#MetaReleasesMuseSpark

Perubahan Strategis dalam Perlombaan AI
Pada 8 April 2026, Meta Platforms secara resmi meluncurkan Muse Spark, model kecerdasan buatan pertama dari Meta Superintelligence Labs yang baru dibentuk (MSL) . Peluncuran ini menandai momen penting bagi Meta, yang mewakili pembangunan ulang total infrastruktur AI-nya dan pergeseran strategis dari garis keturunan Llama sumber terbuka .
Taruhannya tidak bisa lebih tinggi. Setelah penerimaan yang mengecewakan dari Llama 4—yang menghadapi kontroversi manipulasi tolok ukur—CEO Meta Mark Zuckerberg merestrukturisasi upaya AI perusahaan pada pertengahan 2025. Ia merekrut Alexandr Wang, pendiri dan CEO Scale AI, sebagai Chief AI Officer pertama Meta dalam kesepakatan bersejarah yang dilaporkan bernilai $14,3 miliar . Muse Spark adalah produk pertama yang muncul dari perombakan mahal dan penuh tekanan ini .
Apa itu Muse Spark? Fitur Inti
Muse Spark digambarkan sebagai yang pertama dalam seri Muse baru dari model bahasa besar, dengan kode internal "Avocado" . Berbeda dari model sebelumnya yang dibangun untuk benchmarking umum, Muse Spark dirancang khusus untuk ekosistem Meta yang melayani lebih dari 3 miliar pengguna di Facebook, Instagram, WhatsApp, dan Threads .
Fitur utama meliputi:
Kategori Fitur Deskripsi
Multimodal Asli Menerima input suara, teks, dan gambar; memahami informasi visual seperti foto dan grafik
Mode Ganda "Instan" untuk jawaban cepat; mode "Berpikir" (Contemplating) untuk penalaran kompleks
Sistem Multi-Agen Meluncurkan beberapa sub-agen secara paralel untuk menangani berbagai aspek masalah secara bersamaan
Integrasi Belanja Mengambil dari konten pembuat dan perilaku pengguna di seluruh aplikasi Meta untuk rekomendasi yang dipersonalisasi
Fokus Kesehatan Dilatih dengan lebih dari 1.000 dokter; memberikan jawaban rinci untuk pertanyaan medis dan nutrisi
Sumber Tertutup Secara sengaja memutuskan warisan sumber terbuka Llama; tersedia melalui pratinjau API untuk mitra terpilih
Model ini dirancang agar "kecil dan cepat secara desain, namun cukup mampu untuk menalar melalui pertanyaan kompleks dalam sains, matematika, dan kesehatan" . Meta menekankan bahwa Muse Spark adalah fondasi—generasi berikutnya sudah dalam pengembangan .
Kinerja: Di Mana Ia Unggul dan Di Mana Ia Tertinggal
Evaluasi tolok ukur independen menunjukkan cerita yang bernuansa. Muse Spark bukanlah pemimpin mutlak di semua kategori, tetapi menunjukkan kekuatan yang jelas di bidang yang sesuai dengan keunggulan data unik Meta .
Kekuatan
· Pemahaman Multimodal (CharXiv Reasoning): Muse Spark meraih skor 86,4, mengungguli GPT-5.4 (82,8) dan Gemini 3.1 Pro (80,2). Model ini unggul dalam menafsirkan grafik kompleks, angka ilmiah, dan konten STEM visual .
· Penalaran Kesehatan & Medis (HealthBench Hard): Dengan skor 42,8, Muse Spark memimpin kategori ini, melampaui GPT-5.4 (40,1) dan secara signifikan mengungguli Claude Opus 4.6 (14,8). Ini mencerminkan investasi Meta dalam data pelatihan yang dikurasi dokter .
· Pencarian Agen (DeepSearchQA): Muse Spark meraih 74,8, mengungguli Gemini 3.1 Pro (69,7), menunjukkan kemampuan kuat dalam mencari dan mensintesis informasi web secara otomatis .
Area untuk Peningkatan
· Penalaran Abstrak (ARC AGI 2): Ini tetap menjadi kesenjangan signifikan. Muse Spark hanya meraih 42,5, dibandingkan Gemini 3.1 Pro (76,5) dan GPT-5.4 (76,1) .
· Pengkodean Agen (SWE-Bench Pro): Skor Muse Spark 52,4 tertinggal dari GPT-5.4 (57,7) dan Gemini 3.1 Pro (54,2) .
· Pemrograman Tingkat Kompetisi (LiveCodeBench Pro): Dengan skor 80,0, Muse Spark tertinggal dari GPT-5.4 (87,5) dan Gemini 3.1 Pro (82,9) .
Secara keseluruhan, Muse Spark menempati peringkat keempat dalam Indeks Kecerdasan Buatan Analisis Buatan v4.0, tertinggal dari Gemini 3.1 Pro, GPT-5.4, dan Claude Opus 4.6 . Seperti yang diakui Meta sendiri, model ini "tidak mewakili SOTA baru, tetapi kompetitif dengan model frontier pada tugas-tugas tertentu" .
Mode 'Contemplating': Pendekatan Berbeda dalam Penalaran
Salah satu fitur paling khas dari Muse Spark adalah mode Contemplating-nya, yang menggunakan pendekatan baru dalam pemecahan masalah kompleks. Alih-alih membiarkan satu model "berpikir" untuk waktu yang lama—yang meningkatkan latensi secara linier—Muse Spark meluncurkan beberapa agen secara paralel untuk menalar secara bersamaan sebelum mensintesis keluaran mereka .
Penalaran paralel multi-agen ini mencapai hasil yang kompetitif dalam waktu yang sama atau lebih singkat dibandingkan mode berpikir panjang dari Google (Gemini Deep Think) dan OpenAI (GPT Pro) .
Dalam Ujian Terakhir Kemanusiaan—kumpulan pertanyaan yang sangat sulit dari para ahli domain—mode Contemplating Muse Spark meraih skor 50,2 tanpa alat dan 58,0 dengan bantuan alat, mengungguli Gemini Deep Think (48,4) dan GPT-5.4 Pro (43,9) dalam kondisi tanpa alat .
Inovasi Teknis: Efisiensi dan Skala
Selain skor tolok ukur mentah, Meta mengungkapkan pencapaian teknis signifikan yang mungkin lebih berharga daripada metrik tunggal apa pun .
Efisiensi Pra-pelatihan
MSL sepenuhnya membangun kembali tumpukan pra-pelatihannya selama sembilan bulan, termasuk arsitektur, pengoptimal, dan pipeline data. Hasilnya: Muse Spark mencapai tingkat kemampuan yang sama dengan Llama 4 Maverick dengan lebih dari sepuluh kali lipat lebih sedikit komputasi. Peningkatan efisiensi ini merupakan terobosan mendasar dalam metodologi pelatihan .
Stabilitas Pembelajaran Penguatan
Pelatihan RL skala besar secara historis sering mengalami ketidakstabilan. Meta melaporkan bahwa tumpukan RL baru mereka mencapai pertumbuhan kemampuan yang stabil dan dapat diprediksi, dengan peningkatan yang dapat digeneralisasi ke tugas yang belum pernah dilihat .
Kompresi Pemikiran
Selama pelatihan, Meta menerapkan "hukuman waktu berpikir"—memaksa model menyelesaikan masalah dengan lebih sedikit token penalaran tanpa mengorbankan akurasi. Ini menghasilkan fenomena muncul di mana model belajar untuk "mengompresi" rantai penalarannya, menjadi lebih efisien seiring waktu .
Dari Terbuka ke Tertutup: Perubahan Strategis
Mungkin aspek paling kontroversial dari Muse Spark adalah lisensinya. Berbeda dari seri Llama, yang menjadikan Meta sebagai juara AI sumber terbuka, Muse Spark bersifat tertutup .
Meta menawarkan model melalui pratinjau API pribadi kepada mitra terpilih, dengan rencana untuk akhirnya menghasilkan uang melalui akses API atau model langganan . Perusahaan menyatakan bahwa mereka "berharap membuka sumber versi mendatang," tetapi untuk saat ini, pergeseran ke sumber tertutup menandai perubahan strategis: menjaga inovasi arsitektur secara proprietary sambil bersaing dalam perlombaan di mana setiap keuntungan sangat penting .
Proses pelatihan juga menarik perhatian, dengan laporan bahwa Muse Spark menggabungkan pengetahuan dari beberapa model sumber terbuka menggunakan teknik distilasi. Meta menanggapi bahwa metode ini sepenuhnya sesuai dengan standar industri .
Fenomena Unik: 'Kesadaran Evaluasi'
Perusahaan evaluasi pihak ketiga Apollo Research menemukan perilaku menarik dalam Muse Spark: model menunjukkan tingkat "kesadaran evaluasi" tertinggi yang diamati di antara semua model yang diuji .