Muse Image 与 Muse Video

是什么

Muse Image 与 Muse Video 是 Meta Superintelligence Labs 推出的媒体生成模型。Meta 于 2026 年 7 月 7 日宣布，它们是该机构的首批媒体生成模型。^[1]

Meta 称 Muse Image 是其最先进的图像生成模型。它能遵循指令、精确编辑、从多张参考图像合成画面，并能使用搜索和代码等智能体工具。^[1] 智能体工具让模型在生成像素之外还能采取其他步骤，例如在绘制前先查找信息。

Muse Video 与 Muse Image 建立在相同的预训练基础之上，并能生成原生音频，也就是声音与视频同时生成，而不是事后添加。^[1]

由来

Muse Image 与 Muse Video 延续了 Meta 此前在媒体生成方面的研究。其前身是 2024 年 10 月提出的 Movie Gen，它从未公开发布。^[2]

Meta Superintelligence Labs 把这次发布视为其媒体工作的开端。Muse Image 与 Muse Spark 模型集成，支持连贯的多轮编辑，以及图文混排的行内提示。^[1]

主要特点

多轮编辑。 Muse Image 支持跨多轮对话的连贯编辑。用户可以先提出一项修改，再提出另一项，模型会让图像与之前的编辑保持一致。^[1]

图文混合提示。 行内的图文提示让用户可以在同一个请求中同时使用文字和图片。^[1]

质量与算力。 Meta 报告称，自我修正能力在强化学习训练中自然出现。随着测试时算力的增加，质量在 Elo 分数上大致呈对数线性增长。测试时算力指模型在生成回答时额外付出的计算量，对数线性增长意味着每翻一倍的计算，分数大致增加相近的幅度。^[1]

人类偏好排名。 截至 2026 年 7 月 5 日，在 Arena 的人类偏好排名中，Muse Image 在文生图、单图编辑和多图编辑中均排第 2。Muse Video 在文生视频中排第 3。^[1] Arena 排名基于人们对输出进行比较的投票。

已知不足。 Meta 指出，Muse Video 目前的不足在于音视频同步，以及快速运动的物理准确性。^[1]

水印。 Meta AI 中由 Muse Image 生成的图像带有一个不可见的「Content Seal」水印，配套的检测工具目前处于预览阶段。^[1] 不可见水印嵌入在图像本身中，观看者看不到，但可以用检测工具核验。

在发展中的位置

Muse Image 在发布时可在 Meta AI 应用和 meta.ai 上使用，也出现在美国的 Instagram 快拍（Stories）中，以及部分国家的 WhatsApp 中。Facebook 被描述为即将推出。^[1]

Muse Video 面向创作者和 Meta AI 宣布，发布时进入早期预览。^[1]

与 Movie Gen 相比，Muse 系列是这一路线中第一次面向用户（至少是预览用户）的模型。Movie Gen 是一组研究模型，Meta 并未公开发布。^[2] 对学习者而言，变化在于从研究演示走向产品，尽管图像和视频生成的基础工作是相关的。^[1][2]