Meta发布Muse Spark 1.1：低成本高价值智能体模型

Meta近期在大模型赛道推出了全新动作，旗下视觉语言模型Muse Spark 1.1以及配套的Meta Model API正式发布，这也是该公司首次以付费形式开放模型访问服务。此前凭借Llama系列，Meta已经将自己定位为OpenAI的开放替代方案，而此次推出的闭源模型，则进一步将品牌形象调整为低成本高价值的市场竞争者。

本次发布的Muse Spark 1.1是专门针对智能体任务训练优化的视觉语言模型，其输入支持文本、图像和视频，最大可处理1048576个token；输出为文本内容，最大支持131072个token，生成速度可达每秒119个token。

该模型具备多项实用功能，包括工具调用、Prompt缓存以及可调节的推理级别，涵盖无、最低、低、中、高、超高六个档位。

在性能表现上，Muse Spark 1.1在工具使用排行榜MCP Atlas和JobBench中位居第一；在Artificial Analysis的Intelligence Index榜单上，与GPT-5.6 Luna和GLM-5.2并列，同时保持了较低的单任务成本。

用户可以通过Meta AI应用和meta.ai免费使用该模型；API版本目前处于公开预览阶段，仅限美国地区使用，需要加入等待名单，新用户可获得价值20美元的初始使用额度。具体收费标准为：每百万输入token 1.25美元，每百万缓存token 0.15美元，每百万输出token 4.25美元，网络搜索功能每1000次查询收费2.50美元。值得注意的是，Meta并未披露该模型的参数数量、模型架构、训练数据以及训练方法。

Meta并未公开过多Muse Spark 1.1的构建细节，该模型是对今年4月推出的初代Muse Spark的升级，后者此前作为Meta AI背后的核心模型运行。本次升级的训练技术重点集中在上下文管理、计算机操作以及多智能体协调三个方面。

首先，模型经过训练后可以适配多个面向智能体编程的运行框架，这类框架可以将模型连接到文件、工具和测试环境，同时支持任务规划和子智能体编排等功能。其次，模型具备双向委派能力，当作为主导模型时，可以拆分任务并分派给多个子智能体并行执行，缩短整体完成时间；当作为下级智能体时，则会遵循分配的角色，在决策超出权限时将控制权交还给上层编排模型。

此外，模型自身可以在长时间任务过程中自动调整输入上下文，能够检索任务早期的细节信息，压缩中间的交互内容，同时保留后续步骤所需的关键内容。针对计算机操作场景，模型可以在自动化脚本编写和直接操作（如点击、虚拟键盘输入）之间自主选择，采用更快捷或简单的执行方式，还支持一次执行多个操作，进一步提升运行速度和性能。

Muse Spark 1.1在智能体工具使用相关的基准测试中表现亮眼，但在整体智能水平上仍略逊于顶级模型。在人工盲测对比中，其排名仅稍低于领先模型，而在智能体编程能力方面则处于中游水平，不过其单任务成本优势尤为突出。

在Artificial Analysis的Intelligence Index榜单中，开启xhigh推理模式的Muse Spark 1.1获得51分，与开启最高推理模式的GLM-5.2和GPT-5.6 Luna持平，仅落后于Claude Sonnet 5的53分。该模型在该榜单上的单任务成本为0.26美元，除了GPT-5.6 Luna的0.21美元之外，在所有得分不低于它的模型中，其运行成本是最低的。

在Arena.ai的Text Arena榜单中，Muse Spark 1.1以1490 Elo排名第六，排在Claude Fable 5（1505 Elo）和四个Claude Opus版本之后，同时略高于开启xhigh推理模式的GPT-5.6 Sol（1486 Elo）。

在Artificial Analysis的Coding Agent Index榜单中，开启xhigh推理模式的Muse Spark 1.1获得71.3分，仅落后于GPT-5.6 Luna的71.4分，高于开启中等推理模式的Gemini 3.5 Flash的70.1分。其单任务成本约为1.40美元，属于参与对比的编程智能体中成本最低的一档，但完成每项任务所需的时间比其他模型更长。

在MCP Atlas榜单中，Muse Spark 1.1的通过率为88.1%，高于开启高推理模式的Gemini-3.5-Flash的83.6%和Claude Fable 5的83.3%。在JobBench榜单中，其得分54.7%排名第二，高于Claude Opus 4.8的48.4%，仅次于Claude Fable 5的57.4%。

Muse Spark 1.1的发布正值大模型密集推出的时期。发布当天，OpenAI向公众开放了GPT-5.6系列模型；前一天，Grok 4.5正式发布，该模型同样强调较低的单任务成本。两周后，Google又推出了Gemini 3.6 Flash和Gemini 3.5 Flash-Lite。在同一周内，Meta还推出了图像生成模型Muse Image，并宣布了视频生成模型Muse Video的研发计划。本次发布的Muse Spark 1.1也是首个通过Meta全新推出的Model API提供访问服务的模型。

Token的定价水平决定了哪些应用能够实现规模化的经济可行，而Muse Spark 1.1的推出改变了这一行业门槛。该模型的输出token成本仅为竞品的一小部分，例如Claude Opus 4.8、GPT-5.6 Sol和Claude Fable 5的输出token价格分别为每百万25美元、30美元和50美元，而Meta的定价仅为每百万4.25美元。单任务成本的实测数据也验证了这一价格优势，根据Artificial Analysis的统计，仅有GPT-5.6 Luna这一款智能水平相近的模型运行成本更低。

Meta首席执行官马克·扎克伯格将这一价格策略描述为对竞争对手商业模式的攻击，他表示其他实验室的定价“非常极端，而且利润率非常高”。与谷歌类似，Meta可以利用广告收入补贴模型的开发、训练和推理成本，这与那些主要依赖API利润和订阅收入生存的实验室相比，具备结构性的成本优势。如果其他竞争对手为了维护市场份额而被迫跟进降价，那么整个行业运行智能体的成本都将出现下降。

当前大模型的能力正在不断从外围支撑系统迁移到模型权重本身。最初，指令遵循能力依赖于提示工程，工具使用功能则是通过包裹在模型外围的代码实现的，而如今这两项能力都已经成为模型训练目标的一部分。Muse Spark 1.1延续了这一趋势，将开发者过去需要通过外围支撑系统实现的行为，例如向其他智能体委派任务、升级处理以及在任务过程中管理上下文，都集成到了模型本身。开发者需要手工构建的外部工具越少，智能体应用的普及速度就会越快。