Muse Spark vs DeepSeek V4.1 Pro : un téléchargement a abouti, l’autre n’a jamais été livré.

Trois noms décident de cette confrontation, et seuls deux d'entre eux sont des choses que vous pouvez tenir. Muse Spark Open est devenu un vrai téléchargement le 15 octobre 2026, lorsque Meta a publié les poids, la configuration et la licence du membre ouvert de la famille Meta Muse Spark.DeepSeek V4.1 Pro n'a jamais été publié : le palier a été nommé exactement une fois, dans une entrée de journal des modifications du 10 septembre décrivant un plan de routage qu'il a immédiatement retiré, et n'a depuis publié ni fiche de modèle, ni ligne de prix, ni dépôt, ni date. Le troisième nom est celui qui permet de répondre au gros titre, car c'est le modèle phare face auquel un lecteur choisirait réellement — DeepSeek V4 Pro, le modèle phare à 1 600 milliards de paramètres, sous licence MIT, téléchargeable et appelable depuis le 13 août 2026, avec DeepSeek V4.1 Flash en dessous, comme le membre bon marché, rapide et capable de lire des images de la même gamme.

Dit comme ça, la question intéressante n’est pas de savoir quel modèle est le plus intelligent. C’est ce qui a changé pour quelqu’un qui construit sur des poids plutôt que sur des endpoints : un côté de cette comparaison a acquis hier une licence que l’on peut lire et contester, l’autre n’en a jamais eu, et l’arithmétique du prix par tâche va dans le sens inverse de celle du prix par token.

Les deux moitiés du titre ne sont pas le même type d'objet

La configuration de cet appariement est assez inhabituelle pour être précisée avant tout chiffre. D'habitude, une page « vs » a un problème de version — deux noms de modèles qui cachent chacun trois checkpoints. Ici, un côté a un problème de version et l'autre a un problème d'existence.

Le côté de Meta se règle proprement. Muse Spark est une famille, pas un lancement : la gamme a été introduite le 8 avril 2026, et elle a été réorientée quatre fois depuis. Muse Spark 1.1 est sorti le 16 juillet 2026, Muse Spark 1.2 le 5 août, et Muse Spark 1.3 le 2 septembre, avec le niveau de raisonnement « max » de la 1.3 ouvrant deux jours plus tard, le 4 septembre, après des tests de sécurité supplémentaires. Muse Spark Open est le cinquième artefact sous ce nom et le seul que vous pouvez héberger vous-même.

Le côté DeepSeek ne se résout pas du tout. DeepSeek V4.1 Pro est un nom de palier sans rien derrière, et la différence entre lui et les quatre modèles DeepSeek qui existent réellement est toute la raison pour laquelle cette page doit nommer un substitut. La lecture honnête, c’est qu’un lecteur qui cherche cette comparaison a en tête deux questions différentes — ce que Meta vient de mettre sur disque, et quand le palier DeepSeek qui a été promis existera réellement.

Ce qui a réellement atterri, et depuis combien de temps cela était posé là

Muse Spark Open n'est ni une sortie surprise ni un lancement conventionnel, et l'écart entre ces deux descriptions est ce qui rend cette publication la plus intéressante. Le dépôt Hugging Face — un checkpoint BF16 et une build NVFP4 distincte, sous le nom Muse-Spark-Open-816B-A42B — porte un horodatage de création au 2026-09-15. Il est ensuite resté là pendant un mois, sous accès restreint et sans annonce, tandis que le texte de licence et la politique d'utilisation figurant dans le formulaire d'accès conservaient leur propre date : le 15 octobre 2026. L'artefact existait discrètement ; la paperasse a rattrapé son retard un mois plus tard.

Ce que les métadonnées et le propre article de publication de Meta établissent sans le benchmark de qui que ce soit :

• Échelle — environ 816 milliards de paramètres au total, dont environ 42 milliards actifs par token, un mélange clairsemé d'experts réparti sur 62 couches et 256 experts par couche MoE, avec 8 sélectionnés par token.

• Contexte — une fenêtre de 1 048 576 jetons, partagée entre toutes les modalités plutôt que divisée entre elles.

• Modalités — texte, image, vidéo et audio en entrée ; texte en sortie. La fiche indépendante d’Artificial Analysis consigne la même ligne d’entrée, décrivant un modèle qui prend en charge le texte, l’image, la parole et la vidéo.

• Raisonnement — un réglage d'effort de raisonnement avec des niveaux faible, moyen, élevé et xhigh, sans aucun moyen de désactiver complètement le raisonnement.

• Accès — restreint. Le formulaire de demande exige un nom légal complet, une date de naissance et une organisation avec des identifiants d’entreprise, et ne peut pas être modifié après soumission. Quiconque considère cela comme un téléchargement en un clic doit s’attendre à faire la queue.

C’est la partie du dossier qui est réglée. La partie qui ne l’est pas, c’est la mesure, et il vaut la peine d’être précis sur ce qui correspond à quoi — voir la section des chiffres ci-dessous.

L’organisation deepseek-ai, et le nom qui n’y figure pas

Tout ce qui a été publié au sujet de DeepSeek V4.1 Pro tient en une phrase issue du journal des modifications de DeepSeek lui-même, daté du 2026-09-10, dans la note qui accompagnait la sortie de DeepSeek V4.1 Flash. Il y était indiqué qu'à partir de 04:00 UTC le 14 septembre, les requêtes adressées à deepseek-v4-pro seraient acheminées vers le modèle Flash nouvellement publié et facturées aux tarifs de Flash, et que cela continuerait « jusqu'au lancement de V4.1-Pro ». Les développeurs se sont opposés à ce qu'un modèle de production soit remplacé sous leurs pieds sans fenêtre de migration, et la même entrée du journal des modifications consigne le revirement : DeepSeek a décidé de continuer à servir DeepSeek V4 Pro après le 14 septembre, avec une facturation inchangée.

Le plan de routage est mort. Le nom y a survécu, et cette clause constitue l’intégralité du dossier public. Vérifié auprès de sources primaires le 16 octobre 2026 :

• La page Models & Pricing de DeepSeek répertorie exactement deux noms de modèles — deepseek-flash et deepseek-v4-pro, qui correspondent à DeepSeek-V4.1-Flash et DeepSeek-V4-Pro-0813. Il n'existe aucune colonne, ligne ou prix V4.1 Pro.

• Le journal des modifications de DeepSeek ne contient aucune entrée pour le mois d'octobre, quelle qu'elle soit, et ses entrées les plus récentes sont 2026-09-10, 2026-08-21 et 2026-08-13.

• L’organisation deepseek-ai sur Hugging Face n’a aucun dépôt nommé pour un V4.1 Pro. Son dépôt de modèle le plus récent est DeepSeek-V4.1-Flash, créé le 2026-09-10.

Un signal non confirmé mérite d'être consigné, et rien de plus. Le matin du 15 octobre, un traqueur a signalé qu'un point de terminaison DeepSeek se comportait différemment après la fin d'une panne de service — réussissant un prompt de raisonnement relationnel que DeepSeek-V4-Pro-0813 et la génération V4.1 avaient tous deux raté, avec une reproduction sur quatre échantillons, à environ 180 tokens par seconde — et a avancé le nom V4.1 Pro. Il n'y a derrière cela ni fiche de modèle, ni fichier de poids, ni déclaration du fournisseur, et une reconstruction silencieuse d'une configuration de service existante serait identique vue de l'extérieur. Considérez cela comme une raison de garder un œil, pas comme une sortie.

Ce qu’un V4.1 Pro hériterait presque certainement mérite d’être énoncé séparément, car il s’agit d’une inférence et non d’une information rapportée. Chaque modèle DeepSeek commercialisé dans les gammes V4 et V4.1 — DeepSeek-V4-Pro-0813, DeepSeek-V4-Flash, DeepSeek-V4-Flash-0731 et DeepSeek-V4.1-Flash — porte license:mit sur sa fiche de modèle, et l’enveloppe de service est restée constante : 1 M de tokens en entrée, jusqu’à 384 K en sortie. On s’attendrait à ce qu’un palier Pro de cette gamme corresponde à ces deux caractéristiques. Rien n’a été publié qui le dise.

L’axe qu’aucun tableau de scores ne porte : la licence

C’est ici que les deux options à poids ouverts se séparent véritablement, et c’est la section qui décide de l’article pour quiconque met un produit sur le marché plutôt que d’exécuter un benchmark. La fiche d’Artificial Analysis pour Muse Spark Open répond à la question de la licence en indiquant que « l’utilisation commerciale est autorisée avec restrictions », et la raison se trouve dans le texte de Meta lui-même.

La Muse Model License n'est pas une licence OSI et ce n'est pas MIT. Deux clauses changent ce que « poids ouverts » signifie en pratique, et aucune des deux n'est dans le titre.

• La clause relative au modèle en tant que service. La section 3 exige que, si vous ou vos sociétés affiliées donnez à des tiers accès au modèle en tant que produit ou service via une API, et que votre chiffre d’affaires brut cumulé dépasse vingt millions de dollars américains sur toute période consécutive de douze mois, vous devez notifier Meta et conclure un accord écrit distinct avant d’exercer cette activité. L’intégration du modèle dans votre propre produit fait l’objet d’une exception ; la revente, non.

• La clause d'attribution. Les titulaires de licence doivent afficher de manière bien visible « Built with Muse Spark Open » dans l'interface de tout produit utilisant le modèle ou un dérivé, ou dans la documentation, le site ou le menu des paramètres qui l'accompagnent.

En revanche, toute la gamme DeepSeek publiée est sous licence MIT — DeepSeek V4 Pro, DeepSeek V4.1 Flash et leurs prédécesseurs la portent tous, sans seuil de chiffre d'affaires, sans obligation de notification et sans exigence d'attribution. Les conséquences pratiques ne sont pas anodines. Si votre plan implique d'héberger le modèle derrière une API pour d'autres personnes, la licence de Meta comporte un mécanisme déclencheur lié au chiffre d'affaires, contrairement à celle de DeepSeek. Si votre plan implique de commercialiser un produit grand public construit sur les poids, la licence de Meta vous oblige à afficher une phrase, et celle de DeepSeek ne vous oblige à afficher quoi que ce soit.

Deux choses que la Muse Model License accorde clairement, et elles méritent d'être énoncées parce qu'elles constituent le véritable intérêt des poids ouverts : vous pouvez affiner, distiller, fusionner, publier, sous-licencier et vendre des dérivés, et Meta ne revendique aucune propriété sur les sorties. La restriction est étroite et l'autorisation est large. Mais si vous choisissez entre ces deux-là sur la base de l'examen juridique plutôt que de la capacité, le choix n'est pas serré, et c'est la réponse que donne cette confrontation avant même qu'un des modèles ne génère un token.

Les nombres, et la ligne qui va à l'envers

Artificial Analysis est le seul tiers à disposer de listes publiques pour les deux camps, et il ne les met pas dans le même panier — les modèles à poids ouverts sont classés face à des modèles à poids ouverts de la même catégorie de taille, ce qui ici ne fausse pas grand-chose, car tout ce qui est abordé est à poids ouverts. Ce qui suit est sa mesure, non une allégation d’un fournisseur, ni la nôtre.

• Muse Spark Open (xhigh) — Intelligence Index 39, neuvième sur 118 entrées de sa catégorie et bien au-dessus de la médiane de la catégorie de 19 ; 1,25 $ en entrée et 4,25 $ en sortie par million de tokens ; 0,84 $ par tâche d’index terminée ; vitesse de sortie de 103,4 tokens par seconde ; temps jusqu’au premier token de 0,65 seconde ; 110 M de tokens de sortie générés pendant l’index, contre une médiane de 130 M ; 816 Md de paramètres au total et 42 Md de paramètres actifs ; Muse Model License.

• DeepSeek V4 Pro 0813 (max) — Indice d’intelligence 36 ; 1,32 $ en entrée et 3,96 $ en sortie par million de tokens ; 0,67 $ par tâche d’indice ; 92 tokens par seconde ; temps jusqu’au premier token de 1,66 seconde ; 160 M de tokens en sortie, au-dessus de la médiane ; 1,6 T de paramètres au total et 49 B de paramètres actifs ; MIT.

• DeepSeek V4.1 Flash (max) — la troisième colonne utile, et celle qui réorganise toute la comparaison. Intelligence Index 39 — le même score que Muse Spark Open — à 0,30 $ en entrée et 1,20 $ en sortie par million de tokens, 0,27 $ par tâche d'index, 179 tokens par seconde et un délai de 1,15 seconde jusqu'au premier token, contre 250 M de tokens de sortie, la mesure la plus verbeuse de cette catégorie.

Lisez les trois ensemble : c'est l'inversion qui est révélatrice. Les modèles de DeepSeek sont plus verbeux par tâche — 160 M et 250 M de tokens de sortie, contre 110 M pour Muse Spark Open — et pourtant ils coûtent moins cher par tâche accomplie, parce que le prix par token est bien plus bas. Ici, le coût par token et le coût par tâche vont dans des directions opposées, et quiconque les compare sur les seuls tarifs d'entrée/sortie affichés en tête d'affiche parviendra à la mauvaise conclusion sur celui qui est le moins cher à exploiter.

Deux mises en garde tarifaires qui modifient sensiblement l’arithmétique. Premièrement, la grille tarifaire de DeepSeek elle-même divise par deux les tarifs en dehors des heures de pointe, et les heures de pointe correspondent à une fenêtre étroite — 01:00–04:00 et 06:00–10:00 UTC, du lundi au vendredi, à l’exclusion des jours fériés chinois, les week-ends et jours fériés étant entièrement en heures creuses. Les chiffres de 1,32 $ / 3,96 $ et 0,30 $ / 1,20 $ ci-dessus sont les tarifs de pointe publiés par DeepSeek ; les tarifs hors pointe sont de 0,66 $ / 1,98 $ pour DeepSeek V4 Pro et de 0,15 $ / 0,60 $ pour DeepSeek V4.1 Flash. La majeure partie d’une semaine se situe en heures creuses. Deuxièmement, Meta n’a publié absolument aucun prix pour Muse Spark Open — la ligne de 1,25 $ / 4,25 $ correspond à une route hébergée mesurée par Artificial Analysis, rapportée comme la médiane parmi les fournisseurs qui servent le modèle, et non comme un prix catalogue du fournisseur pour les poids. Les poids que vous hébergez n’ont pas de prix par token ; ils ont une facture matérielle.

Encore une réserve honnête du côté de Muse Spark. Le 39 ci-dessus correspond à Muse Spark Open en xhigh, et ce n'est pas le meilleur chiffre de la famille. Muse Spark 1.3 en max obtient 48 sur le même indice — neuf points de plus — et Muse Spark 1.2, le checkpoint que la plupart des développeurs utilisent, obtient 40. Juger la capacité de la famille d'après le checkpoint ouvert reviendrait à la sous-estimer ; déduire la licence du checkpoint ouvert de la gamme fermée serait une erreur de catégorie, car ils sont régis par des conditions différentes.

Là où les deux ne sont pas du tout des substituts

L’écart d’indice entre 39 et 36 est suffisamment faible pour se situer dans le bruit inhérent à la façon dont chaque harnais a été exécuté, c’est pourquoi les spécifications ci-dessous importent davantage que les scores pour les départager.

• Modalité — il n'y a pas match. Muse Spark Open lit le texte, les images, la vidéo et l'audio. DeepSeek V4 Pro lit le texte et rien d'autre ; la grille tarifaire de DeepSeek indique elle-même « Non pris en charge » sur la ligne vision pour ce modèle, et Artificial Analysis consigne la même chose. Si votre pipeline alimente un modèle en enregistrements d'écran, vidéo ou parole, la comparaison s'arrête ici.

• Contexte — les deux disposent de 1 M de tokens, et il n’y a rien à séparer. Muse Spark Open partage ce budget entre les modalités ; celui de DeepSeek est uniquement textuel par construction.

• Sortie maximale — DeepSeek publie 384 K jetons pour DeepSeek V4 Pro et DeepSeek V4.1 Flash. Meta ne publie aucun chiffre de sortie maximale pour Muse Spark Open que nous ayons pu vérifier. Un plafond non publié est un risque à tester plutôt qu'à présumer si vous générez de longs artefacts en un seul appel.

• Temps jusqu'au premier jeton — le seul indicateur de latence que Muse Spark Open remporte nettement, à 0,65 seconde contre 1,66 pour DeepSeek V4 Pro et 1,15 pour DeepSeek V4.1 Flash. Pour les boucles interactives ou agentiques où le premier jeton conditionne l'appel d'outil suivant, c'est une différence réelle, et elle subsiste malgré l'écart d'indice plus réduit.

• Débit — DeepSeek V4.1 Flash est le plus rapide des trois à 179 tokens par seconde, avec Muse Spark Open à 103,4 et DeepSeek V4 Pro à 92. Fait notable, le modèle fermé Muse Spark 1.2 a été mesuré à 361 tokens par seconde — le checkpoint ouvert est un déploiement distinct avec un profil de vitesse distinct, et il ne faut pas présumer qu’il hérite des chiffres de la gamme fermée.

• La dispersion de la latence au sein de la famille — mérite une ligne, car c’est un piège. Le temps jusqu’au premier token mesuré de Muse Spark 1.3 est de 54,06 secondes en raisonnement maximal, contre une médiane des pairs d’environ 3,7. Une configuration à forte intensité de raisonnement peut coûter presque une minute avant que le premier token n’arrive. Quoi que vous concluiez d’une ligne Muse Spark, vérifiez quel checkpoint et quel niveau d’effort l’ont produite.

Exécuter la comparaison au lieu de la lire

Aucun des deux aspects de ce titre ne peut être tranché par l'argumentation, car les deux enjeux — savoir si 39 contre 36 signifie quoi que ce soit sur votre trafic, et savoir si le débit et la latence de Muse Spark Open tiennent le coup sur une pile de service différente — ne sont visibles que dans vos propres requêtes. Le moyen le moins coûteux de le savoir est de lancer les deux sur les mêmes invites.

C'est pour cela que nous sommes là. OrcaRouter place ici les quatre modèles disposant d'endpoints — Muse Spark 1.2, Muse Spark 1.1, deepseek-v4-pro et deepseek/deepseek-v4.1-flash — derrière une API unique pour plus de 200 modèles, au prix catalogue de chaque fournisseur, avec 0 % de marge appliquée, de sorte qu'une baisse de prix d'un fournisseur soit effective de notre côté le jour même. Les deux familles sont accessibles avec une seule clé : pas de second contrat, pas de second SDK, aucune migration pour tester l'une par rapport à l'autre, et un basculement automatique pour qu'une expérience routée qui tourne mal se dégrade vers l'autre modèle plutôt que vers une page d'erreur.

Le volet honnêteté compte plus que l'argumentaire, donc : Muse Spark Open ne figure pas dans notre catalogue et nous n'allons pas laisser entendre le contraire. Un modèle dont toute la proposition tient au fait qu'on peut le télécharger est un modèle qu'on exécute soi-même, et le checkpoint 816B relève d'un choix matériel — la recette BF16 de Meta elle-même le répartit sur quatre nœuds de huit H200. DeepSeek V4.1 Pro ne figure pas non plus dans notre catalogue, parce qu'il n'existe pas. Le test routé disponible aujourd'hui tourne sur les checkpoints qui, eux, existent : Muse Spark 1.2 et Muse Spark 1.1 d'un côté, DeepSeek V4 Pro et DeepSeek V4.1 Flash de l'autre.

Qui devrait choisir lequel ?

Si vous avez besoin de modalité, prenez celle de Meta. Muse Spark Open lit la vidéo, l’image, l’audio et le texte dans un seul budget de 1M de tokens et répond en texte, et rien dans la gamme livrée de DeepSeek ne fait cela. DeepSeek V4.1 Flash lit les images et offre un bien meilleur rapport qualité-prix, et de loin, mais ce n’est pas un modèle vidéo ou audio, et DeepSeek V4 Pro est uniquement textuel.

Si vous avez besoin du coût le plus bas par tâche accomplie, ou s'il vous faut une licence sur laquelle bâtir une entreprise sans révision juridique, prenez celle de DeepSeek. DeepSeek V4.1 Flash a égalé le score d'indice de Muse Spark Open pour environ un tiers du coût par tâche selon les mesures d'Artificial Analysis, et DeepSeek V4 Pro l'a battu sur le coût par tâche tout en étant le modèle le plus verbeux. Une licence MIT sur toute la gamme livrée signifie aucun seuil de chiffre d'affaires et aucune mention d'attribution.

Si vous avez besoin du premier token le plus rapide pour une boucle interactive, les 0,65 seconde de Muse Spark Open constituent le meilleur chiffre de cette comparaison, et ce d'un facteur deux, et c'est le seul axe où un score d'index plus faible est clairement sans importance.

Et si la question que vous avez apportée ici était « dois-je attendre DeepSeek V4.1 Pro », la réponse aujourd’hui est qu’il n’y a rien à attendre qui ait une date. Les deux modèles DeepSeek que vous pouvez appeler sont déjà ceux contre lesquels cette comparaison doit être menée, et l’un d’eux — DeepSeek V4.1 Flash — obtient un meilleur score que le modèle phare au-dessus duquel le nom de gamme se situerait. Ce qu’il faut surveiller n’est pas le numéro de gamme, mais si le côté DeepSeek de ce tableau change vraiment : une entrée d’octobre dans le journal des modifications de DeepSeek, un dépôt dans l’organisation deepseek-ai, ou une quatrième ligne tarifée sur la page Models & Pricing. Jusqu’à ce que l’un de ces éléments apparaisse, le mouvement le plus intéressant se situe du côté de Meta, où une licence, une facture matérielle et un chiffre de verbosité de 110 M de tokens sont désormais autant de choses qu’un lecteur peut réellement vérifier.

Pour un modèle dont les modes de défaillance ne sont pas encore documentés, la contrepartie utile est le registre de ce qui a déjà mal tourné ailleurs : les incidents d'IA documentés et les défaillances d'agents concernant les modèles de cette classe sont recensés dans l'OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, son niveau de gravité, son degré de confiance et son indicateur de contestation.