Model Muse Image Agentik Meta Tersedia di Fal untuk Pengembang

fal pada 1 September 2026 meluncurkan akses pengembang dan perusahaan ke Muse Image, model generasi dan penyuntingan gambar agentik dari Meta Superintelligence Labs, yang disampaikan melalui Meta Model API di platform fal. fal menyatakan model ini merencanakan setiap permintaan, memanggil alat, dan meninjau outputnya sendiri sebelum mengembalikannya, dan halaman model fal mencantumkan biaya $0.01 per gambar.

Muse Image adalah model generasi gambar pertama dari Meta Superintelligence Labs. Kebanyakan model gambar memetakan prompt langsung ke piksel dalam satu langkah; fal mengatakan pendekatan ini bekerja untuk prompt sederhana tetapi dapat gagal pada brief yang kompleks, memaksa tim produksi untuk menggabungkan beberapa model dan melakukan serangkaian pembersihan manual. fal juga menyatakan bahwa harga frontier membuat beban kerja dengan volume tertinggi, termasuk pembuatan varian iklan, gambar katalog, dan personalisasi per pengguna, menjadi tidak ekonomis pada skala di mana mereka paling penting.

Penggunaan Alat dan Penyempurnaan Diri

Menurut pengumuman fal, Muse Image menggunakan arsitektur planner-plus-diffuser dengan pemanggilan alat dan penyempurnaan dalam satu rantai pemikiran. Model ini mencari referensi nyata di web, yang fal katakan secara terukur meningkatkan akurasi faktual pada prompt yang intensif pengetahuan: logo yang akurat, tempat nyata, grafik yang berfungsi, dan kode QR yang dapat dipindai. Ia menulis dan menjalankan kode untuk elemen visual yang tepat, serta memeriksa dan memperbaiki output sebelum mengembalikannya, langkah verifikasi yang fal katakan meningkatkan akurasi pada brief multi‑bagian.

Posting teknis Meta 7 Juli 2026 menggambarkan desain agentik yang sama dari perspektif laboratorium: model memanggil alat pencarian dan pengkodean untuk meningkatkan akurasi, menyempurnakan hasilnya sendiri, dan meningkatkan melalui skala komputasi saat pengujian. Selama reinforcement learning, Muse Image belajar menulis dan mengeksekusi kode yang menghasilkan plot dan kode QR yang akurat serta menyesuaikan dengan gambar yang dirender. Penyempurnaan dirinya dapat berupa penyuntingan lokal ketika detail kecil salah, generasi baru ketika bagian yang lebih besar keliru, atau pemanggilan alat untuk landasan faktual yang lebih kuat. Meta mengatakan perilaku ini muncul selama pelatihan karena penyempurnaan diri menghasilkan gambar yang lebih baik dan sehingga hadiah yang lebih tinggi, tanpa dirancang secara sengaja.

Meta juga melaporkan bahwa Muse Image menjadi lebih baik semakin lama ia melakukan penalaran pada waktu inferensi: dengan lebih banyak komputasi saat pengujian, model melakukan lebih banyak penalaran, menggunakan lebih banyak pemanggilan alat, dan menerapkan lebih banyak langkah penyempurnaan diri, dengan skor Elo preferensi manusia meningkat dalam hubungan log-linear kira‑kira. Komputasi tersebut mencakup token teks untuk penalaran dan token visual untuk generasi, dengan kualitas sebagai fungsi dari total gabungan. Meta menemukan bahwa sampling best-of-N, di mana model menghasilkan beberapa gambar dan menyimpan yang terbaik, meningkatkan kualitas pada awalnya tetapi cepat jenuh, sementara mengalokasikan komputasi yang sama untuk penalaran sengaja skala jauh lebih baik.

Generasi, Penyuntingan, dan Komposisi

fal mengatakan satu model Muse Image mencakup tiga alur kerja yang biasanya tim produksi dapatkan dari vendor terpisah. Yang pertama menggabungkan generasi dengan penyuntingan presisi: pengguna menghasilkan desain, lalu mengubah satu elemen sementara sisanya tetap tidak berubah, dalam satu panggilan. Yang kedua adalah penyempurnaan multi‑turn percakapan, membangun satu aset melalui banyak putaran tanpa penurunan kualitas. Yang ketiga adalah komposisi berbasis referensi, di mana tim memasukkan kit merek dan contoh aset serta menghasilkan karya baru yang sesuai merek dengan gaya dan subjek yang konsisten di antara orang, produk, dan lingkungan.

Muse Image juga berbagi alat dan rencana dengan Muse Spark, model asisten Meta, sehingga satu permintaan dapat mengembalikan GIF animasi, situs dengan gambar tersemat, dan output visual interaktif alih‑alih file datar, menurut fal.

Peringkat Arena dan Ketersediaan

fal mengatakan Muse Image berada di lima teratas pada Arena untuk teks‑ke‑gambar, penyuntingan gambar tunggal, dan penyuntingan multi‑gambar. Ketika Meta memperkenalkan model ini, mereka melaporkan bahwa Muse Image menempati posisi No. 2 pada Arena di ketiga kategori tersebut berdasarkan peringkat Elo preferensi manusia per 5 Juli 2026. Meta juga menyatakan Muse Video, model pendamping yang dibangun di atas basis pra‑pelatihan yang sama, menempati No. 3 dalam Elo preferensi manusia untuk teks‑ke‑video pada tanggal tersebut.

Model ini tersedia di fal.ai melalui playground interaktif dan API. fal mencantumkan dua endpoint, meta/muse-image/text-to-image dan meta/muse-image/edit, keduanya ditandai untuk penggunaan komersial dan berharga $0.01 per gambar. Halaman teks‑ke‑gambar menonjolkan kepatuhan instruksi yang setia dan rendering akurat detail halus seperti teks, plot, dan kode QR; halaman penyuntingan menjelaskan penyuntingan presisi yang hanya mengubah apa yang diminta pengguna, menjaga koherensi antar putaran, dan menyusun dari beberapa gambar referensi.

Muse Image pertama kali menjangkau konsumen pada 7 Juli 2026 melalui aplikasi Meta AI dan meta.ai, Instagram Stories di AS, serta WhatsApp di beberapa negara terbatas. Gambar yang dibuat oleh Muse Image di aplikasi Meta AI dan di meta.ai membawa Content Seal, sistem watermark tak terlihat milik Meta, yang Meta katakan tetap utuh melalui pemotongan, kompresi, pengubahan ukuran, dan tangkapan layar; Meta sedang menyiapkan alat deteksi yang memeriksa apakah sebuah gambar membawa watermark tersebut.

fal menggambarkan dirinya sebagai platform media generatif yang menawarkan model gambar, video, dan audio melalui API terpadu, dengan GPU serverless sesuai permintaan dan klaster komputasi khusus, serta menyatakan lebih dari 2,5 juta pengembang menggunakannya.