Meta Muse Image与Muse Video：自主式媒体生成技术解读

Meta发布的Muse Image之所以引人注目，在于它将图像生成重新定义为一种自主式工作流程。该模型能够使用工具、优化自身输出、处理多参考素材，并与Meta的广泛社交生态相连接。 Muse Video目前仍处于预览阶段，但这标志着Meta正从静态图像生成向更广阔的多模态媒体平台...

Meta MSL发布Muse Image并预览Muse Video

继Muse Spark之后，Meta超级智能实验室推出了两款新的媒体生成模型：Muse Image（正在逐步推出）和Muse Video（目前处于预览阶段）。

Muse Image是Meta为文本转图像、图像编辑、多参考构图以及Meta产品内社交场景生成而打造的图像生成模型。Muse Video则基于相同的广泛媒体生成方向进行训练，专为高保真视频输出、提示词遵循、时间一致性以及原生音频支持而设计。

图片是Meta超级智能实验室负责人Jiahui Yu发布的一条推文，宣布推出Muse Image并预览Muse Video。推文称生成过程更加智能、有趣、强大，能搜索、编码、自我反思并调用工具确保结果准确。还支持自由格式，可将文本和图像交错排列，支持多重引用。下方展示了Muse Image生成的室内场景图片，有沙发、电视、装饰画等，还附有修改室内颜色、添加物品等指令。该图片与上下文紧密相关，直观呈现了Muse Image的功能和效果。

根据Meta官方公告，Muse Image可通过Meta AI应用和网页体验使用，并将逐步覆盖Instagram Stories、WhatsApp和Facebook平台。Meta表示，Muse Video稍后将面向创作者和Meta AI用户推出。

此次发布还附带来自Arena排行榜的基准测试对比。在源文章中，Muse Image在文本转图像、单图像编辑和多图像编辑排行榜上均名列前茅。Muse Video也显示出进入文本转视频排行榜领先群体的实力。

图片展示了Meta Muse Image在不同领域的排名情况。左侧是Text-to-Image Arena，Muse Image排名第二；中间是Single-Image Edit Arena，Muse Image排名第二；右侧是Multi-Image Edit Arena，Muse Image排名第三。图片下方标注了数据来源及时间，分别为Arena Elo rankings as of July 5, 2026。这些排名数据与文档中介绍Meta Muse Image在文本到图像、单图像编辑、多图像编辑等领域的表现相呼应，体现了其在相关领域的模型设计优势。

图片展示了Text-to-Video Arena的排名情况，数据截至2026年7月5日。排名前三位分别是Gemini Omni Flash、Seedance 2.0、Muse Video，得分分别为1527、1482、1459。Muse Video在该榜单中表现突出，进入领先组。该图片与上文提到的Meta Muse Video在文本到视频生成领域取得进展相呼应，直观呈现了其在该领域的排名情况。

重要的不仅是排名。更值得关注的是模型设计：Meta正试图让图像生成更像一个多步骤的创意工作流程，而非一次性提示词到图片的工具。

像智能体一样创作

Muse Image并非直接生成

典型的图像模型通常接收提示词，压缩意图，然后直接生成结果。Muse Image遵循不同的模式。Meta将其描述为一个智能体化系统，可以推理请求，判断是否需要额外信息，使用工具，并在交付前改进结果。

例如，当提示词需要当前现实世界语境时，Muse Image可以使用搜索功能。当场景需要精确的情节、公式、布局或QR

代码方面，它可以使用编码工具创建更可靠的中间资产。

![图片展示了Meta Muse Image生成的“Gauss in Blur”杂志封面。封面上有“GAUSS IN BLUR”标题，以及“THE SUM OF n CONSECUTIVE INTEGERS”等内容，还呈现了高斯的肖像。右侧列出Muse Image生成过程中的三个步骤：自我完善

寻找参考图像；自我完善
组装散开的内容；自我完善
精炼公式。该图片与上下文紧密相关，直观呈现了Muse Image在生成图像时遵循的模式，即通过自我完善、查找参考、组装内容、精炼细节等步骤，以提高生成结果的准确性。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/e016a3d8-1b95-46b6-b383-619e1de66475-05-eb13364e-c5e7-4bae-a39f-ce0c090ed857.png)

这很重要，因为许多图像生成失败并非纯粹关乎美感。它们往往源于薄弱的基础：错误事实、文字断裂、物体位置不一致、图表难以辨认，或者乍看不错但仔细审视后却存在瑕疵的细节。

工具使用：搜索与代码

Meta表示，Muse Image可在生成过程中使用搜索和代码执行等工具。搜索有助于处理涉及时事、地标、品牌、身份或事实背景的提示。当最终图像需要数学或结构上准确的内容时，编码则能派上用场。

图片标题为“使用搜索的改进”，展示了在使用搜索（蓝色）和不使用搜索（灰色）两种情况下，身份、品牌、地标、事实四个方面的数据对比。其中，身份方面使用搜索的占比为70.2%，不使用搜索的占比为29.8%；品牌方面分别为67.9%和32.1%；地标方面分别为67.3%和32.7%；事实方面分别为56.6%和43.4%。该图与上下文关系紧密，直观呈现了使用搜索在不同方面的改进情况。

原文给出了一个简单的理解方式：如果你让模型绘制依赖于当今现实世界的内容，它不应只依赖固定的内部记忆。它可以先查阅参考资料。如果你让它创建图表、公式页面或可扫描的二维码，它可以将代码作为流程的一部分。

这张图片对应内容为Meta Muse Image利用工具生成符合实际需求的内容的示例场景，左侧展示一位挎着印有“ML”字样挎包的女性，在ICML 2025会议现场，对着贴在展板上的ICML 2025标识海报，操作手中的手机；右侧分三部分说明该场景的相关内容，分别是准备适配用户要求的、带有韩国漫画风格的QR码艺术作品，生成适配Meta.ai的可扫描QR码并做编码与纠错以保障读取可靠性，以及打开生成的QR码图片确认其可正常扫描。该示例体现了Meta Muse Image可利用工具生成结构准确、符合使用需求的内容。

这并不意味着每个输出都会完美。但它改变了预期的流程。模型不再仅仅是“想象”结果；它可以在图像定稿前收集证据、计算场景部分，并验证细节。

自我完善

另一个关键理念是自我完善。Muse Image可以检查自身输出，发现问题，并决定是调整一小块区域、重新生成更大范围，还是再次使用工具以获得更准确的结果。

这是标题为《Improvement With Self-Refinement》的对比条形图，用于展示Meta Muse Image在有、无自细化能力情况下的性能表现，对应上下文提及的“self-refinement”核心内容。图中分别对比了文本生成图像、单图像编辑、多图像编辑三类任务，蓝色条形为“With Self-Refinement”的表现值，数值分别为57.1%、56.3%、56.6%，均超过50%；灰色条形为“Without Self-Refinement”的表现值，对应为42.9%、43.7%、43.4%。该图直观体现了自细化功能对模型完成各类图像相关任务的提升效果，契合上下文所述的Muse Image可自主修正优化输出的特性。

在常规图像生成中，用户通常需要手动提示

反复修正模型：调整手部细节、移除错误标识、让文字清晰可读、保持角色形象一致。Muse Image 的设计目标是将部分修正流程整合到模型自身处理过程中。

左侧画面展现两位角色在日式道馆中的格斗场景：蓝发男性身穿白色空手道服，红发女性正摆出踢腿的起手式。右侧文字说明正在细致打磨这两名格斗角色的外形与招式动作，同时兼顾照明与构图等细节，力求整体呈现协调，这正体现了模型对角色相关细节进行优化调整的处理能力。

对创作者和营销人员而言，这才是实质性的区别。一个能自行修正初稿的模型，在生产流程中更具实用价值——因为首个可接受的结果可能更快产出，且所需的手动编辑步骤更少。

测试时计算与更优结果

Meta 还报告称，在生成阶段强化推理能力可提升输出质量。简单来说，给予系统更多时间和算力进行思考、规划、搜索、优化或在候选方案中筛选，可能产生更优质的图像。

图表标题为"Test-Time Compute改进"，展示不同测试时计算量（对数刻度）下，有无工具辅助的推理强度及Best-of-N策略的ELBO值变化趋势。横轴表示测试时计算量（从1倍到8倍），纵轴表示ELBO值（从960到1020）。蓝色实线为有工具辅助的推理，紫色实线为无工具辅助的推理，绿色虚线为Best-of-N策略。该图直观呈现了增大测试时计算量对提升生成图像质量的积极影响。

这与许多人在语言模型中已见识到的现象类似：当允许模型更审慎地推理时，其回答质量可以提升。Muse Image 将相似的思路应用于视觉创作。

Muse Spark 与 Muse Image 可协同工作

Muse Image 的设计也注重与 Meta 旗下 Muse 系列的语言模型 Muse Spark 建立连接。Meta 表示，这两个模型可以共享工具并共同规划媒体生成。

这种连接为产出比单一静态图像更复杂的成果打开了大门。例如，某项工作流可能整合了网站代码、嵌入式图片、动画 GIF 和交互式视觉元素。在这种情况下，语言模型负责规划与结构化生成，而图像模型则负责视觉资产的创作。

这正是"智能体"框架显得更具意义之处。模型不再仅仅是绘画工具，它成为了一个创意系统的组成部分，能够跨多种媒体格式进行规划、创作、检查和修正。

多参考图像的创建与编辑

Muse Image 支持多重视觉参考。用户可以提供一个人物、一套服装、一个背景、一种风格图像或其它视觉线索，然后要求模型将它们融合到新的场景中。

图片展示了一幅手绘风格插画，画面中三位人物坐在公园长椅上，旁边有一位骑着紫色自行车的男子。下方是相应的生成指令，要求生成一幅男子骑着这辆自行车、穿着与画面风格一致的服装、从公园长椅旁经过的图像。该图与上文介绍的Meta Muse Image支持多参考视觉提示的功能紧密相关，直观演示了用户如何通过文本描述结合参考图像，让模型生成特定风格图像。

一个自然的提示可能是这样的：

创作一张图片：让这个人穿着这套衣服，坐在这个地点，并保持风格与这张参考图像接近。

这种混合图像与文本的提示方式之所以重要，是因为真实的创意

工作很少仅仅从文本开始。设计师、创始人、创作者和品牌团队通常会借助参考物来思考。他们会将情绪板、截图、产品照片、广告案例和风格样品带入创作过程。

Muse Image 还支持直接编辑图像。用户无需从头开始，只需标记图像的某个部分，描述要进行的更改，即可在同一视觉方向上继续完善。

一张GIF动图演示了Muse Image的图像编辑功能。画面中展示了一个带有“前方下坡”标志的场景，背景是浓雾中的山间小路，路边停着一辆车，车上有两个人。图片下方有文字提示“编辑此图以清除雾气，展现下方美丽的山谷”。

对于社交内容、电商图片、视觉广告以及轻量级品牌资产而言，这种编辑循环可能比纯粹的文生图生成更有用。其输出需要符合特定目的，而不仅仅是看起来令人印象深刻。

Use We0 AI

几分钟搭建展示站并增长获客

输入一句想法，We0 AI 即可生成展示站、页面与 CMS。发布上线后并帮你获取客户和流量。

未命名-1

布局

填充

圆角

生成中

原生社交语境与Instagram集成

最受关注的 Muse Image 功能之一，便是它与 Meta 社交图谱的联系。Meta 将这一方向称为原生社交语境。

在实践中，当用户在提示词中提及某些账号时，Muse Image 能够利用其公开的 Instagram 上下文。这意味着用户或许可以生成引用了公开帖子或个人主页内容的图像，具体取决于平台设置和可用性。

这张图片分为三个板块，展示了Meta AI相关功能的落地场景。左侧是面向小商家的营销素材示例，涵盖印有卡通形象的服饰、家居小物件，由@averyandme提供；中间是借助@提及公开账号生成的Meta AI创作内容，呈现了3D风格的卡通人物及相关场景，附有提示词说明和1:1的宽高比例标注；右侧是Instagram内的个性化预设界面，展示了该平台的AI创作相关预设选项。

这很强大，但也引发了隐私问题。Meta 表示，用户拥有控制选项，可以管理其 Instagram 内容是否可被用于 AI 创作。对于公开账号，这是一个需要审查的重要设置，尤其对于那些创作者、网红、创始人以及任何将公开照片视为个人品牌一部分的人来说。

Meta 还表示，Muse Image 的输出包含内容印章，这是一种旨在帮助识别 AI 生成图像的隐形水印系统。据 Meta 称，该水印信号旨在经得起裁剪、压缩、调整大小和截图等常见变换。Meta 还预览了一种检测工具，用于检查图像是否带有该水印。

Muse Video 预览

Muse Video 尚未完全发布，因此可获取的信息较为有限。Meta 将其描述为一个基于与 Muse Image 相同的预训练基础构建的视频生成模型，在视觉保真度、指令遵循、时间一致性和原生音频支持方面具有优势。

消息来源还指出，Meta 仍在攻克一些难点，例如音视频同步和物理上精确的快速运动。这是一个现实的局限。视频生成比图像生成更难，因为模型必须保持物体、身份、光照、运动、声音和时间在帧与帧之间的一致性。

尽管如此，Muse Video

跻身文本转视频排行领先阵营，表明Meta的目标是与顶尖视频模型直接竞争，而不仅仅是在自家应用中增加基础的短视频效果。

发布背后的团队

原始文章强调，Meta的MSL视觉模型团队汇聚了多位知名研究人员，他们曾任职于OpenAI、谷歌、斯坦福大学、伊利诺伊大学厄巴纳-香槟分校等顶级AI研究机构。

公开报道显示，赵胜嘉是Meta超级智能实验室的首席科学家。路透社和TechCrunch在2025年报道称，这位前OpenAI研究员加入Meta，协助领导新AI部门的科研方向。

图片展示了一位戴眼镜的男子，他面带微笑，背景是山林景色，远处有瀑布。图片右下角有“公众号·量子位”的水印。该图片位于介绍Meta Muse Image和Muse Video相关背景信息的文档中，是对文档中提到的赵胜嘉的个人形象展示，赵胜嘉被报道为Meta超级智能实验室的首席科学家，曾是OpenAI研究员，加入Meta以帮助领导新AI部门的科学方向。

原始文章还提到余嘉辉（Jiahui Yu）是与Muse Image和Muse Video相关的关键多模态负责人。他在计算机视觉、图像生成、图像编辑和多模态系统领域拥有长期的研究履历。

整体核心要点很简单：Meta不仅是在增加一个产品功能，而是在围绕一支新整合的AI研究和产品团队，构建一个媒体生成的技术栈。

对创作者、品牌和AI产品团队的意义

Muse Image展现了消费级AI媒体工具的未来方向。下一代图像工具不仅能通过简短提示生成精美图片，更像创意助手，能够：

理解混合文本和图像输入。
搜索获取新颖的视觉上下文。
使用代码实现精确的视觉元素。
修改自身生成的草稿。
在多次编辑轮次中保持上下文连贯。
连接平台原生的社交数据。
为生成结果添加溯源信号。

对创作者而言，这意味着资产制作速度更快；对小企业来说，或许能减少制作社交媒体视觉素材、产品样机、活动邀请函和营销图片所需的工作量；对AI产品团队而言，最重要的启示是：生成质量越来越取决于围绕模型的完整工作流程，而不仅仅是模型本身。

常见问题

什么是Meta Muse Image？

Muse Image是Meta超级智能实验室推出的图像生成模型。它专为文本到图像生成、图像编辑、多参考图合成，以及在Meta AI及相关Meta产品中创建社交场景而设计。

Muse Image的“智能体特性”体现在哪里？

Meta将Muse Image描述为具备智能体能力，因为它能在生成前进行规划，使用搜索和代码等工具，并能自我优化输出结果。这使得它更接近一个创意工作流程助手，而非简单的一次性图像生成器。

什么是Muse Video？

Muse Video是Meta预览的视频生成模型。Meta表示，它基于与Muse Image相同的广泛媒体生成方向构建，侧重于提示词遵循、视觉保真度、时间一致性以及原生音频支持。

Muse Image能否使用Instagram照片？

Meta表示Muse Image可以使用

当用户在 Instagram 上提及公共账户时，其社交上下文将取决于平台可用性与隐私设置。若公共账户持有者不希望其公开内容被用于此类场景，应自行审查 Instagram 关于人工智能复用的控制选项。

什么是 Content Seal？

Content Seal 是 Meta 为人工智能生成图像研发的隐形水印系统。Meta 称，通过 Meta AI 及 meta.ai 中的 Muse Image 生成的图像均带有隐蔽溯源信号，即使经过裁剪或压缩等常规编辑仍能保留该标记。

Muse Image 是否向所有用户开放？

Meta 表示，Muse Image 可通过 Meta AI 应用及 meta.ai 使用，并逐步覆盖美国地区的 Instagram 动态、部分国家的 WhatsApp 及未来的 Facebook 界面。具体部署可能因地区及产品界面而异。

为何 Muse Image 需借助搜索与代码？

搜索功能可确保图像生成基于现实或事实语境（如地标、品牌或真实参照物），而代码功能则能精准呈现常规图像模型难以稳定输出的图表、公式、二维码等结构化视觉元素。

总结

Meta 推出的 Muse Image 将

值得注意的是，该模型将图像生成重构为一种代理式工作流。它能调用工具、优化自身输出、处理多种参考素材，并与Meta更广泛的社交生态系统实现连接。

Muse Video仍处于预览阶段，但这表明Meta正从静态图像生成迈向更广泛的多模态媒体体系。Muse Spark、Muse Image与Muse Video的组合预示着一个未来：AI生成的内容将在不同产品界面中完成规划、审核、编辑与分发。

对于创作者、营销人员及AI开发者而言，核心启示已然清晰：优质的媒体生成正从依赖单一提示词，转向围绕模型构建的系统化运作。

Muse Image并非又一款AI图像生成器，而是Meta试图让视觉创作呈现出代理式工作流特性的关键尝试。