2026 年 10 月 14 日，Meta 在 X 帳號 @AIatMeta 公布一套由人類主導的健康科學研究框架，由 Muse Spark 1.3 與 Muse Wonder 驅動，可訪問 500 萬份回顧性去標識化電子健康記錄及公開資料；醫學專家用它開展原創研究，加速假設生成、程式碼執行與論文撰寫，科學決策權仍完全… 看完整事件
Meta 用 Muse 模型加速醫學研究，效率最高提升十倍
Meta 宣布用 Muse Spark 1.3 與 Muse Wonder 搭建健康科學研究框架，呼叫 500 萬份去標識化電子健康病歷，醫學專家在四周內完成 10 篇原創論文，最佳情況下效率比傳統流程提升十倍，其中一篇僅用七天。研究人員發現，Muse 最明顯的收益不是更快起草，而是更快終止：它能快速標記已被文獻解決的問題、指出研究問題與資料不匹配，避免把時間浪費在無法發表的研究上。但模型仍缺專業判斷力，無法評估臨床價值或識別資料侷限；
首次披露 Muse 模型在真實醫學研究中的實測表現：四周產出 10 篇論文、效率最高提升十倍，並指出 AI 更擅長終止無效課題而非寫作，對關注 AI 科研應用與醫療賽道的讀者有參考價值。
原標題：Meta入局AI医疗，用Muse模型加速医学研究，效率提升十倍
閱讀原文
| 評分 | 68 / 82（平均 75，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Meta 開源 816B 多模態 MoE 模型 Muse Spark Open
Meta 發布開放權重模型 Muse Spark Open，採用混合專家架構，總引數約 816B、每 token 啟用約 42B，可輸入文字、影像、音訊和影片，輸出文字，上下文視窗最高 100 萬 token。模型針對 agentic coding 訓練，能閱讀程式碼庫、編寫與除錯程式碼並呼叫工具。官方提供 BF16 與 NVFP4 兩種權重，BF16 約 1.5TB，NVFP4 為 4 位精度、面向 NVIDIA Blackwell GPU。
@AIatMeta: To quantify how the models handle unfamiliar tasks, we compared test-time compute scaling on tasks …
Meta 對比了後訓練階段見過的任務與其他任務上的測試時算力擴充套件：Muse Wonder Full 與 Muse Spark 1.3 在分佈外任務上的提升幅度相近，但在相同的分佈內得分下，Muse Wonder Full 在陌生任務上的表現好於 Muse Spark 1.3 趨勢所預測的水平。Meta 把這一上移歸因於更強的基座模型，認為它能更有效地把後訓練收益遷移到未被預期的任務上。