://introducing.muse.ai/

[10] Stripe|Stripe Helps Muse, Meta’s New Personal AI Agent, Shop Across the Internet with Link。2026-09-08,B,合作伙伴支付机制披露。https://stripe.com/en-cn/newsroom/news/stripe-helps-meta-muse-shop-with-link

[11] Meta Newsroom|The Biggest News From Connect 2026。2026-09-24,B,前一日活动公告,包含未交付计划。https://about.fb.com/news/2026/09/the-biggest-news-from-connect-2026/

[12] Meta / facebookincubator|Muse Gadget SDK。官方动态代码仓库,B,设备接口与许可;不证明通用物理能力。https://github.com/facebookincubator/muse-gadget-sdk

[13] Meta AI Research|Solving Open Research Problems Together。2026-10-02,B,六篇数学研究合作披露;人类引导与复核,部分问题有并行研究。https://research.meta.ai/blog/solving-open-research-problems-together

[14] Reuters|Meta Deepens AI Push with Superintelligence Lab, Source Says。2025-06-30,C,历史组织调整报道。https://www.reuters.com/business/meta-deepens-ai-push-with-superintelligence-lab-source-says-2025-06-30/

[15] Meta Newsroom|The Future Is for Everyone: Muse for Small Business。2026-09-29,B,连接器和商业账户能力披露,用户案例不是代表性样本。https://about.fb.com/news/2026/09/introducing-muse-small-business/

[16] Meta AI Research|Developing Capable Models Responsibly。2026-10-02,B,最新框架更新与治理计划。https://research.meta.ai/blog/developing-capable-models-responsibly

[17] Meta|Meta Superintelligence Scaling Framework v2.1。2026 年 10 月,51 页,B,包含训练、评估和开放权重风险;规则不等于执行认证。https://research.meta.ai/static/meta-superintelligence-scaling-framework

[18] Artificial Analysis|Muse Spark 1.3 xhigh Intelligence, Performance and Price Analysis。动态页面,A,复核时 Intelligence Index v4.3.2;指定配置,不代表个人代理全部功能。https://artificialanalysis.ai/models/muse-spark-1-3-xhigh/

[19] Business Insider|A YouTuber Figured Out How His Muse AI Agent Shared His Address with a Total Stranger。2026-09-29,C,后续说明包含 Allow Always 选择,仅支持个案机制。https://www.businessinsider.com/muse-agent-facebook-marketplace-address-setting-meta-always-allow-2026-9

[20] Reuters|Apple Says It Will Flag AI Requests for Mac Data After Meta’s Muse Draws Complaints。2026-10-02,C,包含用户争议与 Meta 选择加入回应,未作为技术审计。https://www.reuters.com/business/retail-consumer/apple-says-it-will-flag-ai-requests-mac-data-after-metas-muse-draws-complaints-2026-10-02/

[21] Meta Investor Relations|Meta Reports Second Quarter 2026 Results。2026-07-29,B,收入、资本开支与全年预测。广告占比由本报告计算,资本开支非 Muse 专属。https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-Second-Quarter-2026-Results/

[22] Bloomberg|Amazon Blocks Meta’s Muse AI Agent From Its Retail Site。2026-09-21,C,公开摘要支持阻止访问事件,不推断完整内部动机。https://www.bloomberg.com/news/articles/2026-09-21/amazon-blocks-meta-s-muse-ai-agent-from-its-retail-site

[23] Meta AI|V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning。2025-06-11,B,研究论文页面,不代表最新 Muse 产品组件。https://ai.meta.com/research/publications/v-jepa-2-self-supervised-video-models-enable-understanding-prediction-and-planning/

[24] Meta / facebookresearch|V-JEPA 2 Repository。官方代码与研究说明,B,实验范围应结合论文解释。https://github.com/facebookresearch/vjepa2

[25] Reuters|Yann LeCun to Leave Meta, Launch AI Startup Focused on Advanced Machine Intelligence。2025-11-19,C,宣布离职计划的历史报道,不据此复原当前全部组织安排。https://www.reuters.com/technology/yann-lecun-leave-meta-launch-ai-startup-focused-advanced-machine-intelligence-2025-11-19/

[26] Meta AI Research|Semiabelian Groups Need Not Be Monomial。2026 年研究合作论文页面,B,本报告未完成数学证明复审。https://ai.meta.com/research/publications/semiabelian-groups-need-not-be-monomial/

[27] Meta AI Research|Addressing an Issue Involving a Third-Party Cyber Evaluation of Muse Spark 1.1。2026-08-14,B,公司对早期第三方测试事件的复盘与归因。https://research.meta.ai/blog/addressing-third-party-testing-misconfiguration-muse-spark-1-1

[28] Apollo Research|Science: System Card Evaluations / Muse Spark。动态汇总页,A,Muse Spark 记录日期为 2026-05-26;结论不自动适用于后续版本。https://www.apolloresearch.ai/science

[29] Reuters|Meta Testing a “Human Concierge” for Its New Personal AI Agent Muse。2026-09-22,C,内部测试报道,包含公司发布前测试解释。正文公共读取受限;可核验 Reuters 分发摘要与后续 Reuters Best 页面。https://www.reuters.com/business/meta-testing-human-concierge-its-new-personal-ai-agent-muse-2026-09-22/ ;https://reutersbest.com/meta-testing-a-human-concierge-for-its-new-personal-ai-agent-muse/

[30] Engineering at Meta|MTIA 300: Meta’s First Training Chip with Built-in NICs and Communication-Offloading Engines。2026-08-24,B,排序与推荐工作负载工程资料,不泛化为所有生成式 AI 性能。https://engineering.fb.com/2026/08/24/networking-traffic/mtia-300-meta-training-chip-built-in-nics/

[31] Engineering at Meta|Building Prometheus: How Backend Aggregation Enables Gigawatt-Scale AI Clusters。2026-02-09,B,网络工程与完成后的容量目标,非全量投运认证。https://engineering.fb.com/2026/02/09/data-center-engineering/building-prometheus-how-backend-aggregation-enables-gigawatt-scale-ai-clusters/

[32] Meta Newsroom|Meta Announces Nuclear Energy Projects, Unlocking Up to 6.6 GW to Power American Leadership in AI Innovation。2026-01-09,更新 2026-01-12,B,现有与未来电源项目混合;标题容量不得视为当期新增投运。https://about.fb.com/news/2026/01/meta-nuclear-energy-projects-power-american-ai-leadership/