Muse Spark 1.2は、Muse Spark 1.1をコーディング中心にアップデートしたモデルで、8月に提供が開始されました。発表時には、改善されたマルチモーダル能力も予告されています。今回はオープンウェイト(open-weights)版のリリースに先立ち、視覚的な理解と推論能力の幅広さを示す新しい評価結果とデモをMetaが共有します。

先行デモでは、Muse Spark 1.2が、ターミナル経由でアップロードされた動画を、機能するホーム予約ページに変換しました。

マルチモーダル能力の向上点と対応範囲

Muse Spark 1.2は、ビジュアルコーディング(visual coding)に加えて、視覚的推論、チャートの理解、知識集約型タスクでの性能を示しています。マルチモーダル面での向上は、モデルがツールを使えるときに最も顕著になります。このとき、モデルは視覚入力をより詳しく調べ、見つけた内容を推論に取り込むことができます。

Muse Spark 1.2は、ビジュアルを動作するコードに変える作業から、知覚を物理的な行動に結びつける作業まで、幅広いマルチモーダルタスクに対応します。また、実際の企業利用でよくある動画中心のワークフローを可能にする堅牢な音声・映像の理解(audio-visual understanding)も備えています。Design Arenaに示されているとおり、画像や動画をWeb開発向けに変換する面で強みを示します。なお、モデルの掲載とランキングは2026年8月18日時点のものです。

ビジュアルコーディングの内容と例

ビジュアルコーディングにおいて、Muse Spark 1.2は画像または動画を与えられると、そのレイアウト、階層、スタイルを動作するコードに変換して、ウェブページやゲームなどのデジタル成果物を作ります。生成したデジタル成果物を再度調べることで、継続的な自己改善ループを回します。デジタル成果物の正しさは、結果が描画され意図どおりに動作するかで判断されます。ビジュアルコーディングの例として、モデルが生成した1ページ構成のインタラクティブなフリップブックがあります。このフリップブックは、レイアウト、タイポグラフィ、ページめくりアニメーション、カーソル追従の拡大レンズをすべてモデルが生成しました。

空間知能・ロボット操作と動画理解の統合

空間知能(spatial intelligence)は、デジタルな知覚と物理的な行動の溝を埋め、モデルが見たものを3Dの物理空間でできることに結びつけます。ロボティクスでは、Muse Sparkの特化版がロボットの頭脳兼オーケストレーターとして働き、ユーザーの指示を受け取り、ツール呼び出しをデコードし、結果を観察して、タスクが終わるまでループを繰り返します。ロボットの操作(manipulation)には2段階のシステムを使用します。単一の抽象的な目標が与えられると、高レベルのプランナーモデルがシーン理解、似た物体の区別、目標のサブタスクへの分解を行い、各サブタスクは低レベルのMuse Spark Vision-Language-Action(VLA)ポリシーによって実行されます。Metaは、両手で作業する(bimanual)ロボットがヘアブラシとメイクブラシを見分ける、昼食を詰める、さまざまな物を見つけるといったタスクに取り組む際に、モデルがサブタスクをどう計画するかを示す例も紹介しています。

Muse Spark 1.2は、深い動画理解(deep video understanding)と高密度キャプション生成(dense captioning)を、Web開発、リアルタイム検索、空間グラウンディング(spatial grounding)を含むエージェント型ツール群と組み合わせています。これらを統合することで、モデルは受動的な観察にとどまらず、音声・映像の入力を実行可能な解決策に変える複雑なワークフローを自律的にオーケストレーションする方向へ進めます。

WildArtifactBenchでの評価

公開ベンチマークでの高い性能は一側面を示すにすぎず、今日のフロンティアモデルは、本番品質のゲーム制作のような実世界のエージェント型タスクの実行にいまも苦戦しています。Metaは、実用性を持つ幅広いマルチモーダルタスクにわたってエージェントの能力を評価できるようにしたいと考えています。

Metaが社内評価として使っているWildArtifactBenchは、あらゆるタスク、あらゆる成果物形式、あらゆるレベルの検証可能性(verifiability)でエージェントを評価するためのもので、現在はプレビューとして公開されています。勝率(win rate)とEloスコアは、テスト対象のエージェントとベースラインのエージェントの成果物を比較して得られます。比較は、エージェント型の審査員(agentic judges)と人間の審査員のどちらでも行え、好ましいほうを選べます。この方式は、正解の成果物(ground-truth deliverables)や客観的なルーブリックを必要としないため、タスクの網羅範囲と多様性を大きく広げます。

Metaはプレビューとして、WildArtifactBenchから10個のタスクを公開しています。これは、マルチモーダルエージェントがもたらす実際の実用性を測る能力における一歩前進です。

Meta内での活用と提供先

Muse SparkはMeta内のいくつかの領域で使われており、メディア生成の取り組みを支える用途も含まれます。エージェント型のメディア生成において、Muse SparkはMuse Imageと連携して動作します。このとき、Muse SparkはMuse ImageおよびVideoの訓練データとして非常に詳細なキャプションを生成します。

Muse Sparkは、生のテキスト、画像、および動画のコンテンツを、下流のアプリケーションで使えるシグナルや知見に変換することもできます。

8月に提供が開始されたMuse Spark 1.2は、Meta Model APIとMuse Codeで利用できます。