Блог mysummit.school

Meta Muse Spark – первая закрытая модель Meta с 2023 года

В этой серии до сегодняшнего дня не было ни одной части про Meta. Пока главной новостью оставалась Llama 4, такое молчание было оправдано: модель вышла спорной, и рассказывать менеджеру о ней как о рабочем инструменте было нечего.

9 июля 2026 года Meta (признана в России экстремистской организацией и запрещена) выпустила Muse Spark 1.1 и в тот же день открыла публичный доступ к Meta Model API. Анонс вышел в блоге компании. Само семейство Muse, которое заменяет Llama, началось тремя месяцами раньше: 8 апреля вышла версия 1.0, и текущая модель собрана на её основе. На сентябрьском снимке LMArena muse-spark-1.2 в режиме xHigh занимает пятое место в текстовом рейтинге, muse-spark-1.1 – десятое, а в рейтинге по изображениям muse-spark – шестое. Тот, кто сравнивает инструменты по таблицам лидеров, встретит это имя. В серии ответа на него до сих пор не было.

Баллы здесь – третья по важности новость. Первая – лицензия: за девять месяцев Meta сменила руководство AI-направления, пересобрала стек и вернулась с закрытыми весами. Вторая – какого рода модель получилась: 1.1 ведёт в задачах на вызов инструментов и заметно отстаёт в написании кода.

ИИ на рабочем месте: внедрение растёт, отдача застряла

За год этот блог разобрал больше десятка крупных замеров использования ИИ на рабочем месте: Gallup, Stanford, Wharton, BCG, Workday, Epoch AI, Google, Microsoft. По отдельности каждый отчёт рассказывает свою историю – и у каждого мы эту историю проверяли. Собранные в одну ленту, они показывают то, чего не видно ни в одном из них: две кривые, которые год движутся в разных направлениях.

Первая кривая – внедрение. Она растёт линейно и предсказуемо: по квартальным замерам Gallup, ежедневных пользователей ИИ среди работающих американцев стало 15% против 8% годом раньше, а корпоративное внедрение по Stanford AI Index дошло до 88%. Вторая кривая – отдача. Она плоская: доля тех, кто получает от ИИ чистую выгоду за вычетом переделок, Workday оценивает в 14%, и за год наблюдений эта цифра никуда не сдвинулась.

Ниже – обе кривые по первоисточникам, которые мы отслеживали весь год, с оговорками о том, что с чем можно сравнивать. А за кривыми – четыре среза, которые видны только в сборе: смесь задач, доверие и ошибки, эффект для бизнеса и география.

Что нельзя отдавать ИИ: почему ломается проверка работы

В 2025 году юристы истцов по иску против Walmart подали ходатайство, в котором было восемь несуществующих судебных дел. Один из адвокатов воспользовался ИИ-инструментом, тот выдумал ссылки, а остальная команда пропустила документ дальше не глядя. Каждый, судя по всему, считал, что проверил кто-то другой.

Интереснее здесь не галлюцинация модели – про них написано достаточно. Интереснее, что документ прошёл через несколько квалифицированных юристов и ни один не притормозил. Проверка формально существовала, фактически её не было ни на одном шаге.

Это довольно точная модель того, что сейчас происходит в командах, где ИИ уже прижился. Скорость выросла, качество на выходе выглядит прилично, а функция проверки тихо перестала работать – причём заметить это по обычным метрикам невозможно.

ИИ-агент, который спорит с вашим решением, пока не проиграет

Менеджер утверждает решение за десять минут до созвона. Кандидат понравился на собеседовании, цифры в презентации подрядчика сходятся, план сокращения объёма проекта выглядит логично на слайде. Решение принято, потому что оно почувствовалось правильным – а не потому, что кто-то попробовал его опровергнуть.

Так управленческие решения и проваливаются: данных на столе обычно хватает, вопрос просто закрыли слишком рано. Слишком мало вариантов, слишком мало доказательств, которые могли бы решение опровергнуть, слишком много непроверенных допущений. Тема не новая, но у неё появился неожиданно точный инструмент.