Meta Muse Spark 1.2 研究：1M 視窗、MCP 90.3% 與最透明的 Contributor 定價（含 HN 社群反應）

一句話總結

為「跑一整天的大重構」而生，與 Muse Code 共訓、1M 窗口一口氣跑完，MCP 工具調度目前業界第一。

Meta Superintelligence Lab 第三代 Muse 系列，2026-08-05 發佈，coding-focused update。1M context 推理模型，與 Muse Glimmer 30B 同源但定位相反：Spark 1.2 是閉源旗艦（API only），Glimmer 是其開源蒸餾本地版。

基本資訊

項目	內容
開發者	Meta Superintelligence Lab
發佈日	2026-08-05（與 Muse Code beta 同日）
家族	Muse Spark 1.0 (2026-04-08) → 1.1 (2026-07) → 1.2
License	Proprietary（閉源 API）；開源權重「coming weeks」已宣佈、截至 2026-09-03 尚未釋出
參數量	未公開
架構	推理模型 mandatory thinking
Context	1,048,576 tokens（1M）
輸入模態	text / image / video / audio / PDF
Reasoning effort	minimal / low / medium / high / xhigh，medium 預設
API ID	muse-spark-1.2 / muse-spark-1.2-contributor
可用管道	Muse Code、Meta Model API、OpenRouter

架構與訓練

Co-training with Muse Code：從 day 1 把 Muse Code 放進訓練迴圈 — rejection-sampled harness trajectories、goal/compaction/subagent recipe 優化、直接整合 toolset。跨多 harness 訓練保留泛化能力。
Self-improvement loop：用 Spark 1.1 生成更難的 coding 環境 + 指令模板 → 自評 → 篩高品質資料訓練 1.2。
Long-horizon：whole-repo generation、大型端到端專案、auto-research；planning + goal conditioning + context compaction + async/parallel tool calls。

Muse Code（Beta）

特性	說明
安裝	`curl -fsSL https://dev.meta.ai/install.sh \| bash` → `muse`
Async Background Agents	常駐背景 agent，自行決定何時回報主 agent
Event Log	本地 JSONL，replay-exact，crash 後 `muse resume` 續跑
Fan-out 隔離	每子 agent 獨立 git worktree，平行不衝突
Bundled Skills	/plan /grill /taste /goal，皆 explicit-invocation

Benchmarks

⚠️ 判讀陷阱：官方 TB 2.1 / DeepSWE 是「模型+自家 agent」系統分數，且 Spark 1.2 與 Muse Code 是 co-trained，換 harness 掉 2-3 點。

Meta 自測（5 attempts 平均 pass@1）

Benchmark	1.2	1.1	Opus 5	Terra
Terminal-Bench 2.1	82.9%	76.2%	86.7%	81.8%
DeepSWE 1.1	59.3%	53.0%	65.0%	64.8%
Meta Internal (440 PR)	70.6%	68.3%	79.4%	65.4%
GDPVal-AA v2 Elo	1631	1371	1852	1577
MCP Atlas	90.3%	88.1%	85.8%	—

獨立第三方（Artificial Analysis）

指標	分數	備註
Intelligence Index	54	#13/185，追平 Grok 4.5；1.1=51、1.0=43
GDPVal Elo	1631	#5 overall，+260 vs 1.1
TB 2.1 獨立	80%	vs 官方 82.9%（harness 效應 2.9 點）
Vals Index	71.88%	#5/45，$0.69/test 最便宜

定價

Model ID	Input	Cached	Output	限制
muse-spark-1.2-contributor	$0.10	$0.002	$0.20	rolling 5h token 限流
muse-spark-1.2	$1.25	$0.15	$4.25	pay-as-you-go

Contributor 是目前最激進的 frontier-adjacent 定價；thinking tokens 計為 output。零資料保留可向 Meta sales 申請。

Hacker News 社群反應（2026-09-03）

來源：HN 當日 #1 Muse Spark 1.3 — 355 pts / 244 comments（含大量 1.2 回顧），對照 1.2 首發 333 pts / 266c。

正面

像工具而非意見領袖最獲共鳴：@superfrank 稱 1.2 knows its weaknesses, just acted like a tool — what I want 90%+ of the time，擔憂 1.3 為 benchmark 變 over-helpful。
性價比：@majerep best free model on OpenCode；@WASDx 逆向重寫老遊戲 quite good and fast；contributor 被評 20x discount（@jumploops）、practically free for hobbyists（@7734128）。
價格透明度：@jmward01 稱 first quantifiable number 能量化「拿你 tokens 訓練」的價值；@apodolny reasonable and transparent。
Simon 鵜鶘 SVG：同 prompt 1.3 4.2¢/38s 畫質勝 1.2（better frame/wing/hat），xhigh 7.5¢/1m34s。

質疑

天花板仍落後 frontier：Fast and cheap but Terra felt much more capable（@Gecko4072）；web app 出錯回 Claude/Kimi（@mromanuk）；bug 上會 loop thought summaries（@WASDx）。
benchmaxxing：But is the score really reflective?（@cbg0）；terrible smart summaries（@bermudi）。
隱私：Extracted AWS keys from contributor models?（@0xbadcafebee）；貢獻版易被拿去跑無訓練價值的 batch（@2001zhaozhao）。
鵜鶘測試已飽和：saturated and meaningless（@gpt5）。
生態遷移難：less than 6 months behind frontier, only SOTA would make devs switch（@wrsh07 / @gehsty）。

評價與定位

定位：非 frontier 王，是長程 coding agent 的性價比王（contributor + MCP 第一 + 1M 窗口）。
優勢：MCP 90.3% 第一、1M + compaction、event log / worktree 隔離最完整、$0.10/$0.20 顛覆預算。
弱勢：純 coding 增幅溫和（內部僅 +2.3）、SciCode 退步、harness 耦合、無開源權重、參數未公開。
風險：開源權重無日期/license，co-train 依賴是長期風險。

部署

curl -fsSL https://dev.meta.ai/install.sh | bash
muse
# /model to muse-spark-1.2-contributor
# /effort high

完整研究頁：models/meta-muse-spark-1.2.md（vault）