Um die Schlagzeilen mit GPT-5.6 zu stehlen, hat Mark Zuckerberg zum ersten Mal auf dem Territorium seines Konkurrenten „Werbung gemacht“

Die internationalen Schlagzeilen im KI-Umfeld sind heute hitziger als je zuvor.

Zuvor gab es das vielgelobte Grok-4.5, danach das aufmerksame GPT-5.6. Und gerade eben hat Meta Superintelligence Labs (MSI) den Markt aufgemischt und das neue Modell Muse Spark 1.1 vorgestellt.

Eine wenig bekannte Tatsache: Diese offizielle Ankündigung ist seine erste Veröffentlichung auf X seit drei Jahren – die Veröffentlichung davor liegt sogar im Jahr 2012.

Da es zu diesem kritischen Zeitpunkt veröffentlicht wird, muss das neue Modell von Meta natürlich über echte Stärken verfügen.

Und tatsächlich ist Meta nicht mit leeren Händen gekommen, sondern hat gleich zwei große Aktualisierungen vorgestellt: Muse Spark 1.1 wurde umfassend verbessert, und die Meta Model API geht gleichzeitig in die öffentliche Betaphase – Entwickler können dieses Flaggschiff-Modell erstmals direkt aufrufen.

Der „Wohltäter“, der sich mit Open-Source-Modellen einen großen Ruf erarbeitet hat, verkauft nun offen seine API. Meta beschreibt diese Aktualisierung als „Fortschritt an der Spitze von Leistung und Effizienz“ und erklärt, dass die gleichzeitige Veröffentlichung von Modell und API sie dem Ziel der „persönlichen Superintelligenz“ einen Schritt näher gebracht hat:

Es hilft Ihnen, Ihre Ziele zu verfolgen, Dinge zu erschaffen, die Sie sich vorstellen, Beziehungen zu vertiefen und Maßnahmen für die Dinge zu ergreifen, die Ihnen am wichtigsten sind.

Der Kernpunkt: Es kann andere KI-Agenten sinnvoll einsetzen

Schauen wir zuerst auf den Schwerpunkt dieser Aktualisierung: Die Fähigkeiten als KI-Agent.

Laut Meta ist Muse Spark 1.1 ein multimodales Inferenzmodell, das auf Agent-Aufgaben ausgerichtet ist. Die Kernbereiche Werkzeugaufruf, Computersteuerung, Codegenerierung und multimodales Verständnis wurden alle optimiert.

Es wurde speziell für die Bearbeitung „persönlicher Agent-Aufgaben“ trainiert: Zum Beispiel die Planung, Koordination und Ausführung über mehrere externe Anwendungen und Dienste hinweg. Solche Aufgaben sind normalerweise langwierig, haben viele Variablen und verteilen Informationen auf verschiedene Quellen – das Modell muss nicht nur Fragen beantworten, sondern auch Aufgaben sinnvoll verteilen.

Das Interessanteste an Muse Spark 1.1 ist, dass es wie ein „Projektleiter“ trainiert wurde.

Wenn es eine komplexe Aufgabe erhält, agiert es als Haupt-Agent: Es sammelt Kontext, erstellt einen Plan, verteilt Aufgaben und weist verschiedene Teilaufgaben mehreren parallelen Unter-Agenten zur gleichzeitigen Bearbeitung zu – so wird die gesamte Durchlaufzeit verkürzt.

Umgekehrt weiß es auch, wie es sich kooperieren soll, wenn es selbst als Unter-Agent agiert: Es erledigt seinen zugewiesenen Teil, erkennt verfügbare Werkzeuge und meldet sich rechtzeitig, wenn es an seine Fähigkeitsgrenzen stößt – anstatt blind zu arbeiten.

Sein Kontextfenster erreicht 1 Million Token und arbeitet mit einem aktiven Verwaltungssystem. Es kann nicht nur mehr Inhalte aufnehmen, sondern sich auch an frühere Aktionen erinnern, lange zurückliegende Informationen abrufen und bei der Kontextkomprimierung wichtige Details für nachfolgende Schritte behalten.

Auch bei neuen, unbekannten Werkzeugen, MCP-Diensten und benutzerdefinierten Fähigkeiten kann Muse Spark 1.1 ohne vorheriges Training direkt eingesetzt werden.

Bei der Computersteuerung (Computer Use) verfolgt Meta einen sehr praxisnahen Ansatz.

Viele frühere Computersteuerungs-Agenten mussten fast jeden Schritt den Bildschirm neu erfassen, neu ableiten und neu klicken – der gesamte Prozess war langsam und frustrierend.

Muse Spark 1.1 lernt, je nach Szenario die passende Methode zu wählen: Wenn ein Skript schneller ist, schreibt es direkt ein Skript; wenn wenige Klicks einfacher sind, bedient es direkt die Oberfläche; wenn Massenausführung erforderlich ist, generiert es mehrere Schritte auf einmal und führt sie gemeinsam aus.

Meta zeigt ein Beispiel „Organisation eines Abendessens“: Wenn der Benutzer während der Reservierung seine Bedingungen ändert, erkennt das Modell die neue Situation selbst, passt den Plan an – der gesamte Prozess erfordert keine ständige Eingabe des Benutzers.

Szenarien mit App-Übergreifendem Arbeiten, langen Abläufen und sich ständig ändernden Informationen – die früher oft dazu führten, dass der Agent den Kontext verlor – behält Muse Spark 1.1 zuverlässig bei. Auch bei unbekannten Oberflächen kommt es fast ohne manuelle Führung aus.

Bei der Codegenerierung bewertet es sich selbst

Bei den Code-Fähigkeiten konzentriert sich Meta diesmal besonders auf praxisnahe Szenarien mit großen Codebasen.

Zum Beispiel Diagnose und Behebung komplexer Fehler, Erweiterung von Unternehmenssystemen mit neuen Funktionen und Durchführung umfangreicher Code-Migrationen. Bei Anwendungsfällen wie der Erstellung von Webanwendungen und dem end-to-end-Fragenbeantworten zeigt Muse Spark 1.1 deutliche Verbesserungen gegenüber der ersten Version.

Zusätzlich wurde es trainiert, flexibel in beliebigen Umgebungen zu arbeiten.

Es passt sich gängigen Funktionen verschiedener Code-Toolchains, Testumgebungen und Agent-Programmierpaketen an – einschließlich Planungsmodi, Festlegung von Zielbedingungen, Delegation an Unter-Agenten und Kontextkomprimierung.

Mit anderen Worten: Wenn es in die Programmierwerkzeuge eines beliebigen Anbieters integriert wird, kommt es schnell in den Arbeitsmodus.

Meta zeigt eine Debugging-Demo mit OpenCode: Das Modell erstellt zuerst eine Chat-Webanwendung, macht automatisch einen Screenshot, findet daraus die Probleme, die der Benutzer sehen würde, verfolgt die relevanten Codestellen, ändert sie und überprüft das Ergebnis anschließend.

Codieren, Screenshots analysieren, Werkzeuge anpassen und überprüfen – dieser gesamte Ablauf ähnelt bereits der Arbeitsweise von KI-Agenten in der echten Entwicklung.

Intern bei Meta nutzen Ingenieure und Forscher Muse Spark 1.1 bereits häufig. Laut offiziellen Angaben hat es bei dem internen Code-Benchmark „Meta Internal Coding Bench“ im Vergleich zur ersten Version stark zugenommen und kann nun mit den besten Modellen auf dem Markt konkurrieren.

Noch interessanter: Die Forscher nutzen es bereits, um die Modellentwicklung und Bewertungsprozesse zu automatisieren.

In einer weiteren Demo bewertet Muse Spark 1.1 sich selbst mit unterschiedlichen Inferenzstärken im Aufgabenteil von DeepSWE – und erstellt danach eine Analyseübersicht aus den Ergebnissen.

Es macht die Prüfung selbst, korrigiert sie selbst und erstellt sein eigenes Zeugnis (Scherz).

Nehmen Sie ein Video auf – es hilft Ihnen, den Artikel auf dem Second-Hand-Markt einzustellen

Im multimodalen Bereich konzentriert sich Meta auf „Arbeiten während der Wahrnehmung“.

Das heißt, Muse Spark 1.1 zeichnet sich nicht nur dadurch aus, Bilder, Videos und Audiodateien zu verstehen – sondern es führt nach dem Verständnis dieser Inhalte auch echte Aufgaben weiter aus.

Es kann mit der realen Welt interagieren und Ergebnisse liefern, die auf echten Fakten basieren. Fähigkeiten wie die Umwandlung von visuellen Inhalten in Code, detaillierte Bild- und Videobeschreibungen und die Ausführung multimodaler Agent-Arbeitsabläufe werden von Meta besonders hervorgehoben.

In der Praxis kann es Bilder, Videos und Audiodateien verarbeiten, diese Details über lange Abläufe hinweg merken und dann mit diesen Informationen den Computer bedienen.

Die alltagstauglichste Demo stammt von Facebook Marketplace.

Der Benutzer nimmt einfach ein