Meta Muse Spark 1.3 发布
Meta 发布了 Muse Spark 1.3，这是一款专门为长程智能体工作流（long-horizon agentic workflows）和高性能竞技编程设计的模型。此次发布重点在于提高首次尝试的准确率、可靠的工具调用以及原生多模态感知能力，使其在编程任务中成为前沿模型的有力竞争者。
高性能编程与智能体工作流
Muse Spark 1.3 旨在处理复杂的、需要跨长周期追踪上下文和先前结果的多步推理任务。与标准的 LLM 不同，该模型经过微调，能够处理混乱或冲突的输入，并在必要时主动要求澄清，以减少工作流中不必要的轮次。
关键技术能力包括：
- 智能体优化：针对长程任务进行了优化，使模型能够充当开发伙伴或编程智能体的核心。
- 竞技编程：针对更整洁的输出和更高的首次尝试准确率进行了微调，在多项编程评估中表现出与前沿模型相当的竞争力。
- 原生多模态感知：模型可以感知视频、图像和文档。其视觉推理是通过真实的执行环境而非脚本化步骤执行的，这使其能够根据截图或视频片段构建软件。
基准测试与性能
根据社区报告和提供的数据，Muse Spark 1.3 在编程基准测试中表现出了强劲的结果。具体而言，它取得了 75.4 的 DeepSWE 分数，用户指出这是一个顶尖水平的分数。此外，一些用户报告称，Muse Spark 1.3 Max 在 Artificial Analysis Intelligence Index 上已经超越了 OpenAI 的最佳模型。
定价与数据隐私层级
Meta 为 Muse Spark 1.3 引入了透明的分层定价结构，明确将成本与数据隐私挂钩。该模型主要有两个版本：
| Model | Context Window | Input (per Mtok) | Cached Input (per Mtok) | Output (per Mtok) | Data Usage |
|---|---|---|---|---|---|
muse-spark-1.3-contributor |
1M | $0.10 | $0.002 | $0.20 | Used to improve Meta products |
muse-spark-1.3 |
1M | $1.25 | $0.15 | $4.25 | Not used to improve Meta products |
“contributor”层级为允许 Meta 使用其数据进行训练的用户提供了大幅折扣（约 20 倍），这一举措因其透明度受到了部分人的称赞，但也因被视为变现用户数据的方式而受到了批评。
开发者生态系统与工具
Meta 提供了多种部署和集成 Muse Spark 1.3 的方式：
- Muse Code：专为 Muse Spark 构建的终端多智能体编程框架。
- Meta Model API：一个与 OpenAI SDK 兼容的自助式 API。
- OpenRouter：用于将模型集成到现有工作流中的集成方式。
Meta 还发布了几个“cookbook”以展示高级智能体能力，包括多智能体编排（从一行想法创建一个 SaaS 应用）、智能体扇出（parallel worktrees）、计算机使用（赋予模型“眼睛和双手”来构建软件）以及用于实时网络访问的搜索接地（search grounding）。
社区见解与不同观点
开发者对 Muse Spark 1.3 的反馈褒贬不一，但对其速度和成本效益普遍持积极态度。
"I started using Spark 1.2 for development... it felt like it knew its weaknesses and didn't try to impose its opinions on me... it did what I told it and if there was something unexpected in the code that it put out it was often because I gave it ambiguous or conflicting instructions."
一些用户对模型在某些路径上过度拟合的倾向表示担忧，或者认为它可能还不是每个用例的绝对最先进（SOTA）水平，一些用户引用 Gemini 3.8 Flash 或 Sol 模型作为特定场景下的更优替代方案。其他人则强调了对 Meta 公司历史的伦理道德担忧，这影响了他们选择模型提供商时的决策。
Sources
相关
- Dispatch
- Dispatch
- Dispatch
- Dispatch
- Dispatch