首页 / 资讯详情
Muse Wonder 建模大翻车，亚历山大·王辩护遭马斯克无情补刀
摘要
官方承认 3D 短板，跨模型测试 Harness 不同。 作者丨郑佳美 编辑丨岑 峰 Meta 刚发布的 Muse Wonder，没想到因为一盏熔岩灯，在开发者社区引发了一场关于 AI 模型跑分的争论。10 月 12 日，Meta 推出 Muse Wonder 和 Muse Wonder Full，主打 Coding Agent、工具调用和长任务执行能力。官方公布的成绩相当亮眼，Wonder Full 在 SWE-Marathon 上拿到 57.5 分，DeepSWE 1.1 达到 79.0 分，已经能够与同期的前沿模型展开竞争。然而，开发者社区 BridgeMind 随后安排了一项 3D 编程测试，要求 Muse Wonder 制作一盏具有透明玻璃外壳、动态熔岩和光照效果的熔岩灯。结果模型只生成了一个红色圆柱体。BridgeMind 随即质疑 Muse Wonder 存在严重的 Benchmaxxing，也就是针对 Benchmark 进行大量优化，成绩看着漂亮，碰上陌生任务却露了怯。连马斯克也忍不住下场，在相关帖子下意味深长地回了一句 Hmm。短短一个词，虽然没有明确表态，却让这场围绕 Meta 新模型的刷分争议又添了几分戏剧性。Meta 首席 AI 官 Alexandr Wang 很快回应，团队确实没有针对 3D 演示游戏进行显式训练，事后看来或许应该补充相关训练，但他仍然希望开发者实际体验 Muse Wonder 的 Coding 能力。雷峰网这场争论有一个重要前提：熔岩灯测试针对的是普通版 Muse Wonder，而 Meta 公布的部分突出成绩来自 Wonder Full，两者存在能力差异。同时，Meta 官方 Model Card 已经明确承认，视觉与空间推理，尤其是 3D 任务，属于 Muse Wonder 的已知短板。但高分模型在陌生任务中遭遇如此明显的失败，依然让人好奇：当前大模型的训练方法究竟在强化哪些能力，Agent Benchmark 又能在多大程度上反映模型的实际水平？01奖励机制，决定模型擅长解决什么问题Muse Wonder 的表现，与当前大模型越来越依赖 Post-training 提升任务能力的技术路线有关。在 Pre-training 阶段，模型通过大规模数据学习语言、代码、空间关系和其他通用知识。进入 Post-training 后，训练会进一步塑造模型的行为策略，尤其是通过强化学习，让它在特定任务环境中形成更稳定的执行能力。Coding Agent 很适合这类训练。例如，给模型一个存在 Bug 的代码仓库，要求它定位问题、修改文件并运行测试。整个过程可以通过编译结果、单元测试和功能检查获得相对明确的反馈。强化学习系统据此判断哪些操作有效，持续强化能够提高任务成功率的行为。训练规模扩大后，模型逐渐学会一套复杂的软件工程策略，包括如何缩小搜索范围、选择工具、处理报错，以及在多轮修改中维护任务状态。Meta 在官方技术文章中提到，Muse Wonder 接受了多样化长任务训练，并引入 Active Focus，使模型能够在遭遇阻碍后尝试其他方案、恢复执行并继续推进任务。但这类训练依赖一个关键条件：环境必须能够向模型提供有用的反馈。熔岩灯恰好打破了传统 Coding Agent 熟悉的反馈方式。雷