Muse Spark Open vs Muse Spark 1.3 : neuf points d'indice, c'est beaucoup à céder gratuitement

Voici la comparaison dérangeante au sein même de la famille de Meta. Muse Spark Open, sorti le 15 octobre 2026, est le modèle à poids ouverts de 816 milliards de paramètres que tout le monde peut télécharger ; des mesures indépendantes le situent à 39 sur l'Artificial Analysis Intelligence Index. Muse Spark 1.3, le modèle API propriétaire que Meta a commercialisé le 2 septembre 2026, affiche 48. Neuf points, ce n'est pas un écart d'arrondi — c'est à peu près la distance entre un palier de capacités et le suivant, et c'est le chiffre qui fait de « il suffit de faire tourner le modèle ouvert à la place » un conseil bien pire qu'il n'y paraît le jour du lancement.

Commencez par le scénario, pas la fiche technique

Trois équipes ont examiné la sortie de Muse Spark Open et se sont demandé si elles pouvaient annuler quelque chose.

La première exécute un pipeline nocturne qui lit un corpus fixe et produit des enregistrements structurés. La latence n’a aucune importance, le volume est énorme, le schéma ne change jamais. Cette équipe devrait adopter les poids ouverts et arrêter de payer au token.

Le deuxième exécute un agent de codage interactif qui déclenche une douzaine de petits allers-retours par requête utilisateur. Cette équipe ne devrait pas, et la raison en est le débit et le coût de raisonnement, deux éléments qui vont bientôt devenir beaucoup plus concrets.

Le troisième exécute un raisonnement difficile en plusieurs étapes — le genre où le modèle doit maintenir une longue chaîne d’inférence, appeler des outils à l’intérieur de celle-ci et se remettre de ses propres impasses. Cette équipe ne devrait pas non plus le faire, et pour ses membres, l’écart de neuf points n’est pas une abstraction. C’est la différence entre un flux de travail qui va à son terme et un autre qu’il faut surveiller en permanence.

Tout ce qui suit a pour but de distinguer ces trois sans avoir à deviner.

De quoi les neuf points sont faits

L’indice est un composite, et les composites dissimulent la structure. La structure, ici, se trouve principalement là où on l’attendrait, avec une surprise.

• Travail agentique et d'utilisation d'outils — le point fort de Muse Spark 1.3. Les chiffres de lancement de Meta pour 1.3, rapportés par le fournisseur et mesurés dans son propre harnais, placent Terminal-Bench 2.1 à 83,9 et DeepSWE 1.1 à 68. Face aux 76,4 et 60 rapportés par le fournisseur pour Muse Spark Open, cela représente une avance constante de sept à huit points sur les évaluations les plus proches du comportement réel d'un agent, et cela correspond presque exactement à l'écart de l'indice indépendant.

• Raisonnement à livre fermé — l'écart le plus large. Le propre tableau de bord de Muse Spark Open montre que sa ligne la plus faible est HLE-Diamond sans outils, où Meta annonce 26,1. Muse Spark 1.3 a été conçu comme un modèle axé avant tout sur le raisonnement ; la configuration de raisonnement « max » dans son nom n'est pas un simple ornement.

• Étendue des connaissances — plus étroite que ne le suggère le titre, et Artificial Analysis évalue les deux modèles sur un axe d’omniscience où la différence est plus petite que ne l’implique le delta de l’indice. Cela importe car cela signifie que l’écart se concentre sur la profondeur du raisonnement et l’endurance des agents, et non sur ce que le modèle sait.

• Rapidité — Muse Spark 1.3 mesure 127,7 jetons par seconde, classé 41e sur 185 sur Artificial Analysis. La rapidité de Muse Spark Open n'a été publiée par aucune source indépendante. Un mélange d'experts de 816B auto-hébergé sur deux machines de bureau sera plus lent que 127,7 tok/s, sans qu'on sache de combien, et c'est le deuxième plus grand trou dans les preuves, aux côtés du coût.

• Prix — Muse Spark 1.3 se vend à 1,25 $ par million de tokens d’entrée et 4,25 $ par million de tokens de sortie, avec une remise de 88 % sur les entrées mises en cache, ce qui produit un coût mesuré de 1,60 $ par tâche de l’Intelligence Index. Muse Spark Open n’a pas de prix par token ; son coût est celui du matériel, et il n’existe pour lui aucun chiffre indépendant de coût par tâche.

Une ligne de cette liste mérite un second regard, car c’est l’argument sur lequel on se trompe le plus souvent. Muse Spark 1.3 est un raisonneur verbeux. Artificial Analysis a mesuré qu’il consommait environ 170 millions de tokens sur l’ensemble de l’évaluation, contre environ 130 millions pour Muse Spark 1.2 — c’est pourquoi 1.3 coûte 1,60 $ par tâche aux mêmes tarifs par token affichés qui donnent 0,97 $ pour 1.2. Le niveau de raisonnement de pointe vous facture deux fois : une fois pour la capacité, et une fois pour les tokens qu’il brûle à réfléchir pour y parvenir.

Le curseur du raisonnement, c'est là qu'est l'argent

Les deux modèles privilégient d’abord le raisonnement et aucun des deux ne vous permettra de le désactiver, mais ils exposent le niveau d’effort différemment, et cette différence est l’élément le plus utile en pratique de cette page.

Muse Spark Open publie ouvertement son échelle d'effort : low, medium, high et xhigh correspondent à 16, 64, 256 et 512 jetons de raisonnement, et une indication de force de raisonnement dans le prompt système fait le même travail. C'est un réglage que vous pouvez ajuster depuis votre propre code, avec un coût connu par niveau, et comme vous payez en électricité et en temps d'horloge plutôt qu'en dollars par jeton de sortie, le baisser ne vous coûte rien au compteur. Cela vous coûte en précision, et uniquement en précision.

Sur Muse Spark 1.3, la même échelle existe du côté du fournisseur, et chaque cran que vous montez est facturé. À 4,25 $ par million de tokens de sortie, les tokens de raisonnement étant comptés comme des tokens de sortie, un flux de travail qui tourne à effort maximal paie la délibération du modèle de la manière la plus littérale qui soit. C'est le seul endroit où l'économie du modèle ouvert n'est pas seulement défendable, mais véritablement meilleure : une tâche par lots qui peut se permettre de réfléchir plus intensément est libre de le faire, et une tâche par lots qui n'a pas besoin de réfléchir intensément est libre de s'arrêter.

Là où l'écart disparaît

Trois situations réduisent à néant l’écart de neuf points.

Le fine-tuning est le premier facteur, et le plus important. Muse Spark 1.3 ne peut pas être ajusté sur vos données, à aucun prix. Muse Spark Open le peut, grâce au support TorchTitan que Meta a livré en même temps que les poids. Un modèle ajusté sur votre base de code, votre schéma ou le vocabulaire de votre domaine n'est pas le même modèle que celui qui a obtenu 39, dans un sens comme dans l'autre — et pour une tâche étroite, la version ajustée d'un modèle généraliste plus faible bat régulièrement la version non ajustée d'un modèle plus fort. Si votre problème est spécifique, l'écart d'indice n'est pas la mesure pertinente.

La résidence des données vient en second. Si le corpus ne peut pas quitter votre réseau, la comparaison n’est pas entre 39 et 48 ; elle est entre 39 et le fait de ne pas avoir de modèle. Ce n’est pas une décision serrée, et ça ne l’a jamais été.

Le volume de lots amorti est le troisième facteur, avec une réserve. Un pipeline dont la consommation de tokens est importante, régulière et prévisible peut justifier le matériel. Un pipeline en rafales ne le peut pas, car l'auto-hébergement convertit un coût variable en coût fixe, puis vous facture les heures d'inactivité quoi qu'il arrive. Notez aussi que la remise liée au cache de Muse Spark 1.3 rend le modèle hébergé exceptionnellement bon marché, précisément pour le schéma de contexte répété que produisent les grands pipelines par lots ; l'argument en faveur de l'auto-hébergement est donc plus faible qu'un calcul naïf du type tokens × prix ne le laisse penser.

Là où l'écart devient un mur

Deux charges de travail ne devraient pas approcher le modèle ouvert.

Les agents interactifs passent en premier. Muse Spark 1.3 mesure 127,7 jetons par seconde, et une boucle d'agent multiplie ce nombre par le nombre d'allers-retours par tâche. Muse Spark Open n'a aucune vitesse publiée, et la prévision structurelle est qu'un modèle de 816B exécuté sur la bande passante mémoire d'un ordinateur de bureau sera très loin derrière. Si un humain attend, les neuf points d'index n'ont aucune importance et l'écart de débit est tout.

Le raisonnement de frontière en rafales est le deuxième, pour une raison plus subtile. Les charges de travail qui nécessitent 48 points de capacité de raisonnement sont, presque par définition, celles où un échec coûte cher et où la chaîne de raisonnement est longue. Les exécuter sur un modèle d’un cran en dessous, à un débit inconnu, pour économiser sur une facture par token, revient à échanger un coût faible et prévisible contre un coût élevé et imprévisible. C’est l’arbitrage que la troisième équipe citée au début de cet article devrait refuser.

L'équipe qui veut les deux

La plupart des organisations qui finissent par faire tourner les deux le font parce que les charges de travail diffèrent véritablement : les chemins interactifs ont besoin de vitesse, les chemins par lots ont besoin de coûts maîtrisés, et seuls certains chemins doivent rester sur site. Le mode de défaillance n'est pas l'architecture — c'est que la séparation vit dans un document plutôt que dans la configuration, et qu'un développeur copie une chaîne de modèle depuis un tutoriel.

Une couche de routage est le mécanisme qui règle cela. OrcaRouter route Muse Spark 1.2 au prix catalogue de Meta, avec 0 % de marge et répercute le prix catalogue du fournisseur, de sorte qu'une baisse de prix côté hébergement atteint votre clé le jour même, sans aucun travail de réajustement tarifaire. Il n'héberge pas Muse Spark Open, et il ne faut pas le comprendre comme tel : un modèle dont toute la proposition est que vous pouvez détenir les poids est un modèle que vous exécutez sur votre propre matériel. Ce que le routeur apporte, c'est la moitié interactive — Muse Spark 1.3 n'est pas non plus routé par OrcaRouter actuellement, donc la forme pratique aujourd'hui consiste à appeler l'offre hébergée là où vous l'appelez déjà et à laisser une seule API, avec bascule automatique et un DSL de routage, garder sous une seule clé les plus de 200 modèles que vous pouvez atteindre tandis que votre propre matériel gère ce qui doit rester chez vous.

Choisissez en fonction de la charge de travail, pas de la licence

Prenez Muse Spark Open si votre tâche est suffisamment étroite pour être ajustée, si les données ne peuvent pas quitter, si la charge de travail est importante et régulière, et surtout si le modèle peut réfléchir au niveau d’effort qu’il souhaite sans que le compteur tourne. Ce sont les quatre conditions, et elles sont généralement corrélées — les pipelines sont étroits, fonctionnent par lots et sont stationnaires.

Choisissez Muse Spark 1.3 si un humain attend la sortie, si le raisonnement est réellement difficile, si le travail se fait par rafales, ou si vous avez besoin d’une liste multimodale confirmée — l’entrée texte, image et vidéo de la version 1.3 est répertoriée de manière indépendante, tandis que les prétentions plus larges de Muse Spark Open en matière d’audio et de vidéo sont affirmées par le fournisseur et mesurées indépendamment comme étant uniquement texte et image.

Ce que vous ne devez pas faire, c’est prendre les poids ouverts parce qu’ils sont gratuits. Les neuf points entre 39 et 48 sont réels, ils sont concentrés précisément dans le travail agentique et de raisonnement qui rend ces modèles utiles, et aucune quantité d’inférence locale ne permet de les rattraper. Muse Spark Open est la bonne réponse à un ensemble précis de questions. Ce n’est pas une remise sur Muse Spark 1.3.

Muse Spark Open est téléchargeable sous la Muse Model License ; Muse Spark 1.3 est disponible par jeton à 1,25 $ en entrée et 4,25 $ en sortie, la remise sur le cache étant appliquée selon les tarifs propres du fournisseur.