AREX Feed Article
Alexandr Wang 称 MSL 达到一年期目标的里程碑，并称团队造出了「造新模型的机器」
2026 年 10 月 17 日清晨（北京时间），Alexandr Wang 在 X 上发了一封写给 Meta Superintelligence Labs（MSL）研究团队的感谢帖。帖子写在两次发布之后：Muse Wonder 系列与 Muse Spark Open 相继推出，他称团队达到「一个特别的里程碑」，并把它与 MSL 和 TBD 在「一年多前」创立时定下的目标联系起来：「一年左右做出一个前沿模型」。
帖文没有给出「前沿」的判定标准或任何基准分数。可以核对的时间线在 Meta 的发布材料里：Muse Wonder 系列先发布，随后 Muse Spark Open 的权重公开；Wang 把这两次发布与一年前的目标连在一起。
目标写在一年前，参照物是 Llama 4
据 ，MSL 由前 Scale AI 首席执行官 Alexandr Wang 领导。他写道，鉴于 Llama 4 的表现，一年多前定下的这个目标「极其大胆」；「很多人告诉我们这不可能」，团队当时也知道「不太可能，但仍然值得做」。这是 Wang 的第一方叙述：目标由 MSL 与 TBD 自己设定（帖文没有解释 TBD 的全称），里程碑也由 MSL 的负责人宣布。
帖文没有展开 Llama 4 具体差在哪里，只把它当作衡量这个目标有多冒险的参照。
Meta 自己的时间口径与之接近。Meta 的发布文写道，这场 AI 改造始于「14 个月前」，公司已「从重建基础走到推进前沿」。 Wang 说的「一年多前」，落在这个范围内。
他也交代了团队的来源：研究人员和工程师从 Meta 内部与外部加入，「每个人都拿起铲子干活，没有人问这是不是自己的活」。
「无 deadline」与一年目标并存
Wang 自己点出了矛盾：「说来有点矛盾，TBD 创立时，我们定下的原则是不设 deadline。」他的理由是工作量「天文级」：pretraining、post-training、RL（强化学习）、multimodal、infrastructure、safety、data 和 frontier research 八个方向都要推进，设「任意的时间线」没有用，只能先动手，把前沿研究的基础在「创纪录的时间」里搭起来。
帖文没有展开这两者如何并行，只写「一次接一次的 run，团队就是这么做的」。
他也写下了这一年的具体感受：深夜、跑崩的 run，以及「比我们任何人敢希望的都更好」的评测结果。他称团队里的研究人员是「魔术师」，把这段经历形容为「科学发现的奇妙旅程」。这些细节来自他的个人视角，不是可复核的记录。
一周里的两次发布，和一台「造模型的机器」
两次发布相隔三天，性质不同：
- 10 月 12 日的 Muse Wonder 与 Muse Wonder Full 走商用 API 与订阅路线。Meta 称这两款是它「迄今最强的模型」，在个人与专业 agent（智能体）任务上达到 state-of-the-art（当前最佳）水平。
- 10 月 15 日的 Muse Spark Open 是开放权重模型：816B 总参数、42B 激活、100 万 token 上下文，采用带限制性商业条款的 Muse Model License。
Wang 把这两次发布合起来，说成比模型更重要的东西：「我们造出了一台造新模型的机器。」他接着写道，「说实验室只要转曲柄就能继续 scaling，听起来常常像借口，但现在我亲眼看到了。」他称这是一套可持续向前沿推进的可扩展系统。
Meta 的 Wonder 研究博客还提到一项背景：两款 Wonder 模型在 gigawatt 级的 Prometheus 数据中心训练。 帖文本身没有说明这套体系由什么组成，也没有给出下一款模型的时间表。能在外围观察到的，是发布节奏：Artificial Analysis 指出，Muse Wonder 系列与上一代 Muse Spark 1.3 的发布间隔只有六周。
MSL 的 Prashant Ratanchandani 在引用这封感谢帖时写道，这是一支「强得惊人」的团队，研究人员「每天都让我们吃惊」。
开放权重的是 Spark，Wonder 留在自家产品里
Wang 在帖文末尾列了三件他认为团队在意的事：为 Muse 打造最好的模型、「审慎地开源强模型」、确保系统的对齐与安全「足够扎实」。
前两件事在发布材料里对应两种不同的开放程度。两款 Wonder 模型都没有公开权重，两款中更强的 Muse Wonder Full 只通过 Muse Code 提供给订阅者；Muse Wonder 的 API 定价是每百万输入 token 4 美元、每百万输出 token 20 美元。
Muse Spark Open 公开了权重。PyTorch 博客的发布说明称，它与 Muse Spark 1.3 共享同一基座，开放权重版本额外做了安全后训练，以便在没有系统护栏的情况下单独使用。 它使用的是 Meta 自己的 Muse Model License：按 VentureBeat 对许可的梳理，被许可方及其关联方在任意连续 12 个月内合计毛收入超过 2,000 万美元，且业务涉及把模型作为服务提供时，需要通知 Meta 并另签书面协议，才能在该业务中提供 Spark Open 或其衍生模型。 VentureBeat 因此认为，更准确的说法是「带自定义许可的开放权重发布」，而不是通常意义上的开源。
对 Interconnects 作者 Nathan Lambert 来说，这次发布的分量在于美国开放权重模型重新有了竞争力。他在 10 月 15 日写道，自己等了很久「美国开放权重模型再次变得相关」，并称这把差距按时间算至少缩短了一半，相当于三个月。
「前沿」的外部坐标
Wang 的帖文没有给数字，独立评测给了。Artificial Analysis 在 10 月 12 日公布，Muse Wonder Full 与 Muse Wonder 在其 Intelligence Index v4.3 上（最高推理强度）分别得 56 和 52，高于 Muse Spark 1.3 的 48。按 VentureBeat 的对照，56 分与 Claude Sonnet 5.5 持平，低于 Claude Opus 5.5 的 58，高于 GPT-6 Astra、Gemini 4 Argon 与 Claude Fable 5.1 的 53。
这组分数支持「明显进步」，但不等于「前沿第一」。同一份评测里，Muse Wonder 在最高推理强度下每个 Intelligence Index 任务的成本为 4.52 美元。开放权重的 Muse Spark Open 是另一种位置：Meta 的表格让它在 JobBench 与 MCP-Atlas 上领先，但在终端编码、长周期软件工程等项上落后于 Kimi K3 与 GLM 5.3；VentureBeat 的判断是，它是一个「有具体强项的竞争者，而不是开放权重模型的总体领先者」。
Meta 在 Muse Wonder 的发布文里写明，含额外安全评估的完整报告「即将发布」；Muse Spark Open 的发布文也承诺了完整评测报告。两份报告都没有给出日期。 Wang 的致谢没有提到这些报告，也没有说下一款模型什么时候发布。