Meta 宣布向 Caltech、俄亥俄州立医学院等五所大学提供 Muse 与 SAM、DINO 等科研模型

美国东部时间 10 月 28 日（北京时间 10 月 29 日凌晨），Meta 在 X 平台的官方账号 AI at Meta（@AIatMeta）宣布，为加州理工学院（Caltech）、俄亥俄州立大学医学院、路易斯安那州立大学（LSU）、印第安纳大学和 UTHealth Houston 五所美国大学的科研提供支持，帮助其在科学和医学领域推进突破。Meta 在同日发布的研究博客中说明，支持形式因校和项目而异，包括提供最新模型与技术的访问权、与 Meta 研究者直接合作，以及为部分项目提供研究经费（AI at Meta 推文；Meta 研究博客）。

这次给出的模型清单不短：最新的 Muse 系列模型（含 Muse Wonder 与 Muse Spark）、开源权重的 Muse Glimmer 与 Muse Spark Open、计算机视觉模型 SAM、V-JEPA、DINO，以及多语言沟通模型 SeamlessM4T，部分项目还会用到 Meta 的可穿戴设备（Meta 研究博客）。在逐校列出的「硬问题」（hard problems）清单里，这些模型要回答的问题从「大模型能否提出并证明数学猜想」到「能否帮放射科医生起草胸部 X 光报告」「能否在网络条件有限的地区支持母婴照护」（Meta 研究博客；AI at Meta 回帖）。博客同时写明一条边界：医疗项目由各大学在本校环境中运行 Meta 的模型，独立开展研究，保留对患者和临床数据的全部控制权，这些数据不会与 Meta 共享、由 Meta 处理或供其使用（Meta 研究博客）。

图注：TechCrunch 2026 年 10 月 12 日报道 Muse Wonder 发布时使用的配图；此次 Meta 向大学提供的模型中即包括 Muse Wonder。

从模型到经费：Meta 这次的清单里有什么

按博客的口径，「最新 Muse 模型」指 Muse Wonder 与 Muse Spark 两个模型系列；开源权重一侧是 Muse Spark Open——Meta 称之为「我们最强能力的开源权重模型」——以及 Muse Glimmer，一个 300 亿参数（30B）的开源权重模型，可以在单张消费级 GPU（图形处理器）上运行（Meta 研究博客）。计算机视觉模型包括 SAM（Segment Anything Model）、V-JEPA 和图像自监督模型 DINO；SeamlessM4T 负责多语言沟通（Meta 研究博客）。

Muse 系列今年 4 月起步。Meta 在 4 月 8 日发布了该系列首款模型 Muse Spark，称其体积小、速度快，但足以推理科学、数学和健康领域的复杂问题（Meta Newsroom）。10 月 12 日，Meta 发布 Muse Wonder 与 Muse Wonder Full；TechCrunch 称这是 Meta 首个 frontier（前沿）级模型，也是自 Alexandr Wang 于 2025 年 8 月重组 Meta AI 业务以来的第一次前沿级发布（TechCrunch）。

就在两周前，Meta 还披露过一次内部探索：用 Muse Spark 1.3 与 Muse Wonder 驱动一套由人类主导的研究框架，接入 500 万份去标识化回顾性电子病历和公开数据，由一组医学专家用它完成原创研究，产出 10 份研究手稿，覆盖心脏病学、肿瘤学、传染病和急诊医学等方向（AI at Meta 推文）。

Caltech：测试大模型能否成为原创研究的「新仪器」

Meta 与 Caltech 的合作是既有伙伴关系的扩大，要测的核心问题是：大语言模型能否充当数学和物理科学领域原创研究的工具——提出并证明猜想、预测未见过的结果、生成假设，而不只是总结已有知识。这项工作横跨五个学科，围绕开放问题组织；Meta 通过第一方 API（应用程序接口）向研究者提供 frontier 级 Muse 模型（Meta 研究博客）。

五个学科各有一个项目。数学方向，数学家 Tony Yue Yu 在构建 MathDB Frontier——一个建立在 MathDB 之上的社区共建数据库和基准，后者收录超过 86,900 道研究级开放数学问题；它评测的是模型能否形式化猜想、检索引理、生成机器可检验的证明，而不是在与训练数据相似的问题上做模式匹配。物理方向，物理学家 Nai-Chang Yeh 在开发一个框架，迫使语言模型在显式约束下迭代构建候选物理表征，检验模型能否真正「构造」物理系统，而非生成看似合理却没有根据的描述。化学方向，化学家 Sarah E. Reisman 用未发表的电子实验记录本构建多产物反应基准，分辨模型是在预测反应结果、还是从训练数据里「背」出了答案。生物与应用数学方向，生物学家 Matt Thomson 在造一个「AI 理论家」，自动为生物活性物质构建并测试偏微分方程模型。计算机科学方向，计算机科学家 Anima Anandkumar 在开发 TorchLean，一个基于 Lean 4（一种支持机器检查证明的编程语言）的框架，让语言模型驱动的智能体能够构建、测试并修复可形式化检查的科学产物（Meta 研究博客）。

这条线此前已有铺垫：就在三周前，Caltech 官网刊文介绍它与 AIM（美国数学研究所）合作开发的面向数学家的 AI 平台，文章开篇写到数学界正就 AI 在数学中的角色爆发一场「出人意料地激烈」的争论（Caltech）。

Caltech 首席创新与企业合作官 Fred Farina 在博客中说：「Caltech 一直靠建造新仪器推进科学——从 pH 计、自动化 DNA 测序仪，到巨型望远镜和引力波探测器。前沿 AI 可能成为下一个这样的仪器。通过这次扩大的合作，我们的研究者将把这些模型用到科学与工程的难题上，并研究 AI 正在如何改变做科学的方式。」（Meta 研究博客）

俄亥俄州立医学院：起草 X 光报告，并测量医生该多信它

俄亥俄州立大学医学院的项目分布在三个方向，把 Meta 的最新模型和该校的临床、放射学与生物医学信息学专长配对（Meta 研究博客）。

第一个方向是放射科报告。胸部 X 光的需求增长已经超过放射科医生的读片能力：俄亥俄州立的胸部放射科医生每天要读约 200 张胸片，一些机构甚至达到 1,000 张。多数已发表的报告生成模型只看影像，而放射科医生还会结合就诊原因、病史和既往检查。影像 AI 研究者 Dufan Wu 与放射科医生 Chiemezie Amadi、Paul Lewis 将用 Muse 模型起草胸部 X 光报告，输入包括多模态信息和与既往检查的对比。项目还要解决两个测量问题：用一小组人工标注报告，统计校正「用大模型给大模型评分」带来的偏差；并由心理学家 Peter Kvam 牵头，在模拟临床环境中做一项阅片研究，区分医生「该信而不信」与「不该信而信」两类失误，再把依赖行为与模型犯的错误类型对应起来（Meta 研究博客）。

第二个方向是心衰。射血分数保留型心衰（HFpEF）约占全部心衰病例的一半，但它的症状与肥胖等常见情况重叠，往往要等到临床上已经起疑，正式评估才会开始；而因其他原因拍摄的腹部 CT 其实已经记录了身体成分、肝脏脂肪、肌肉量和血管钙化——正是 HFpEF 背后的心血管代谢图景。AI 研究者 Yuan Xue 与心脏科医生 Yuchi Han、AI 研究者 Xia Ning 的项目，将把常规腹部 CT 与纵向病历、以及有条件时的心电图数据结合起来，预测未来的 HFpEF 风险，目标是让医生在临床诊断之前就看到基于证据的风险评估（Meta 研究博客）。

第三个方向是阿尔茨海默病。阿尔茨海默病及相关失智症影响约 740 万 65 岁以上美国人，而诊断过程本质上是一个连续循环：查记录、权衡多个假设、选择下一个最有信息量的检查、再修正——电子病历系统并不支持这种循环。Xia Ning 将牵头，与 Yuan Xue、认知神经科医生 Douglas Scharre 合作，开发一个「临床医生在环」的多智能体系统，以开源权重 Muse 模型做本地部署基线：分析认知病史数据、推理临床证据、标出诊断不确定性、建议下一步最有信息量的临床动作。研究使用俄亥俄州立记忆障碍门诊整理的病历，该门诊每年接诊超过 5,600 人次（Meta 研究博客）。

LSU：从婴儿气切监测到 VR 急救训练的五个项目

LSU 的项目跨多个校区，覆盖临床、外科和方法学研究，模型侧用的是 Meta 的开源权重模型和 SAM、DINO 等视觉模型，部分项目还用到 Meta 可穿戴设备（Meta 研究博客）。

婴儿气切（气管切开）监测对准的是一条生命攸关的需求：带气切套管的婴儿一旦套管移位，就是危及生命的急症，而这些婴儿无法哭喊求助，持续的人工盯守也不总是可行。耳鼻喉科医生 Michael Dunham 主导的 Eyes-On 项目在开发一套计算机视觉系统，用床旁摄像头和边缘计算持续检测套管位移和窘迫迹象，探索用 SAM 做跟踪，概念验证论文已经发表（Meta 研究博客）。

Subhajit Chakrabarty 同时承担两个项目。其一是在多个机构之间建立标准化的神经外科结局登记库，用 Meta 的开源权重模型从临床文本自动整理登记数据，用 SAM 做分割、DINO 做影像组学特征提取，实时决策环节交给 Muse Glimmer 和 Muse Spark Open——这两个开源权重模型可以直接跑在院方基础设施上，让敏感患者数据留在本院处理。其二是验证一种无摄像头、靠射频（RF）信号的姿态估计系统，它隔着墙也能监测患者；项目用 SAM 从同步的 RGB 图像生成参考骨骼标注，省掉昂贵的动作捕捉设备（Meta 研究博客）。

急诊医生 Peter DeBlieux 在 Meta 头显上搭建 VR（虚拟现实）操作训练的 AI 教练平台：基于 Meta 开源权重模型加检索增强生成（RAG），在沉浸式仿真里给医护人员提供实时、免手的操作指导，计划接入 SeamlessM4T 以支持近 100 种语言的交互；工作原型已经存在。机器学习研究者 Supratik Mukhopadhyay 则在做面向头颈癌的因果 AI，要求每个模型指出预测背后可改变的驱动因素；该项目已用 Meta 的语言模型从临床文本提取变量，完成四个回顾性队列，论文在撰写中（Meta 研究博客）。

LSU 校长 Wade Rousse 把这次合作和校区体系连在一起：「没有任何一个校区能独自做到这件事，这正是把大学系统与统一研究体系及两个健康科学中心结合的意义。我们的医生知道病人需要什么，我们的计算机科学家知道技术能做什么。」（Meta 研究博客）

印第安纳大学与 UTHealth Houston：为离线环境和院内部署而设计

印第安纳大学三个项目的共同约束是真实部署条件：设备要能在没有可靠网络连接的地方工作，交互要照顾认知需求不同的人群（Meta 研究博客）。

Saptarshi Purkayastha 主导的 NeoSmartML+ 面向袋鼠式护理——一种能降低婴儿死亡率的皮肤接触式新生儿护理方法，而它需要的指导和监测并不是随时有训练有素的医护人员提供。项目把 AI 指导做进低成本 Android 设备并全部离线运行：用 SeamlessM4T 与 NLLB-200 做多语言语音和文本交互，用 SAM 3 的图像评估监测婴儿体位，服务可靠网络和专业医疗人员都稀缺的中低收入地区。计算机科学家 David Crandall 的两个项目里，一个用 DINO 和 V-JEPA——两种无需显式标签即可学习视觉表征的模型——分析儿童在日常经验中看到和听到的内容，研究他们如何借此学会新词，想找出高效学习的原理，反过来指导更省数据的 AI 训练；另一个分析失智老人的对话，让对话式 AI（包括社交机器人）调整与个体用户的互动方式（Meta 研究博客）。

UTHealth Houston 的项目围绕 Muse Glimmer——Meta 称其为「我们最小的开源权重模型之一」——展开，重点是医疗场景中的临床智能体工作流和智能体（agentic）基准测试（AI at Meta 回帖；Meta 研究博客）。

生物医学信息学家 Xiaoqian Jiang 正把 Muse Glimmer 部署并优化进 UTHealth Houston 的安全 GPU 基础设施，为药物发现和生物信息学研究做符合隐私要求的本地推理，评测计算效率、延迟和 token（词元）缩减策略，并在医疗界面上对多步规划与工具调用准确性做基准测试。面向胶质母细胞瘤患者的 ClinAgent GBM 项目，要把智能体推理流程适配到散落在影像、病理、治疗记录和临床笔记里的多模态电子病历，包括配对 MRI（磁共振成像）随访的影像总结；与临床伙伴的试点已经覆盖 65 例患者样本——博客注明这些是「初始工作流验证，而非临床结果衡量」。还有一个完全由 UTHealth Houston 主导、由 Meta 出资的项目，用 Meta 眼镜和 Muse Glimmer 探索免手操作的临床工作流原型，让处理过程留在本地环境以保护患者隐私，目标是减少交接环节损失的时间。Meta 还在博客中表示，双方未来的合作可能探索 AI 在药物发现与开发中的应用，包括抗体设计与优化（Meta 研究博客）。

Jiang 在博客中说：「通过与 Meta 的合作，我们希望把下一代开源权重 AI 模型带入医疗，加速科学发现、改善生活。我们的目标是让 AI 的收益更广泛可得，在严格的隐私保护下推进研究与照护。」（Meta 研究博客）

教师定题、Meta 配工具，成果也还早

Meta 在博客里说明了这次支持的运作方式：研究问题由教师团队自己带来，Meta 帮忙识别适合其研究的工具与模型；研究设计由教师团队负责，工具如何用于研究也由他们决定（Meta 研究博客）。

按博客自己的口径，目前几乎没有项目拿出结果：LSU 的 Eyes-On 只发表了概念验证，VR 教练只有工作原型，头颈癌项目的四个队列只有「论文在准备中」，UTHealth Houston 的内部测试被标注为初步（Meta 研究博客）。

外部反响目前也有限：发帖约一小时后，平台数据显示这条推文约有 9,100 次浏览、58 个点赞（AI at Meta 推文）。评论区有用户追问，基于这些模型做出的微调成果是否会开源；博客没有说明各校研究成果将如何共享，只在结尾写下一句「我们期待未来分享更多」（用户提问推文；Meta 研究博客）。

参考链接

• AI at Meta 推文：宣布支持五所大学科研
• AI at Meta 回帖：五所大学攻关的「硬问题」清单
• Meta 研究博客：How American Universities Are Using AI Models From Meta to Accelerate Medical and Scientific Breakthroughs
• TechCrunch：Meta releases its first frontier model, Muse Wonder
• Meta Newsroom：Introducing Muse Spark: Meta's Most Powerful Model Yet
• AI at Meta 推文：Muse 模型健康科学研究探索
• Caltech：Caltech and AIM Build AI Platform with Mathematicians for Mathematicians
• 用户提问推文：微调成果是否会开源