Muse Spark 1.2 und Muse Code: Metas drittes Modell in vier Monaten liegt gleichauf mit Grok 4.5

Meta veröffentlichte Muse Spark 1.2 am 5. August 2026, vier Wochen nach Muse Spark 1.1 und etwa vier Monate nach dem ersten Muse Spark. Diese Version kam mit etwas, das die beiden Vorgänger nicht hatten: ein Coding-Agent von Meta selbst, Muse Code, der in der Beta-Version veröffentlicht und mit dem Modell, auf dem er läuft, gemeinsam trainiert wurde. Und auf der einen Rangliste, die weder Meta noch seine Konkurrenten kontrollieren, bringt das Release Meta in ein totes Rennen mit SpaceXAI — Muse Spark 1.2 und Grok 4.5 erzielen jetzt beide 54 Punkte auf dem Artificial Analysis Intelligence Index.

Zwei Dinge sollte man voneinander trennen, bevor irgendeine der folgenden Zahlen etwas bedeutet. Der Intelligence-Index-Score, die Latenzwerte und die Token-Anzahl stammen von Artificial Analysis, das eigene Bewertungen durchführt und die Rechnung veröffentlicht; diese sind unabhängig. Die Programmierergebnisse, mit denen Meta seine Ankündigung anführte — Terminal-Bench 2.1, DeepSWE v1.1 und ein interner Benchmark — wurden von Meta auf Metas Testumgebung durchgeführt, wobei jedes konkurrierende Modell mit seinem eigenen Agentenprodukt gekoppelt wurde. Beide Arten von Zahlen sind nützlich. Sie sind nicht dieselbe Art von Belegen, und dieser Artikel hält sie auseinander.

Was Meta tatsächlich ausgeliefert hat

Die Ankündigung, die auf Metas KI-Forschungsblog veröffentlicht und auf den 5. August datiert wurde, behandelt zwei Produkte auf einmal.

• Muse Spark 1.2 — ein auf Codierung fokussiertes Update der Muse-Spark-Familie. Meta gibt an, die Trainings-Rechenleistung für Codierungsaufgaben erhöht und die Vielfalt der Trainingsumgebungen erweitert zu haben, während die allgemeine Agentenfähigkeit beibehalten wurde, mit der die 1.1-Version beworben wurde. Die angegebenen Trainingsziele sind langfristig angelegt: Generierung ganzer Repositories, große End-to-End-Projekte und das, was Meta Auto-Research nennt – mit Planung zur Sequenzierung von Aufgaben, Zielkonditionierung zur Aufrechterhaltung der Richtung über viele Schritte hinweg und Kontextkomprimierung, um den relevanten Zustand bei langen Sitzungen zu erhalten.

• Muse Code — ein Terminal-Coding-Agent in der Beta-Phase, der mit einem einzeiligen Shell-Skript von Metas Entwicklerdomäne installiert wird. Er führt persistente asynchrone Hintergrund-Agenten, die eine Sitzung überdauern, auf einer lokalen Event-Log-Laufzeitumgebung aus, die Meta als replay-exakt und neustartsicher beschreibt, und koordiniert mehrere Unter-Agenten pro Aufgabe in isolierten Worktrees. Er wird mit drei gebündelten Skills geliefert: /plan für genehmigungspflichtige Planung, /grill zum Stresstesten bereits erledigter Arbeit und /goal um eine Aufgabe zum Abschluss zu bringen.

Die Paarung ist kein Zufall. Meta sagt, dass die beiden gemeinsam trainiert wurden – das Modell wurde anhand von rejection-sampled Trajektorien aus der Harness abgestimmt, mit Rezeptoptimierungen für Ziele, Kompaktierung und Subagenten. Das ist dieselbe Co-Training-Strategie, die Claude Code und Codex hervorgebracht hat, und sie hat eine Konsequenz für alle, die Benchmark-Zahlen lesen: Die besten Codierergebnisse des Modells wurden innerhalb der Harness erzielt, gegen die es trainiert wurde. Das ist kein Betrug, sondern so funktioniert agentische Evaluierung heute. Es bedeutet jedoch, dass ein 1,2-Punktestand, der mit einem anderen Scaffold erzielt wurde, eine offene Frage ist und keine sichere Annahme.

Der Rest der Spezifikation ist gegenüber 1.1 unverändert, die ihrerseits informativ ist. Der Kontext bleibt bei 1.048.576 Token. Reasoning bleibt über alle fünf Aufwandsstufen hinweg verpflichtend — minimal, low, medium, high, xhigh — wobei medium die Standardeinstellung ist; es gibt keine Konfiguration, bei der man die Gewichte erhält, ohne für ein gewisses Maß an Denkarbeit zu zahlen. Die Gewichte sind geschlossen, es gibt kein Hugging-Face-Repository, und Metas eigene Model API bleibt die einzige First-Party-Möglichkeit, das Modell aufzurufen.

43, dann 51, dann 54

{{1}}Artificial Analysis{{/1}} bewertet {{2}}Muse Spark 1.2{{/2}} mit {{3}}54{{/3}} Punkten im {{4}}Intelligence Index{{/4}} bei der Einstellung {{5}}xhigh reasoning{{/5}} und platziert es damit auf {{6}}Rang 13 von 185 Modellen{{/6}} gegenüber einem {{7}}Klassenmedian von 32{{/7}}. Der Index ist ein {{8}}gewichteter zusammengesetzter Wert aus neun Auswertungen{{/8}} – {{9}}GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience und AA-LCR{{/9}} – {{10}}gleichmäßig verteilt auf Agenten, Codierung, allgemeine Leistungsfähigkeit und wissenschaftliches Denken{{/10}}.

Betrachtet man die Entwicklung als Serie und nicht als Momentaufnahme, ist der Meta-Verlauf die eigentliche Geschichte. Der ursprüngliche Muse Spark erzielte im April 43 Punkte. Muse Spark 1.1 erreichte am 9. Juli 51 – ein Zuwachs von acht Punkten in einem Quartal. Muse Spark 1.2 legt in weniger als einem Monat drei weitere Punkte hinzu. Meta hat in vier Monaten 11 Indexpunkte zugelegt und liefert inzwischen schneller aus, als das Evaluations-Ökosystem mitkommen kann — es gibt immer noch keine veröffentlichte Aufschlüsselung nach einzelnen Benchmarks für 1.2 und überhaupt keinen Eintrag in Design Arena, während 1.1 beides hat.

Vierundfünfzig Punkte setzen Meta gleichauf mit Grok 4.5, dem Modell, das SpaceXAI einen Tag vor Muse Spark 1.1 veröffentlichte, und hinter einer dichten Spitzengruppe: Claude Opus 5 bei 61, Claude Fable 5 bei 60, GPT-5.6 Sol bei 59. Der Abstand nach oben beträgt sechs oder sieben Punkte. Der Abstand zu dem Stand, mit dem Meta das Jahr begonnen hat, beträgt elf. Ob sich das schließt, hängt davon ab, ob das Tempo gehalten wird, und Meta arbeitet derzeit im Vier-Wochen-Rhythmus.

Ein Gleichstand bei einem zusammengesetzten Index ist jedoch kein Gleichstand bei einer Aufgabe, und es ist wichtig zu sagen, was die 54 klärt und was nicht. Sie klärt, dass Muse Spark 1.2 bei der Gesamtfähigkeit in derselben Diskussion wie Grok 4.5 steht. Sie sagt Ihnen nicht, welches die besseren Patches schreibt, weil der Code-Subindex, der das beantworten würde, für 1.2 noch nicht veröffentlicht wurde.

Metas Codierungsnummern, sorgfältig lesen.

Metas Ankündigung führt in drei Diagrammen. Bei den eigenen Läufen, angegeben als pass@1 über fünf Versuche, wobei jedes konkurrierende Modell mit seinem eigenen Agentenprodukt gepaart wird:

• Terminal-Bench 2.1 — 82,9 % für Muse Spark 1.2, gestiegen von 76,2 % bei 1.1. Claude Opus 5 liegt mit 86,7 % vorn.

• DeepSWE v1.1 — 59,3 %, gestiegen von 53,0 %.

• Metas interner Programmier-Benchmark — 70,6 %, gestiegen von 68,3 %.

Die Deltas sind der glaubwürdige Teil. Ein Zuwachs von 6,7 Punkten bei Terminal-Bench und 6,3 bei DeepSWE – einen Monat auseinander auf dieselbe Weise und mit demselben Harness vom selben Team gemessen – ist eine vernünftige Einschätzung, wie viel 1.2 gegenüber 1.1 bei dem, was Meta optimiert hat, verbessert wurde. Die anbieterübergreifende Platzierung ist der Teil, den man nicht zu ernst nehmen sollte: Die Harness-Kopplung ist eine große freie Variable, und ein Labor, das sein eigenes Harness neben seinem eigenen Modell abstimmt, ist nicht in der Lage, die Harnesses aller anderen gleichermaßen gut abzustimmen. Meta war auf seiner eigenen Folie Zweiter, was zumindest nicht dem üblichen Muster eines Anbieter-Benchmarks entspricht, aber kein Dritter hat irgendetwas davon zum Zeitpunkt dieses Schreibens reproduziert.

Die zweite Preisliste

Das Bedeutsamste an diesem Release ist nicht in den Benchmark-Diagrammen zu sehen. Muse Spark 1.2 wird mit zwei Preislisten ausgeliefert.

• Standard-Stufe — 1,25 $ pro Million Eingabe-Tokens, 0,15 $ pro Million bei Cache-Treffer, 4,25 $ pro Million Ausgabe-Tokens. Gegenüber 1.1 bis auf den Cent unverändert. Ratenlimit bei etwa 3.000 Anfragen pro Minute. Web-Search-Grounding wird separat mit 2,50 $ pro tausend Abfragen abgerechnet.

• Beitragenden-Tarif — $0.10 Eingabe, $0.002 Cache-Eingabe, $0.20 Ausgabe. Das ist 12.5× günstiger bei der Eingabe und 21.25× günstiger bei der Ausgabe. Der Preis dafür ist die Erlaubnis für Meta, zukünftige Modelle mit deinem Datenverkehr zu trainieren, sowie ein Limit von 60 Anfragen pro Minute — 2% des Standardbudgets.

Bei 0,10 und 0,20 Dollar würde Muse Spark 1.2 nahezu jedes Frontier-nahe Modell auf dem Markt unterbieten, einschließlich der Budget-Stufe mit offenen Gewichten, der es preislich sonst unterlegen ist. Das ist die interessante Zahl bei diesem Launch, und es ist nicht wirklich eine Preisentscheidung. Sechzig Anfragen pro Minute schließen für sich genommen die meisten Produktions-Fan-out-Muster aus; die Stufe zielt also eher auf Experimente und Arbeit in kleinen Teams ab als auf das Serving. Und „wir dürfen auf Ihrem Datenverkehr trainieren“ ist eine Frage für diejenigen, die in Ihrer Organisation die Data Governance freigeben, nicht für diejenigen, die Modelle auswählen. Behandeln Sie es als eine Rechtsprüfung mit Rabatt, nicht als eine günstigere SKU.

Was die 54 in der Herstellung kostet

Artificial Analysis veröffentlicht, was die eigenen Evaluierungsläufe kosten, und in dieser Spalte zeigt sich die Form von Muse Spark 1.2. Das Absolvieren der Neun-Benchmark-Suite kostete 637,85 $ und verbrauchte 95 Millionen Ausgabe-Token, gegenüber 548,07 $ und 94 Millionen für Muse Spark 1.1 – bei identischer Preisgestaltung pro Token. Die zusätzlichen 16 % sind reine Überlegung.

Die Latenzwerte bewegen sich in dieselbe Richtung. Bei xhigh gemessen, beträgt die Zeit bis zum ersten Token für 1.2 26,12 Sekunden gegenüber 2,90 Sekunden für 1.1, und die Ausgabegeschwindigkeit sinkt von 213,5 auf 165,0 Token pro Sekunde. Meta erkaufte sich drei Indexpunkte mit Denkzeit, und das Design mit verpflichtendem Reasoning bedeutet, dass man den Kauf nicht ablehnen kann — nur wählen, wie viel davon man in Anspruch nimmt.

Diese 26-Sekunden-Zahl wird falsch zitiert werden, deshalb hier vorab die Korrektur: Es handelt sich um eine Messung auf der teuersten Anstrengungsstufe, die das Modell bietet, und die API verwendet standardmäßig mittel. Als Referenzpunkt aus echtem Datenverkehr statt aus einer Benchmark-Umgebung zeigt Muse Spark 1.1, bereitgestellt über OrcaRouter – unabhängig davon, welche Anstrengungsstufe Aufrufer tatsächlich anfordern – über 7 Tage einen p50-Wert für die Zeit bis zum ersten Token von 1,84 Sekunden und einen p95-Wert von 6,00 Sekunden, bei 519 Tokens pro Sekunde und einer Fehlerrate von null. Benchmark-Latenz bei maximaler Anstrengung und Produktionslatenz bei Standard-Anstrengung sind unterschiedliche Größen, und sie unterscheiden sich normalerweise um eine Größenordnung. Betrachten Sie 26,12 s als Obergrenze für tiefgehendes Denken, nicht als die tatsächliche gefühlte Latenz einer Anfrage.

Wo Sie es heute anrufen können

Muse Spark 1.2 wird über Metas eigene Model-API bereitgestellt und zum Zeitpunkt des Schreibens nirgendwo sonst — es wurde bei der Markteinführung nicht über OpenRouter geroutet, es gibt kein Hugging-Face-Repository, und es ist nicht im OrcaRouter-Katalog. Muse Spark 1.1 hingegen schon, für 1,25 $ und 4,25 $ — dieselben Beträge, die Meta verlangt, denn OrcaRouter erhebt 0 % Aufschlag und reicht den Listenpreis des Anbieters unverändert weiter.

Das ist für den Vergleich wichtiger als für das Modell selbst. Wenn Sie ein Kostenmodell für dieses Release erstellen, sind die Modelle, gegen die Sie es vergleichen würden — Claude Opus 5, Claude Fable 5, GPT-5.6 Sol, Grok 4.5, DeepSeek V4 Flash — über einen einzigen Schlüssel zum Listenpreis verfügbar, sodass die Zahl in Ihrer Tabelle der Zahl auf der Rechnung entspricht und eine Preissenkung des Anbieters am selben Tag wirksam wird statt erst nach einer Verlängerung. Für Muse Spark 1.2 im Speziellen lautet die Antwort heute: Metas Endpoint, ein zweiter Vertrag und eine separate Rechnung.

Was die Ankündigung nicht beantwortet hat

• Keine unabhängige Coding-Kennzahl. Artificial Analysis veröffentlicht einen Composite-Wert für 1.2, aber noch nicht die Coding- und Agentic-Teilindizes, die es für 1.1 veröffentlicht hat (71,3 bzw. 37,5). Da agentische Arbeit bei 1.1 mit großem Abstand die schwächste Dimension war und agentisches Coding genau das ist, was 1.2 behauptet, behoben zu haben, wäre diese Zahl diejenige, die die Veröffentlichung entscheiden würde.

• Keine Reproduktion der Ergebnisse des Testrahmens. Alle Coding-Kennzahlen in der Ankündigung stammen aus Meta-Läufen. Niemand hat bisher Muse-Spark-1.2-Ergebnisse aus einem neutralen Gerüst veröffentlicht.

• Keine multimodale Verifikation. Die Muse-Spark-Listung bewirbt Text-, Bild-, Video-, Audio- und PDF-Eingaben. Die unabhängige Bewertung umfasst Text und Bild. Metas 1.2-Messaging hat sich fast vollständig auf Softwarearbeit verlagert, und der Mixed-Media-Anwendungsfall 1.1, der ausdrücklich für den Moment verkauft wurde, hat weder Marketing noch Messung dahinter.

• Keine Durchsatzhistorie. Das Volumen am Endpunkt ist noch zu niedrig, als dass sich die üblichen rollierenden Latenzstatistiken aufbauen könnten.

Was Sie in den nächsten vier Wochen sehen sollten

Drei Dinge werden entscheiden, ob diese Veröffentlichung das ist, was Meta behauptet. Das erste ist ein unabhängiger agentischer Score für 1.2 – wenn sich der Teilindex, der bei 1.1 37,5 betrug, erheblich verändert hat, ist das Coding-Argument real. Das zweite ist, ob jemand das Terminal-Bench-Ergebnis außerhalb von Muse Code reproduziert; ein Modell, das nur in seiner eigenen Testumgebung gute Leistungen erbringt, ist ein Produkt, keine Fähigkeit. Das dritte ist, was mit der Contributor-Stufe passiert: Wenn die Obergrenze von 60 Anfragen gelockert wird, verändert ein Modell nahe der aktuellen Spitze für 0,10 $ Input und 0,20 $ Output die Rechnung der Budget-Stufe in einer Weise, die ein Indexgewinn von drei Punkten niemals bewirken würde.

Und wenn der Rhythmus hält, ist Muse Spark 1.3 Anfang September fällig. Angesichts dieser Hinweise ist die Zahl, auf die man beim Erscheinen achten sollte, nicht der Indexwert. Es ist die Frage, ob Meta neue Funktionen hinzufügen kann, ohne jeder Anfrage weitere zwanzig Sekunden Denkzeit voranzustellen.