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）