Meta的自主式Muse Image模型登陆Fal，供开发者使用

fal 于 2026 年 9 月 1 日 向开发者和企业开放了访问 Muse Image，这是一款来自 Meta Superintelligence Labs 的自主式图像生成与编辑模型，通过 fal 平台的 Meta Model API 提供。fal 表示，该模型会为每个请求制定计划、调用工具并在返回之前审查自己的输出，fal 的模型页面显示每张图像的费用为 0.01 美元。

Muse Image 是 Meta Superintelligence Labs 推出的首个图像生成模型。大多数图像模型在一次传递中直接将提示映射为像素；fal 表示，这种方法对简单提示有效，但在复杂任务上可能失效，导致制作团队需要组合多个模型并进行多轮手动清理。fal 还指出，前沿定价使得最高负载的工作——包括广告变体生成、目录图像以及面向用户的个性化——在关键规模上变得经济上不可行。

工具使用与自我细化

根据 fal 的公告，Muse Image 采用计划器加扩散器的架构，在单一思考链中进行工具调用和细化。该模型会在网络上搜索真实参考，fal 表示这显著提升了知识密集型提示的事实准确性：准确的标志、真实地点、可用的图表以及可扫描的二维码。它会编写并运行代码以生成精确的视觉元素，并在返回之前检查并纠正输出，fal 称这一验证步骤提升了对多部分任务的准确性。

Meta 于 2026 年 7 月 7 日的技术文章从实验室视角描述了相同的自主式设计：模型调用搜索和编码工具以提升准确性，自我细化生成结果，并通过扩大推理时的计算规模来改进。在强化学习期间，Muse Image 学会编写并执行代码以生成精确的图表和二维码，并基于渲染的图形进行条件化。其自我细化可以表现为在细节偏差时进行局部编辑，在较大部分错误时重新生成，或通过工具调用获取更可靠的事实依据。Meta 表示，这种行为在训练中自然出现，因为自我细化产生了更好的图像，从而获得更高的奖励，且并非刻意设计的。

Meta 还报告称，Muse Image 在推理时的思考时间越长表现越好：随着推理计算资源的增加，模型的推理深度、工具调用次数以及自我细化步骤都会增多，且人类偏好 Elo 分数呈近似对数线性关系上升。该计算包括用于推理的文本 token 和用于生成的视觉 token，质量取决于两者的综合总量。Meta 发现，best-of-N 采样（模型生成多张图像并保留最佳）在早期提升质量，但很快出现饱和；而将相同的计算用于有意的推理则能显著提升规模。

生成、编辑与构图

fal 表示，单一的 Muse Image 模型涵盖了制作团队通常需要从不同供应商获取的三种工作流。第一种将生成与精确编辑相结合：用户生成一个设计后，仅修改其中一个元素，其余图像保持不变，整个过程只需一次调用。第二种是对话式多轮细化，能够在多轮交互中构建同一资产而不出现质量漂移。第三种是基于参考的构图，团队提供品牌套件和示例资产，模型生成符合品牌风格和主题的新作品，适用于人物、产品和环境等多种场景。

据 fal 称，Muse Image 还与 Muse Spark（Meta 的助手模型）共享工具和计划，因此一次请求即可返回动画 GIF、嵌入图像的网站以及交互式视觉输出，而非单一的静态文件。

Arena 排名与可用性

fal 表示，Muse Image 在 Arena 的文本到图像、单图编辑和多图编辑三个维度均位列前五。Meta 在推出该模型时报告称，截至 2026 年 7 月 5 日，Muse Image 在这三类的人类偏好 Elo 排名中均位居第 2 位。Meta 还称，基于相同预训练基础的配套模型 Muse Video 在文本到视频的人类偏好 Elo 排名中位列第 3。

该模型可通过 fal.ai 的交互式试玩平台和 API 使用。fal 列出了两个端点，meta/muse-image/text-to-image 和 meta/muse-image/edit，均标记为商业使用，费用为每张图像 0.01 美元。文本到图像页面强调忠实执行指令以及对文本、图表、二维码等细节的精准渲染；编辑页面则描述了仅更改用户指定内容的精确编辑、跨轮次保持一致性以及基于多张参考图像的构图能力。

Muse Image 于 2026 年 7 月 7 日首次面向消费者推出，渠道包括 Meta AI 应用 与 meta.ai、美国的 Instagram Stories，以及部分国家的 WhatsApp。通过 Meta AI 应用和 meta.ai 生成的图像会附带 Content Seal——Meta 的隐形水印系统，Meta 表示该水印在裁剪、压缩、调整尺寸和截图等操作后仍保持完整；Meta 正在预览一款检测工具，用于检查图像是否携带该水印。

fal 将自己定位为生成式媒体平台，通过统一的 API 提供图像、视频和音频模型，具备按需的无服务器 GPU 和专用计算集群，并称已有超过 250 万开发者在使用它。