🎨 模型 · 新发布速递
Meta 超级智能实验室首发媒体生成模型：图像智能体 Muse Image 上线，同源视频版预览
7 月 17 日，Meta 超级智能实验室（MSL）推出其首批媒体生成模型——图像模型 Muse Image 已在 Meta AI 应用及 onmeta.ai 全量上线，同源底座的 Muse Video 开启预览。它不再做单纯的「提示词到图片」映射，而是作为一个能调用搜索与代码工具、会自我反思的智能体运行。
来源：官方发布•
2026-07-22•
全文约 3 分钟读完
#Meta
#Muse Image
#多模态智能体
#AI 生图
🥈 No.2
文生图 / 单图 / 多图编辑 Arena 三榜
2 类
原生调用工具：搜索 + 代码执行
🥉 No.3
文生视频 Arena 人类偏好榜
⚡ 30 秒速览
- 产品形态：从「直接映射」变为「智能体」——模型会自主调用搜索查资料、写代码画图表，并在思维链中自我反思修正。
- 榜单硬在哪：截至 7 月 5 日，在 Chatbot Arena 基于人类偏好 Elo 的文生图、单图编辑、多图编辑三个分榜均拿下第二。
- 核心机制：测试时计算扩展呈对数线性增长，且把算力花在「刻意推理」上比花在「多次生成取最佳」上后劲更足。
- 安全水印：自带 Content Seal 隐形水印，裁剪、压缩、截图后依然可溯源，并已提供检测工具。
- 去哪体验：Meta AI 应用、onmeta.ai、Instagram Stories（美国）、WhatsApp（部分国家）已开放。
01Arena 三榜稳居第二 人类偏好 Elo 排名
🥈 Muse ImageMeta MSL
No.2
注：Chatbot Arena Elo 榜单以人类偏好盲测对打得出。此处仅示意名次结构而非具体 Elo 分值；Meta 官方披露 Muse Image 在文生图、单图编辑、多图编辑三项均位列第二，截至 2026 年 7 月 5 日。
02不是画图模型，是画图智能体
Muse Image 的关键不在于「画得更好」，而在于改变了生成路径——它不再把提示词直接喂给扩散网络，而是作为一个会调用外部工具的智能体运行：
传统生成路径
提示词 → 直接映射 → 图像。模型只知道训练数据里见过的东西，遇到知识盲区或精确细节（如特定 QR 码、实时新闻画面）容易翻车。
Muse Image 智能体路径
提示词 → 推理拆解 → 调用工具补全事实 → 写代码画精确元素 → 自我反思修正 → 生成。能突破预训练知识边界。
2原生工具调用（搜索/代码）
3自反思策略（局部改/重画/换战术）
2计算类型（文本Token+视觉Token）
1同源底座（Muse Video 共用）
两类工具：搜索用于把生成图锚定在实时事实与视觉参考上（知识密集提示词胜率显著提升）；代码用于生成精确的图表、QR 码，并以渲染图作为生成条件。自反思行为并非预设，而是在强化学习训练中因「反思能拿更高奖励」而自发涌现。
更关键的是测试时计算扩展：给模型更多推理时间，它会自动增加推理步数、工具调用次数和自我反思次数。官方披露质量提升呈近似对数线性关系。值得注意的是，把算力花在「刻意推理」上比花在「多次生成取最佳」上后劲更足——推理与工具使用叠加时效果复合增长。
03它到底会做什么？三类典型场景
🖼️ 多图参考合成与跨轮次编辑多图参考
- 支持在提示词中内联交错输入多张参考图：人物、物体、服装、风格、环境皆可拆解重组。
- 示例：「让 A 骑这辆 B 自行车，穿着 C，路过坐在长椅上的 D，整体画成 E 这张图的风格」——一次生成。
- 支持跨轮次保持一致性：先画客厅，再换风格，再要求用前一张的某盏灯和柜子，再生成前后对比图。
官方演示链路：客厅图 → 改 Japandi 风 → 替换灯具柜子 → 生成前后对比图，全程保持空间与物体一致性。
✏️ 精确指令编辑：改字、去雾、变花色精确编辑
- 「把图改成 '$3.00 ALL DAY'，把'禁止免费停车'改成'周末免费停车'，电话改成 555-5555」——多指令一次改完。
- 「去掉雾气露出山谷」「把花瓣改成彩虹渐变」「稍微拉远镜头展现狗看到的混乱场面」——支持局部小改与构图调整。
关键能力：只改用户要求的部分，其余保持不变；支持迭代精修与开放式头脑风暴。
🎬 同源视频版：原生音频 + 物理一致性Muse Video 预览
- 与 Muse Image 共用同一预训练底座，主打提示词遵循、视觉保真与时序一致性。
- 支持原生音频：环境音、对白口型、拟音音效与画面同步。
- 官方承认当前仍有短板：音画同步、物理准确的高速运动仍在投入攻坚。
Arena 文生视频榜当前位列第三。官方释出示例覆盖自然纪录片风格、UGC 广告、定格动画教学等多种形态。
04智能体路径拆解 从提示词到成图的全链路
Muse Image 的「智能体化」体现在它把一次生成拆成了一条带反馈的链路：
接收提示词→推理拆解→调用搜索/代码补全事实→生成初稿→自我反思→局部修正或重画→交付
这条链路里有两类计算在同时跑：文本 Token 负责推理（要不要查、要不要改、改哪里），视觉 Token 负责生成（实际像素）。质量是两者合计算力的函数——这意味着给模型更多「思考时间」，它会自动把步数拉长，而非单纯多吐几张图取最佳。
此外，Muse Image 与 Meta 的另一模型 Muse Spark 集成，两者可共享工具并联合规划，实现「代码 + 媒体生成」组合输出——例如生成带内嵌图片的网页、可交互的视觉小游戏、动图 GIF。
⚖️ 编辑视角
本文核心数据（Arena 排名、各项能力胜率）均来自 Meta 官方博客与内部消融实验，属单方披露，未见独立第三方复测；榜单名次为截至 7 月 5 日的快照，随对手更新随时可能变动。建议读者带着「企业首发通稿」的背景读：看产品形态演进方向，而非把具体胜率当作绝对结论。
值得留意的细节是 Content Seal 水印宣称在裁剪、压缩、截图后仍可溯源——这是 Meta 在生图泛滥背景下给自己产品打的防伪锚，能否在二创流转中真正生效，需等独立安全团队验证。
图像生成正从「拼模型参数」转向「拼系统工程」——谁先把搜索、代码执行、自我反思捏进一条可扩展的智能体链路，谁就拿到下一张入场券。
▶现在就能用
Muse Image 已在 Meta AI 应用、onmeta.ai、Instagram Stories（美国）及 WhatsApp（部分国家）上线；Muse Video 即将面向创作者开放。所有 Muse Image 生成图均携带 Content Seal 隐形水印，官方已提供水印检测工具。
onmeta.ai → 即可体验