Meta Muse Spark 1.1 – Test : Toujours le plus rapide, mais plus le moins cher

Pendant quatre semaines, l'argument en faveur de Meta Muse Spark 1.1 relevait de l'arithmétique. 1,25 $ par million de jetons en entrée, 4,25 $ en sortie, pour un modèle nativement multimodal qui exécutait des outils mieux que presque tout ce qui se rapprochait de son prix. Puis, le 5 août 2026, Meta a lancé Muse Spark 1.2 aux côtés de Muse Code — son premier agent de codage en terminal — et a ajouté au nouveau modèle quelque chose que la 1.1 n'avait jamais eu : un palier contributeur à 0,10 $ en entrée et 0,20 $ en sortie. Douze fois moins cher en entrée, vingt et une fois moins cher en sortie, en échange de quoi Meta peut s'entraîner sur vos invites. Le prix de Muse Spark 1.1 n'a pas bougé d'un centime. Sa position, si.

Voilà le cadre honnête pour examiner ce modèle maintenant. Muse Spark 1.1 n'a pas été abandonné, n'a pas changé de prix, et reste le plus rapide et le mieux documenté des deux points de contrôle de raisonnement de Meta — mais ce n'est plus le moyen le moins cher de louer un modèle Meta, et l'agent que Meta pousse le plus fort ne tourne pas dessus. Cette revue couvre ce qu'est 1.1, ce dans quoi il est mesurablement bon, ce que le lancement d'août a changé, et l'ensemble plus restreint de tâches où il reste le bon choix. Lorsqu'un chiffre provient des propres évaluations de Meta, la phrase le dit ; lorsqu'il provient d'Artificial Analysis ou du trafic de production, elle le dit aussi.

Verdict rapide

• Ce que c'est — un modèle de raisonnement nativement multimodal (texte, image, vidéo, PDF et audio en entrée, texte en sortie) avec un effort de raisonnement configurable, conçu pour exécuter des outils et piloter un ordinateur. Poids fermés, servi par Meta.

• Prix — $1.25 en entrée / $4.25 en sortie par million de jetons, $0.15 en cas de cache hit. Inchangé depuis le lancement, et toujours environ un quart du prix de sortie de GPT-5.6 Sol ($5/$30) et un sixième de celui de Claude Opus 4.8 ($5/$25).

• Intelligence — 51 sur l'Artificial Analysis Intelligence Index, rang #22 sur 185 dans sa catégorie, contre une médiane de classe de 32. Une mesure indépendante, pas une affirmation de Meta.

• Force — utilisation d'outils et raisonnement agentique, ainsi qu'une vitesse réelle : 213,5 tokens de sortie par seconde, qu'Artificial Analysis classe n°2 sur 185.

• Faiblesse — le raisonnement pur et le codage brut sont dans la moyenne, le rappel en contexte long n'est pas à la pointe, et c'est verbeux : 94M de jetons de sortie pour compléter l'Intelligence Index contre une médiane de 65M.

• Le nouveau bémol — Muse Spark 1.2 obtient maintenant trois points de plus et, sur son palier contributeur, coûte vingt fois moins cher. L'avantage restant de la 1.1 est la latence, et il est de taille.

Ce que Meta a publié le 5 août — et ce que cela a fait à la version 1.1

Muse Code est un agent de codage en terminal, actuellement en bêta, qui s'installe à partir d'un script shell d'une ligne sur macOS et Linux (pas de build Windows) et s'exécute comme muse, un binaire. Il prend en charge des tâches complètes de génie logiciel sur de grands dépôts : planifier le changement, écrire le code, valider le résultat. L'argumentaire de Meta est la cohésion architecturale — l'agent et le modèle ont été entraînés ensemble plutôt que boulonnés l'un à l'autre — et la liste de fonctionnalités cible directement Claude Code et Codex : des agents en arrière-plan qui continuent de travailler après la fermeture du terminal, la reprise à partir du journal d'événements, des arbres de travail parallèles pour les sous-agents, et un bac à sable OS avec des approbations activées par défaut. La démo publiée par Meta est une boucle d'optimisation de noyau GPU exécutant plus de 1 000 appels d'outils sur une durée pouvant atteindre 24 heures sur du matériel NVIDIA Hopper.

Muse Code exécute Muse Spark 1.2, et non 1.1. C'est la première conséquence pratique pour quiconque lit cette critique : si vous voulez l'agent de Meta, vous êtes sur le nouveau point de contrôle.

La deuxième conséquence est la tarification, et c'est la plus intéressante. Meta a publié la 1.2 avec deux identifiants de modèle distincts plutôt qu'un seul :

• Standard (muse-spark-1.2) — 1,25 $ en entrée, 0,15 $ en entrée en cache, 4,25 $ en sortie par million de jetons. Identique à Muse Spark 1.1. Meta s'engage à ce que les invites et les complétions de ce niveau ne soient pas utilisées pour améliorer ses produits.

• Contributeur (muse-spark-1.2-contributor) — entrée à 0,10 $, entrée en cache à 0,002 $, sortie à 0,20 $. En échange, vous accordez à Meta l’autorisation d’entraîner de futurs modèles sur vos prompts et complétions.

• Muse Spark 1.1 — il n'existe pas de palier contributeur. Il reste au tarif standard, et Meta n'a annoncé aucune dépréciation.

Le propre cadrage de Meta pour le palier contributeur est qu'il est « plus de 10 fois moins cher que le palier pay-as-you-go lui-même », ce qui est en deçà de la réalité : les multiples réels sont de 12,5× sur l'entrée et de 21,25× sur la sortie, avec une entrée en cache à 0,002 $, soit un prix quasi nul. C'est ce titre de « prix bas » que le lancement a généré, et il revient à 1.2 seul.

L'histoire du prix, réécrite.

Avant de réécrire votre budget autour de 0,20 $ de jetons de sortie, lisez le reste des conditions du palier contributeur, car ce sont elles qui le rendent bon marché. Les limites de débit passent de 3 000 requêtes par minute documentées sur le palier standard à 60 sur le palier contributeur — un plafond qui permet à un développeur d'expérimenter sur un ordinateur portable et interdit une flotte d'agents en production. Et l'échange de données n'est pas une formalité : vos invites et les réponses de votre modèle deviennent des données d'entraînement. Pour quiconque traite des données clients, du code propriétaire ou toute autre chose soumise à une obligation de confidentialité, le palier contributeur n'est pas une version moins chère du même produit ; c'est un produit différent. Meta l'a reconnu lors du même lancement en ajoutant une option de conservation zéro des données pour les clients entreprises sur la voie payante.

Donc la comparaison honnête n'est pas « 1.1 à 4,25 $ contre 1.2 à 0,20 $ ». C'est : au prix standard, les deux modèles coûtent exactement la même chose, et 1.2 est celui qui obtient le meilleur score. Le palier à 0,20 $ est une offre réelle et agressive, mais elle vise les particuliers et les expériences, et elle n'est disponible que sur le modèle le plus récent.

Ce qui détermine réellement la facture sur l'un ou l'autre modèle, c'est la mise en cache, pas le tarif affiché. Prenons une étape d'agent représentative : 60 000 tokens de contexte de dépôt ou de document en entrée, 3 000 tokens de plan-et-réponse en sortie. À froid, cela donne 0,075 $ d'entrée plus 0,013 $ de sortie — environ 8,8 cents, soit 88 $ pour mille étapes. Si l'on garde le préfixe de contexte stable pour qu'il atteigne le cache à 0,15 $ par million, le coût d'entrée chute à 0,009 $, ce qui ramène l'étape à environ 2,2 cents et la série de mille étapes à 22 $. Une variation de 75 %, entièrement contrôlée par le fait que votre framework d'agent réutilise un préfixe stable ou reconstruit le prompt à chaque tour. Si vous ne deviez retenir qu'une seule action d'ingénierie après cette lecture, choisissez la stabilité de la clé de cache plutôt que la sélection du modèle.

Une note structurelle sur l'endroit où vous le louez. Muse Spark 1.1 figure dans le catalogue OrcaRouter à 1,25 $ et 4,25 $ avec une lecture de cache à 0,15 $ — les mêmes chiffres que facture Meta, car OrcaRouter applique une marge de 0 % et transmet directement le prix catalogue du fournisseur, de sorte qu'un changement de prix du fournisseur arrive ici le jour où il arrive là-bas. Muse Spark 1.2 n'est pas encore dans le catalogue et est servi directement par Meta. Cela compte pour la comparaison que vous êtes probablement sur le point d'exécuter : GPT-5.6 Sol, Claude Opus 4.8, Grok 4.5 et Gemini 3.1 Pro se trouvent tous derrière une seule clé au prix catalogue, vous pouvez donc les comparer à Muse Spark 1.1 sur un seul ensemble d'évaluation sans deuxième contrat, et le nombre dans votre feuille de calcul est le nombre sur la facture.

Ce qu'est réellement Muse Spark 1.1

Muse Spark est la gamme de raisonnement phare de Meta Superintelligence Labs, le groupe que Mark Zuckerberg a mis sur pied sous la direction d'Alexandr Wang. Cela marque un revirement stratégique : alors que les modèles Llama de Meta étaient à poids ouverts, la famille Muse — Spark, ainsi que les générateurs d'images et de vidéos — est fermée et fournie sous forme de produit et d'API. Spark 1.0 est arrivé le 8 avril 2026 ; la version 1.1 a suivi le 9 juillet, parallèlement à l'aperçu public de l'API Meta Model. Le changement concret pour les développeurs est que Meta est désormais un fournisseur d'API de première partie, en concurrence directe avec les deux fournisseurs d'API établis, et non plus seulement un éditeur de poids — et le lancement le 5 août d'un agent de codage en est la confirmation la plus claire à ce jour.

Version 1.1 a constitué un bond substantiel plutôt qu'une simple mise à jour incrémentale. Sur Artificial Analysis, elle a gagné huit points d'indice d'intelligence en trois mois, passant de 43 à 51. Son indice de codage a augmenté de 12 points pour atteindre 71, SciCode s'est amélioré à 58 %, et Humanity's Last Exam est passé à 45 %. Meta a déclaré que les plus grandes avancées concernaient l'utilisation d'outils, l'utilisation de l'ordinateur, le codage et la compréhension multimodale — ce qui est cohérent avec un modèle conçu pour agir plutôt que pour simplement répondre.

En ce qui concerne le contexte, la confusion précédente s'est dissipée : Artificial Analysis et OrcaRouter listent tous deux la fenêtre à 1 048 576 tokens, et Meta décrit une fenêtre que le modèle compacte activement. Cependant, détenir un million de tokens ne revient pas à pouvoir les rappeler, et le score de récupération en contexte long de 1.1, d'environ 54,1, indique que le rappel est ordinaire. Traitez la fenêtre comme une capacité, pas une garantie.

Effort de raisonnement : Instantané, Contemplation, et le cadran en dessous

Sur l'interface grand public de Meta, Muse Spark expose deux modes nommés : Instant answers, qui répond immédiatement sans raisonnement étendu, comme un tour de chat standard ; Contemplating exécute plusieurs agents en parallèle grâce à une technique de « compression de la pensée » empruntée à l'apprentissage par renforcement, et Meta le positionne face à DeepMind Deep Think et GPT-5.4 Pro pour les travaux scientifiques et analytiques exigeants. Via l'API, la même capacité apparaît comme un paramètre configurable d'effort de raisonnement — Artificial Analysis publie ses scores au réglage xhigh du modèle, le plus coûteux qu'il expose.

Traitez ce curseur comme un levier de coût, et non comme un réglage de qualité. Le raisonnement par agents parallèles consomme bien plus de jetons qu'un passage unique, et les chiffres de référence que vous avez lus ont été obtenus avec un effort maximal. Par défaut, optez pour le niveau le plus bas lors des appels courants et réservez l'effort élevé aux cas où une première réponse erronée coûte cher.

Comment il est noté : solide avec outils, milieu de peloton sans.

La façon la plus claire de lire Muse Spark 1.1 est de comparer les modes avec et sans outils. Avec outils, il mène les tests agentiques : MCP Atlas 88,1 contre 82,2 pour Claude Opus 4.8, JobBench 54,7 contre 48,4, Legal Agent Bench 20,0 contre 12,9 pour Grok 4.5, et pour Humanity's Last Exam avec outils, 62,1 contre 57,9. Sans outils, il est ordinaire — le score brut de Humanity's Last Exam se situe autour de 45, bien derrière les quelque 77 de Gemini 3.1 Pro sur le même test.

En précision d’exécution, il est également à la traîne des leaders : OSWorld-Verified computer use 80.8 contre 83.4 pour Opus 4.8, SWE-Bench Pro coding 61.5 contre 69.2, DeepSWE 1.1 long-horizon coding 53.3 contre 67.0 pour GPT-5.5, et BabyVision visual reasoning 76.3 contre 83.6. Bon nombre de ces chiffres sont fournis par les éditeurs, plusieurs proviennent des propres évaluations de Meta, et ils s’appuient sur des bancs de test différents — à lire comme des indications et à re-tester sur vos propres tâches.

L'aperçu indépendant d'Artificial Analysis est plus compact et plus utile. Intelligence Index 51, rang #22 sur 185, contre une médiane de 32 pour la catégorie. Vitesse 213,5 tokens de sortie par seconde, rang #2 sur 185 — c'est un modèle vraiment rapide. Rang prix #31, prix en cas de cache 0,15 $, soit une remise de 88 %. Verbosité 94M tokens de sortie pour parcourir l'indice, contre une médiane de 65M, ce qui représente une bonne partie de la facture réelle. Coût total pour l'évaluer sur l'ensemble de la suite : 548,07 $.

Une mise en garde qui vaut la peine d'être retenue : Meta annonce la prise en charge du texte, de l'image, de la vidéo, de l'audio et du PDF en entrée, mais la fiche technique d'Artificial Analysis pour la version 1.1 n'indique que le texte et l'image comme évalués. Les deux peuvent être vrais — l'API accepte plus que ce que le banc de test a exercé — mais personne en dehors de Meta n'a publié de résultats sur une charge vidéo ou audio. Si l'analyse multimédia est ce qui vous amène ici, prévoyez du temps pour le vérifier par vous-même.

Faut-il passer à la version 1.2 ? La réponse en matière de latence

En codage, Meta dit oui, et ses chiffres sont cohérents en interne : Terminal-Bench 2.1 passe de 76,2 % à 82,9 %, DeepSWE v1.1 de 53,0 % à 59,3 %, et son benchmark interne de codage de 68,3 % à 70,6 %. Ce sont des évaluations menées par Meta, notées pass@1 sur cinq tentatives dans le propre harnais de test de Meta — la réserve habituelle s'applique, à savoir que les modèles rivaux dans un harnais de fournisseur sont souvent sous-optimisés. Indépendamment, Artificial Analysis a fait passer Muse Spark 1.2 à 54 sur l'Intelligence Index, rang #13 sur 185, trois points au-dessus de 1.1.

{{1}}Ce que Meta a utilisé pour acheter ces points, c'est la délibération, et cela se voit dans chaque mesure de timing.{{/1}} {{2}}Artificial Analysis mesure le temps jusqu'au premier token à 26,12 secondes pour 1.2 contre 2,90 secondes pour 1.1 — les deux à l'effort de raisonnement maximal de chaque modèle.{{/2}} {{3}}La vitesse de sortie est passée de 213,5 à 165 tokens par seconde. La verbosité a légèrement augmenté, 95M contre 94M tokens, et le coût d'exécution de la même suite de benchmarks est passé de 548,07 $ à 637,85 $ avec les mêmes prix par token.{{/3}} {{4}}Ce dernier chiffre est la formulation la plus claire du compromis : même grille tarifaire, 16 % de tokens en plus consommés, trois points d'indice supplémentaires.{{/4}}

Lisez attentivement le chiffre de 26 secondes, car il est facile de mal l’interpréter. Il s’agit d’une mesure de référence à effort maximal, et l’API utilise par défaut un réglage intermédiaire. Pour un point de référence en trafic réel, Muse Spark 1.1 sur OrcaRouter — servant quel que soit l’effort réellement demandé par les appelants — affiche un temps jusqu’au premier jeton (p50) de 1,84 seconde et un p95 de 6,00 secondes sur une semaine de trafic de production, avec un taux d’erreur nul. La latence de référence à effort maximal et la latence de production à effort par défaut sont des grandeurs différentes, et l’écart entre elles dépasse généralement un ordre de grandeur.

La décision se règle donc clairement selon la forme de la charge de travail. Si vous exécutez des agents de codage à long horizon qui maintiennent un dépôt en contexte et travaillent pendant des minutes, 1.2 est le meilleur modèle et la pénalité de latence s’amortit sur une tâche qui n’allait de toute façon pas sembler instantanée. Si vous servez quelque chose d’interactif — une interface de discussion, une boucle d’appel d’outils avec un humain qui attend, un SLO de latence mesuré en secondes — Muse Spark 1.1 reste le modèle le mieux adapté de la famille, et son rang en termes de vitesse n’est pas une erreur d’arrondi. Rien dans le lancement d’août ne change cela.

Expérience développeur et limites

L'API Meta Model reste en aperçu public, bien que le lancement d'août ait élargi l'accès mondial et ajouté l'option de zéro rétention des données pour les entreprises. Meta fournit une interface de type OpenAI et un accès SDK, et Spark est disponible pour les consommateurs dans le mode « Thinking » de Meta AI. Les limites de débit sont désormais publiées plutôt que devinées — 3 000 requêtes par minute documentées pour le niveau standard — mais un statut d'aperçu reste un statut d'aperçu, alors gardez une route de secours pour les jours où la capacité est restreinte. Le basculement automatique entre fournisseurs est exactement le type d'infrastructure que justifie un endpoint de niveau aperçu, et c'est la raison pour laquelle router un modèle en aperçu via une passerelle ne vous coûte rien et vous offre une seconde voie.

Avec OrcaRouter, l'ID du modèle est meta/muse-spark-1.1 et à la fois /v1/chat/completions et /v1/responses sont disponibles, donc un client existant compatible OpenAI n'a besoin que d'une URL de base et d'une chaîne de modèle, et rien d'autre :

import openai as openai_client

client = openai_client.Client(base_url="https://api.orcarouter.ai/v1", api_key="YOUR_API_KEY")

response = client.chat.completions.create(model="meta/muse-spark-1.1", messages=[{"role": "user", "content": "Planifiez et exécutez les outils pour résoudre ce problème."}])

print(response.choices[0].message.content)

Là où cela convient — et là où cela ne convient pas

Bon choix : automatisation de l'exécution d'outils et de l'utilisation de l'ordinateur lorsque le temps de réponse est visible pour une personne ; raisonnement sensible aux coûts à grande échelle sur des données que vous ne pouvez pas confier à un ensemble d'entraînement ; flux de travail mêlant texte, images, vidéo, PDF ou audio, avec votre propre vérification sur le parcours média ; et équipes qui veulent une option par défaut rapide et peu coûteuse, avec un modèle premium gardé en réserve pour les étapes les plus difficiles.

Faible adéquation : la précision de codage en tête de classement et l'ingénierie greenfield la plus difficile, qui appartiennent toujours à Claude Opus 4.8 et GPT-5.6 Sol ; les problèmes de raisonnement pur sans outils ; les tâches de précision visuelle où Gemini 3.1 Pro est en tête ; le travail de référentiel à long horizon, qui est désormais explicitement le rôle de 1.2 et Muse Code ; et tout ce qui nécessite le jeton le moins cher possible de Meta, car ce niveau n'existe pas sur ce modèle.

FAQ

Muse Spark 1.1 est-il toujours disponible maintenant que la version 1.2 est sortie ?

Oui. Meta n’a annoncé ni dépréciation ni changement de prix lors du lancement du 5 août — la version 1.1 reste disponible sur l’API Meta Model à 1,25 $ et 4,25 $ par million de jetons, et elle figure dans le catalogue OrcaRouter aux mêmes tarifs. Les comptes rendus du lancement la décrivent systématiquement comme se poursuivant aux prix actuels de l’API. Cela dit, l’attention technique de Meta s’est visiblement déplacée : l’agent de codage, les nouveaux benchmarks et le palier économique sont tous rattachés à la version 1.2.

Puis-je obtenir Muse Spark 1.1 au palier de contributeur à 0,10 $ ?

Non. Le palier contributeur est un identifiant de modèle distinct sur le nouveau checkpoint, muse-spark-1.2-contributor. Il n'existe pas d'équivalent en 1.1, donc les jetons de raisonnement Meta les moins chers exigent de changer de version — et d'accepter une limite de 60 requêtes par minute, ainsi que l'autorisation pour Meta d'entraîner ses modèles sur vos prompts et complétions.

Devrais-je passer à Muse Spark 1.2 ?

Si votre charge de travail est du codage de longue durée ou du travail d'agent à l'échelle du dépôt, {{1}}oui : il obtient de meilleurs scores à la fois sur les évaluations de codage de Meta et sur l'indice indépendant d'Artificial Analysis, au même prix standard.{{/1}} Si votre charge de travail est interactive ou sensible à la latence, {{2}}non : le 1.2 échange environ neuf fois le temps jusqu'au premier token et 23 % de la vitesse de sortie pour trois points d'indice, et son raisonnement ne peut pas être désactivé.{{/2}} Les deux reposent sur la même API, donc le changement est une chaîne de modèle dans les deux cas — ce qui est le test A/B le moins cher possible et vaut la peine d'être exécuté sur votre propre trafic avant de décider.

Muse Spark 1.1 est-il open source ?

Non, et c'est tout l'intérêt de la ligne. Contrairement aux modèles Llama de Meta, la famille Muse est à poids fermé et est fournie comme un produit et une API. Il n'y a pas de poids sur Hugging Face, pas de voie d'auto-hébergement, et aucun fournisseur tiers — Meta est le seul acteur à servir ce modèle, ce qui fait d'une couche de routage avec basculement la réponse pratique au risque de fournisseur unique plutôt qu'un second fournisseur.

Le verdict, une version plus tard

Muse Spark 1.1 est un modèle agentique rapide, bon marché et véritablement multimodal, performant dans l'utilisation d'outils et honnêtement dans la moyenne pour le codage et le raisonnement purs. Rien de ce qui a été mesuré à son sujet ne s'est dégradé en août. Ce qui a changé, c'est la configuration de la famille qui l'entoure : Meta dispose désormais d'un modèle mieux noté au même prix standard, d'un palier nettement moins cher pour les développeurs prêts à échanger leurs données, et d'un produit agent qui ne fonctionne ni sur 1.1, ni sur rien que vous puissiez pointer vers 1.1.

Ce qui reste est une recommandation plus étroite mais réelle. Si vous avez besoin de la qualité de raisonnement de Meta à une vitesse perceptible à l'échelle humaine — une seconde jusqu'au premier token en production, 213 tokens par seconde ensuite — la 1.1 reste la version à utiliser, et les trois points d'indice qu'ajoute la 1.2 ne valent pas une attente neuf fois plus longue. Si vous n'avez pas besoin de cette vitesse, il n'y a plus guère de raison de rester. Dans les deux cas, il s'agit d'une seule gamme de modèles, donc le conseil honnête est de faire tourner les deux sur votre propre ensemble d'évaluation pendant une journée et de laisser votre budget de latence décider.