Meta全新自研圖像模型來了！不用反覆調提示詞，首次引入Agent自動改圖

Meta 正式發表首款由超級智能實驗室（Meta Superintelligence Labs，MSL）研發的多模態生成模型 Muse Image，同步亮相仍在測試階段的影片生成模型 Muse Video。這是 Meta 首次將 Agent（智能體）能力導入圖像生成領域，讓 AI 不再只是被動回應提示詞，而是能像智慧助理般自主搜尋資訊、呼叫程式碼工具，並在生成過程中不斷自我修正與優化結果。根據 Meta 公布的範例，Muse Image 能產出戴墨鏡人物吃漢堡、人物與動物同桌、以及風景與人物融合的複雜場景。Muse Video 則展示了人物在廚房倒水的流暢片段。

這些作品顯示 Meta 正在努力將生成式 AI 從單輪輸出的工具，升級為具備規劃與推理能力的創作夥伴。Meta 超級智能實驗室負責人 Alexandr Wang 透露，Muse Image 內部開發代號為「Mango」，屬於 Muse 系列 AI 模型的一部分。它可與 Muse Spark 大型語言模型協同作業，在生成圖像前先完成推理、搜尋與規劃。例如，當用戶要求生成包含複雜圖表或二維碼的圖片時，Muse Image 會自動編寫並執行程式碼，產出精確的視覺元素後再融入最終圖像。若遇到涉及即時事件或專業知識的問題，模型也能主動搜尋網路資料，利用視覺參考提升真實性。

Meta 認為，這種搜尋能力能有效減少知識密集型任務中的錯誤，特別是在新聞事件、現實地點與事實資訊相關的場景。更關鍵的是，Muse Image 具備自我優化機制：生成圖片後，它會檢查輸出內容——局部細節錯誤時直接修改當前圖片；整體方向不符則重新生成；若問題來自事實資訊不足，便再次呼叫搜尋工具。Meta 強調，這種自我修正並非人工設計，而是在強化學習訓練過程中自然浮現，因為持續優化結果能獲得更高獎勵。Muse Image 的另一大突破，是將推理機制引入視覺生成。過去一年，大型語言模型的推理模型透過增加測試階段計算量來提升效能，Meta 現在把同樣概念應用到圖像生成。

模型在生成過程中會投入更多計算資源，進行更充分的推理、呼叫更多工具，並增加自我優化步驟。測試結果顯示，隨著推理強度提升，Muse Image 在人類偏好評測中的 Elo 評分持續成長，在 Arena 的單張圖像編輯、文字轉圖像與多張圖像編輯項目皆名列第二，僅次於 GPT Image 2。換句話說，模型「思考」時間越長，最終圖片品質越高。Meta 也比較了兩種提升生成品質的方法：一是 Best-of-N，即一次產生多張圖片再選出最佳者；二是增加模型推理時間。結果發現，Best-of-N 初期效果提升迅速，但很快遭遇瓶頸；反之，將計算資源投入推理、工具呼叫與自我優化，能帶來更持續的性能成長。

Muse Image 已正式整合至 Meta AI 應用、Instagram Stories 以及即時通訊軟體 WhatsApp，後續也將登陸 Facebook 與 Messenger。在 Instagram 中，用戶可使用 30 種新的 AI Stories 特效，或透過提示詞與 AI 濾鏡改變照片風格。此外，用戶還能上傳家具圖片，讓 AI 模擬擺放效果，或直接在照片上標記修改區域，由模型完成編輯。不過，Muse Image 上線後也引發隱私爭議。根據 The Verge 報導，該模型允許用戶在 Instagram 提示詞中「@」其他公開帳號，並利用該帳號的公開照片產生新的 AI 圖片。

這項設計被部分用戶認為未經明確授權，可能帶來肖像權侵犯、身份濫用與深度偽造風險。Meta 表示，用戶可透過設定控制自己的內容是否被用於 AI 生成，但被使用的用戶不會收到通知，且已產生的 AI 圖片也不會被刪除。這項政策讓外界憂心隱私保護機制不足。使用者對 Muse Image 的評價兩極。有人認為它非常適合 Instagram 等社交場景，圖片編輯與生成效果出色；也有用戶實際測試後給予好評，例如輸入「1988 年喬丹扣籃，要求黏土動畫加拆解工程分析圖」，模型無需額外調整就能輸出完整成品。但另一些用戶則指出，Muse Image 在專業領域如內耳解剖圖的生成上精準度不足，功能並未如宣傳中強大。

整體而言，Muse Image 不僅是 Meta 在多模態生成領域的新產品，更展現了 AI 從被動回應轉向主動規劃的發展方向。當模型開始處理真實用戶身份與社交內容，技術能力之外，數據邊界、用戶授權與內容安全也將成為下一階段 AI 競爭的核心課題。