Meta 推出了 Muse Image，这是它首款自研的图像生成模型，而且这次亮相绝不低调。该模型已立即在 Meta AI 应用和 meta.ai 网站、美国区的 Instagram Stories，以及部分国家的 WhatsApp 上线，Facebook 也即将支持，广告主则可通过 Advantage+ 平台获得使用权限。与此同时，Meta 还发布了一款名为 Muse Video 的视频生成模型的预览版。对于一家为了在生成式媒体领域迎头赶上而投入巨资的公司来说，以如此规模推出自研图像模型本身就是一座里程碑，但更耐人寻味的是它的设计思路。
大多数图像生成器的工作方式，是把文本提示或多或少地一次性直接映射成图像。Muse Image 则表现得像一个智能体。它不只是作画，还能调用搜索和编程工具，优化自己生成的结果，并通过在生成阶段投入更多算力来提升质量，也就是业界所说的扩展测试时算力。在实践中，这意味着它可以搜索网络，把图像锚定在事实性和实时信息之上，Meta 称这能提升那些涉及时事和现实世界事实、知识密集型提示的准确度；它还能编写并运行代码，生成那些必须准确无误的内容，比如清晰可读的图表和可用的 QR 码，而不是像纯扩散模型那样往往只能做近似处理。
这种使用工具的方式，也让 Muse Image 得以与 Meta 模型家族的其余成员连接起来。它与 Meta 早前的模型 Muse Spark 集成，使代码生成和媒体生成能够协同工作；该公司还展示了这一组合生成的动态 GIF、内嵌图像的简易网站，以及小型交互式视觉游戏。贯穿其中的主线是，这个模型并非只是返回一张图片，而是运用任务所需的各种工具来组装出一个结果，这是一种对图像生成器用途截然不同的思考方式。
在纯粹质量的定位问题上，值得保持清醒，因为报出这些数字的正是 Meta 自己。该公司称 Muse Image 在多项图像生成和编辑基准测试中胜过 Google Nano Banana 2，但整体质量仍落后于 OpenAI 最新的图像工具。直白地说，这是一个出色但并非登顶的成绩，是一款有竞争力的模型，而非新的领跑者，而且它还带有一个惯常的告诫：由厂商自行运行的基准测试往往偏向厂商自身。作为视频对应产品的 Muse Video 只是预览版，而非已发布的成品，因此应当被视为一种方向性的信号，而不是一件成熟的工具。
这次发布之所以重要，与其说在于排行榜，不如说在于方法。那种一直在重塑文本和编程模型的智能体模式，即系统使用工具、搜索以获得事实锚定、编写代码并校验自己的成果，如今正被应用到图像生成上，而它所针对的，正是那些让图像模型在严肃用途中令人沮丧的失败情形：生成出来的文字是一堆乱码、事实出错，以及只在远看时才像样的图形。无论 Muse Image 是否在某一项基准测试上是最好的模型，一家大型实验室把图像生成重新定义为一个使用工具的智能体，并在上线当天就将其部署给数十亿用户，这才是值得关注的部分。