Meta西瓜模型研发进展顺利：Muse Spark 1.3 Token效率提升25%，Hatch智能体推高内部Token消耗

9月3日，Meta首席人工智能官Alexandr Wang在一场面向投资人和分析师的内部技术简报上，公开了Meta在大模型和智能体方向上的最新进展。他首先确认，新一代的Muse Spark 1.3模型已经完成内部主要测试，在客户体验上与当前的Muse Spark 1.2保持价格不变，但运行同样任务所需的Token数量减少了25%，相当于单位任务的推理成本显著下降。关于市场高度关注的下一代大模型，即内部代号西瓜（Watermelon）的超大规模模型，Alexandr Wang表示研发整体进展顺利，并相信西瓜将极具竞争力。同日另一则与Meta相关的消息是，公司本周在内部通知中正式取消了员工AI使用量与绩效评估挂钩的机制，但转而在全公司推广新型智能体工具Hatch，结果实际带来的Token总消耗不降反升。

一、Muse Spark 1.3：价格不变，Token效率提升25%

在大模型商业化进入深水区的今天，单位任务的推理成本已经取代单一模型得分，成为企业客户在选择大模型供应商时最关心的指标之一。Meta本次公布的Muse Spark 1.3，核心卖点正是价格不变前提下的效率升级：同样的输入输出任务、同样的准确率和生成质量，1.3版本平均可以用比1.2版本少25%的Token完成。这种效率提升主要来自多个层面的组合优化，包括更紧凑的推理路径、在架构层面对常见任务模式的知识内化，以及更精细的Token预算调度算法。

对于企业客户来说，25%的效率提升具有直接的财务意义。如果一家公司每月在Muse Spark API上的推理支出为100万美元，升级到1.3版之后，在同样业务量下每月就能节省25万美元，或者在同样预算下多做三分之一的任务量。Alexandr Wang在简报中表示，Meta正在把效率作为与客户建立长期合作关系的关键抓手，对于已经进入大规模生产部署阶段的客户来说，效率每提升5%到10%，是否切换供应商的决策就会被重新权衡一次。从竞争对手的角度看，Muse Spark 1.3的效率升级，也给其他闭源模型厂商带来了直接的价格压力，如果其他厂商无法在成本或能力上给出同步的升级，就可能面临Meta在企业部署份额上的侵蚀。

二、权重开源的节奏：Muse Spark 1.2将公开，1.3暂未决定

关于开源策略，Alexandr Wang在本次简报中给出了一个非常Meta式的答案。他表示，Meta尚未决定是否公开Muse Spark 1.3的模型权重，但公司仍然计划在适当时候公开Muse Spark 1.2的权重。这种公开次新版、保留新版的做法，与Meta近两年在开源大模型上的整体节奏保持了高度一致：一方面持续保持开源社区的影响力和生态活力，让大量开发者和中小企业继续围绕Meta的模型族构建产品；另一方面把最新、最强、最具性价比的版本保留在自有推理平台和企业级服务中，转化为直接的商业化收入。

业内分析认为，这种节奏是Meta在开源和商业化之间找到的动态平衡点。如果Meta一次性把所有版本全部开源，其企业级推理服务的商业价值会受到显著侵蚀；但如果Meta完全停止开源，它又会迅速失去在开发者心智中与其他厂商的差异化定位。当前Meta在开源社区的长期投入已经形成了非常强的飞轮效应：大量开发者基于Meta开源模型训练和微调，在产品达到一定规模后，再无缝迁移到Meta的企业级闭源服务或云端推理平台。Muse Spark 1.2继续开源，而1.3暂时保留的做法，本质上是在维持这个飞轮的持续运转。

三、更大规模的西瓜模型：相信它将极具竞争力

本次简报中最受外界期待的内容，自然是关于内部代号为西瓜（Watermelon）的下一代超大规模模型的研发进展。Alexandr Wang没有透露具体的参数规模、训练数据量级或预计发布时间，但给出了一个整体状态的明确判断：西瓜研发整体进展顺利，我们相信它将极具竞争力。对行业观察者来说，这样的表述已经足以确认，Meta在下一代超大规模模型的竞速中，并没有因为走开源优先路线而落后于其他前沿玩家。

结合近期Meta在算力采购、数据中心扩建和自研AI芯片方向上的一系列公开动作，市场普遍判断，西瓜模型将是一个在规模、效率、多模态能力和Agent能力上全面升级的下一代产品。尤其是在Agent能力和长链条任务执行能力上，面对OpenAI GPT-6 Astra与Anthropic Mythos即将发起的强竞争，西瓜模型必须拿出足够有说服力的结果，才能支撑Meta在企业级和消费级AI产品上的长期野心。对整个开源生态来说，西瓜模型一旦发布，无论Meta最终选择公开哪一版权重，都会再次大幅抬高开源大模型能力的整体水位，让全球开发者和创业公司能够站在更高的基础上做场景创新。

四、取消绩效绑定与Hatch智能体：内部Token消耗反而上升

与Alexandr Wang的技术简报同日曝光的另一则Meta内部消息，同样引起了业内的广泛讨论。公司本周在内部通知中明确表示，员工的绩效评估将不再与AI工具使用量挂钩，包括Token消耗、AI驱动影响力等指标都不再是绩效考核的硬性参考维度。此前的一段时间内，Meta曾在内部强力推动提升AI驱动的工作影响力指标，部分员工甚至有在实际工作中刻意提高AI使用量的倾向。

然而有趣的是，绩效绑定被取消之后，Meta内部的AI使用量和Token总消耗并没有下降，反而因为一款新型智能体工具Hatch的全员内测，出现了非常明显的上升。多名Meta员工在匿名职业社区中透露，Hatch是一款面向内部工作流的智能体工具，它可以自动接入多个内部系统，完成像调研汇总、产品需求拆解、跨团队会议纪要整理、代码评审预筛选等复杂工作，使用起来远比之前的对话式AI工具顺手。许多之前只是偶尔调用AI功能的员工，现在每天都离不开Hatch，Token消耗自然也就水涨船高。这一现象在某种意义上证明，当AI工具真正做到了让用户离不开的生产力水平时，即使取消了绩效绑定，实际使用量也会自然增长。

五、对行业的启示：效率、开源、Agent能力是下一轮竞争的三个关键词

Meta在9月3日集中暴露的这几条信息，对整个大模型行业的下一轮竞争方向给出了非常清晰的启示。第一，单位任务的推理成本将成为模型厂商长期竞争的核心指标之一。在模型能力差距逐渐缩小的情况下，谁能够把同样任务的成本做得更低，谁就更有机会在企业客户的预算争夺战中胜出。第二，开源与商业化的节奏协调，已经成为拥有自研模型能力的大厂必须反复打磨的系统性能力。真正成功的开源策略，不是把所有东西免费放出去，而是通过开源建立生态，再通过最新版本和企业级服务实现商业闭环。

第三，也是最直观的一点，AI产品的下一步胜负手已经越来越清晰地落在了智能体（Agent）化上。Meta内部Hatch工具的例子说明，真正能把工作流串起来的Agent，会让用户的AI使用频次发生数量级的跃升。从对话式问答到可以自主操作内部系统的智能体，并不是简单的功能升级，而是使用频次和付费意愿的质变。无论是Muse Spark 1.3的效率提升、西瓜模型的能力升级，还是Hatch工具在内部的成功，最终都会汇入同一个方向——让更多的企业和个人，真正把AI当作工作流中不可替代的一部分。

市场反应与行业影响

Alexandr Wang的公开发言与Meta内部两条新闻叠加后，资本市场对Meta AI产品线的预期被整体抬升，当天盘后Meta股价同步走强。开源社区方面，关于Muse Spark 1.2权重公开的消息已经引发了大量技术团队的提前准备，许多围绕Meta模型生态开发工具链和中间件的创业公司，再次获得了更高的关注度。对国内的大模型和Agent产业而言，Meta的案例也提供了三个直接可复用的经验：持续把效率作为与客户建立长期关系的抓手；开源与商业化要按版本节奏做动态平衡；把Agent作为产品升级的核心方向，而不是单纯堆模型参数。如果这些经验能够被国内厂商充分吸收，整个国内AI产业的商业化质量有望在未来几个季度迎来明显的提升。