Recensione di Meta Muse Spark 1.1: Ancora il più veloce, non più il più economico

Per quattro settimane, il caso a favore di Meta Muse Spark 1.1 era pura aritmetica. $1,25 per milione di token in ingresso, $4,25 in uscita, per un modello nativamente multimodale che eseguiva gli strumenti meglio di quasi qualsiasi alternativa vicina al suo prezzo. Poi, il 5 agosto 2026, Meta ha lanciato Muse Spark 1.2 insieme a Muse Code — il suo primo agente di programmazione da terminale — e ha abbinato al nuovo modello qualcosa che la 1.1 non aveva mai ricevuto: un piano per contributori a $0,10 in ingresso e $0,20 in uscita. Dodici volte più economico in ingresso, ventuno volte più economico in uscita, in cambio di consentire a Meta di addestrarsi sui tuoi prompt. Il prezzo di Muse Spark 1.1 non si è mosso di un centesimo. La sua posizione, invece, sì.

Questo è il quadro onesto per valutare questo modello oggi. Muse Spark 1.1 non è stato deprecato, non ha cambiato prezzo, ed è ancora il più veloce e meglio documentato dei due checkpoint di reasoning di Meta — ma non è più il modo più economico per noleggiare un modello Meta, e l'agente che Meta sta spingendo con più forza non gira su di esso. Questa recensione copre cos'è 1.1, in cosa è misurabilmente valido, cosa ha cambiato il lancio di agosto e il ventaglio più ristretto di compiti in cui è ancora la scelta giusta. Quando un numero proviene dalle valutazioni di Meta, la frase lo dice; quando proviene da Artificial Analysis o dal traffico di produzione, lo dice anche in quel caso.

Verdetto rapido

• Cos'è — un modello di ragionamento nativamente multimodale (input di testo, immagini, video, PDF e audio, output di testo) con sforzo di ragionamento configurabile, progettato per eseguire strumenti e gestire un computer. Pesi chiusi, fornito da Meta.

• Prezzo — $1,25 in input / $4,25 in output per milione di token, $0,15 in caso di cache hit. Invariato dal lancio, e ancora circa un quarto del prezzo di output di GPT-5.6 Sol ($5/$30) e un sesto di quello di Claude Opus 4.8 ($5/$25).

• Intelligence — 51 sull'Artificial Analysis Intelligence Index, posizione #22 su 185 nella sua classe contro una mediana di classe di 32. Una misurazione indipendente, non un'affermazione di Meta.

• Forza — uso di strumenti e ragionamento agentico, più una velocità genuina: 213,5 token di output al secondo, che Artificial Analysis classifica al #2 su 185.

• Debolezza — il ragionamento puro e il coding grezzo sono nella media, il recall di contesto lungo non è all'avanguardia, ed è prolisso: 94M token di output per completare l'Intelligence Index contro una mediana di 65M.

• La nuova avvertenza — Muse Spark 1.2 ora totalizza tre punti in più e, nel suo piano contributor, costa un ventesimo. Il vantaggio residuo della 1.1 è la latenza, ed è notevole.

Cosa ha rilasciato Meta il 5 agosto — e cosa ha fatto alla versione 1.1

Muse Code è un agente di codifica da terminale, attualmente in beta, che si installa tramite uno script shell di una riga su macOS e Linux (nessuna build per Windows) e viene eseguito come il binario muse. Prende in carico attività complete di ingegneria del software su grandi repository: pianificare la modifica, scrivere il codice, validare il risultato. La proposta di Meta è la coesione architetturale — l'agente e il modello sono stati addestrati insieme piuttosto che assemblati a posteriori — e l'elenco delle funzionalità è mirato direttamente a Claude Code e Codex: agenti in background che continuano a lavorare dopo aver chiuso il terminale, ripresa dal log degli eventi, worktree paralleli per sotto-agenti e una sandbox a livello di sistema operativo con approvazioni abilitate di default. La demo che Meta ha pubblicato è un ciclo di ottimizzazione dei kernel GPU che esegue più di 1.000 chiamate a strumenti in un massimo di 24 ore su hardware NVIDIA Hopper.

Muse Code esegue Muse Spark 1.2, non 1.1. Questa è la prima conseguenza pratica per chiunque legga questa recensione: se vuoi l'agente di Meta, sei sul nuovo checkpoint.

La seconda conseguenza riguarda i prezzi, ed è la più interessante. Meta ha rilasciato la versione 1.2 con due ID di modello distinti invece che uno:

• Standard (muse-spark-1.2) — $1,25 per l'input, $0,15 per l'input in cache, $4,25 per milione di token di output. Identico a Muse Spark 1.1. Meta garantisce che i prompt e i completamenti su questo livello non vengono utilizzati per migliorare i propri prodotti.

• Contributor (muse-spark-1.2-contributor) — $0,10 input, $0,002 input in cache, $0,20 output. In cambio, concedi a Meta il permesso di addestrare modelli futuri sui tuoi prompt e completamenti.

• Muse Spark 1.1 — non esiste alcun livello contributor. Il prezzo resta quello standard e Meta non ha annunciato alcuna deprecazione.

La stessa definizione di Meta per il livello contributor è che è "più di 10 volte più economico persino del livello pay-as-you-go", il che è riduttivo: i multipli reali sono 12,5× in input e 21,25× in output, con input in cache a un prezzo quasi irrisorio di $0,002. Questo è il titolo di "prezzo basso" che il lancio ha generato, e appartiene solo al livello 1.2.

La storia del prezzo, riscritta

Prima di ristrutturare il tuo budget intorno a $0,20 per token di output, leggi il resto dei termini del livello contributor, perché sono proprio quelli a renderlo economico. I limiti di richiesta scendono dai 3.000 richieste al minuto documentati nel livello standard a 60 nel livello contributor — un tetto che consente a uno sviluppatore di fare esperimenti su un laptop ma impedisce a una flotta di agenti in produzione. E lo scambio di dati non è una formalità: i tuoi prompt e i completamenti del tuo modello diventano materiale di addestramento. Per chiunque gestisca dati dei clienti, codice proprietario o qualsiasi cosa soggetta a un obbligo di riservatezza, il livello contributor non è una versione più economica dello stesso prodotto; è un prodotto diverso. Meta lo ha riconosciuto al momento del lancio aggiungendo un'opzione di conservazione zero dati per i clienti enterprise sul percorso a pagamento.

Quindi il confronto onesto non è "1.1 a $4,25 contro 1.2 a $0,20." In realtà: a prezzo standard, i due modelli costano esattamente lo stesso, e 1.2 è quello con il punteggio migliore. Il livello da $0,20 è un'offerta reale e aggressiva, ma è pensato per individui e sperimentazioni, ed è disponibile solo sul modello più recente.

Ciò che determina davvero il costo su entrambi i modelli è il caching, non la tariffa di listino. Prendiamo come esempio un passo rappresentativo di un agente: 60.000 token di contesto da repository o documenti in input, 3.000 token di piano-e-risposta in output. A cache fredda, si tratta di $0,075 di input più $0,013 di output — circa 8,8 centesimi, ovvero $88 su mille passi. Mantenete stabile il prefisso di contesto: così si sfrutta la cache a $0,15 per milione di token e il costo dell'input crolla a $0,009, portando il singolo passo a circa 2,2 centesimi e la sequenza di mille passi a $22. Un'oscillazione del 75%, determinata interamente dal fatto che il vostro framework per agenti riutilizzi un prefisso stabile o ricostruisca il prompt a ogni turno. Se c'è una sola azione ingegneristica da compiere dopo aver letto questa recensione, che sia la stabilità della cache-key piuttosto che la scelta del modello.

Nota strutturale su dove lo noleggi. Muse Spark 1.1 è nel catalogo OrcaRouter a $1,25 e $4,25 con una lettura cache di $0,15 — gli stessi numeri che addebita Meta, perché OrcaRouter applica un markup dello 0% e trasmette direttamente il prezzo di listino del fornitore, quindi una variazione di prezzo del venditore arriva qui il giorno stesso in cui arriva là. Muse Spark 1.2 non è ancora nel catalogo e viene servito direttamente da Meta. Questo conta per il confronto che probabilmente stai per eseguire: GPT-5.6 Sol, Claude Opus 4.8, Grok 4.5 e Gemini 3.1 Pro sono tutti dietro un'unica chiave al prezzo di listino, quindi puoi confrontarli con Muse Spark 1.1 su un singolo set di valutazione senza un secondo contratto, e il numero nel tuo foglio di calcolo è il numero sulla fattura.

Che cos'è realmente Muse Spark 1.1

Muse Spark è la linea di reasoning di punta dei Meta Superintelligence Labs, il gruppo che Mark Zuckerberg ha creato sotto Alexandr Wang. Segna un'inversione strategica: mentre i modelli Llama di Meta erano open-weight, la famiglia Muse — Spark, più i generatori di immagini e video — è chiusa e fornita come prodotto e API. Spark 1.0 è arrivato l'8 aprile 2026; la 1.1 è seguita il 9 luglio insieme all'anteprima pubblica della Meta Model API. Il cambiamento pratico per gli sviluppatori è che Meta ora è un fornitore di API di prima parte che compete direttamente con OpenAI e Anthropic, non solo un editore di pesi — e il lancio del 5 agosto di un agente di codifica è la conferma più chiara finora.

La versione 1.1 è stata un passo avanti sostanziale, non un semplice aggiornamento minore. Su Artificial Analysis ha guadagnato otto punti nell'Intelligence Index in tre mesi, passando da 43 a 51. Il suo indice di coding è salito di 12 punti arrivando a 71, SciCode è migliorato al 58% e Humanity's Last Exam è salito al 45%. Meta ha dichiarato che i miglioramenti più significativi riguardavano l'uso di strumenti, l'uso del computer, la programmazione e la comprensione multimodale, in linea con un modello progettato per agire piuttosto che limitarsi a rispondere.

Per quanto riguarda il contesto, la precedente confusione si è risolta: Artificial Analysis e OrcaRouter indicano entrambi una finestra di 1.048.576 token, e Meta descrive una finestra che il modello compatta attivamente. Tuttavia, tenere un milione di token non equivale a poterli richiamare tutti, e il punteggio di recupero nel contesto lungo di 1.1, circa 54.1, dice che il richiamo è nella norma. Considera la finestra come una capacità, non come una garanzia.

Sforzo di ragionamento: Istantaneo, Contemplazione, e il quadrante sottostante

Nell'ambito consumer di Meta, Muse Spark espone due modalità denominate: Instant answers, che risponde immediatamente senza ragionamento esteso, come un normale turno di chat; Contemplating, che esegue più agenti in parallelo usando una tecnica di "compressione del pensiero" presa in prestito dall'apprendimento per rinforzo, e Meta la posiziona contro DeepMind Deep Think e GPT-5.4 Pro su lavoro scientifico e analitico impegnativo. Attraverso l'API la stessa capacità appare come un parametro configurabile di sforzo di ragionamento — Artificial Analysis pubblica i punteggi relativi all'impostazione xhigh del modello, la più costosa che espone.

Considera quella manopola come una leva di costo, non un cursore di qualità. Il ragionamento con agenti paralleli consuma molti più token di un singolo passaggio, e i numeri di benchmark che hai letto sono stati prodotti con il massimo sforzo. Imposta il valore più basso come predefinito per le chiamate di routine e riserva l'alto sforzo per i casi in cui una prima risposta sbagliata è costosa.

Come si valuta: forte con gli strumenti, nella media senza

Il modo più chiaro per leggere Muse Spark 1.1 è con strumenti attivati rispetto a strumenti disattivati. Con gli strumenti, è in testa nei test agentici: MCP Atlas 88.1 contro l'82.2 di Claude Opus 4.8, JobBench 54.7 contro 48.4, Legal Agent Bench 20.0 contro il 12.9 di Grok 4.5, e Humanity's Last Exam con strumenti 62.1 contro 57.9. Senza strumenti è nella norma — il semplice Humanity's Last Exam si attesta intorno a 45, ben dietro ai circa 77 di Gemini 3.1 Pro nello stesso test.

Anche in termini di precisione di esecuzione è indietro rispetto ai leader: OSWorld-Verified computer use 80.8 contro l'83.4 di Opus 4.8, SWE-Bench Pro coding 61.5 contro 69.2, DeepSWE 1.1 long-horizon coding 53.3 contro il 67.0 di GPT-5.5, e BabyVision visual reasoning 76.3 contro 83.6. Molte di queste cifre sono riportate dai fornitori, diverse provengono dalle valutazioni della stessa Meta, e vengono eseguite su harness differenti — consideratele come indicative e testatele di nuovo sui vostri task.

Il quadro indipendente di Artificial Analysis è più compatto e più utile. Intelligence Index 51, posizione #22 su 185, contro una mediana di classe di 32. Velocità 213,5 token di output al secondo, posizione #2 su 185 — questo è un modello davvero veloce. Prezzo posizione #31, prezzo con cache-hit $0,15 per uno sconto dell'88%. Verbosity 94M token di output per completare l'indice contro una mediana di 65M, ed è qui che arriva una buona parte della bolletta reale. Spesa totale per valutarlo sull'intera suite: $548,07.

Un'avvertenza da tenere a mente: Meta dichiara di accettare input di testo, immagini, video, audio e PDF, ma la scheda tecnica di Artificial Analysis per il modello 1.1 riporta come valutati solo testo e immagini. Entrambe le cose possono essere vere — l'API accetta più di quanto il benchmark abbia effettivamente testato — ma nessuno al di fuori di Meta ha pubblicato risultati su un carico di lavoro video o audio. Se l'analisi di contenuti misti è il motivo per cui sei qui, preventiva del tempo per verificarlo di persona.

Dovresti passare alla 1.2? La risposta sulla latenza

Sulla programmazione, Meta dice sì, e i suoi numeri sono internamente coerenti: Terminal-Bench 2.1 sale dal 76,2% all'82,9%, DeepSWE v1.1 dal 53,0% al 59,3%, e il suo benchmark interno di coding dal 68,3% al 70,6%. Queste sono valutazioni eseguite da Meta, con punteggio pass@1 su cinque tentativi nell'harness di Meta — vale la solita avvertenza: i modelli rivali nell'harness di un fornitore sono spesso sotto-ottimizzati. In modo indipendente, Artificial Analysis ha spostato Muse Spark 1.2 a 54 sull'Intelligence Index, posizione #13 su 185, tre punti sopra la 1.1.

Meta ha comprato quei punti con la deliberazione, e questo si riflette in ogni misurazione temporale. Artificial Analysis registra un tempo al primo token di 26.12 secondi per la 1.2 contro 2.90 secondi per la 1.1 — entrambi al massimo sforzo di ragionamento di ciascun modello. La velocità di output è scesa da 213.5 a 165 token al secondo. La verbosità è aumentata leggermente, 95M contro 94M token, e il costo per eseguire la stessa suite di benchmark è salito da $548.07 a $637.85 a parità di prezzo per token. Quest'ultima cifra è la dichiarazione più chiara del compromesso: stessa lista prezzi, 16% di token in più consumati, tre punti indice in più.

Leggi attentamente la figura dei 26 secondi, perché è facile fraintenderla. È una misura di benchmark a sforzo massimo, e l'API per impostazione predefinita usa un livello intermedio. Come punto di riferimento per il traffico reale, Muse Spark 1.1 su OrcaRouter — servendo qualunque sforzo i chiamanti effettivamente richiedano — mostra un p50 del tempo al primo token di 1.84 secondi e un p95 di 6.00 secondi nell'arco di una settimana di traffico di produzione, con un tasso di errore pari a zero. La latenza di benchmark a sforzo massimo e la latenza di produzione a sforzo predefinito sono grandezze diverse, e il divario tra loro è di solito più di un ordine di grandezza.

Quindi la decisione si risolve chiaramente in base alla forma del carico di lavoro. Se stai eseguendo agenti di codifica a lungo orizzonte che tengono un repository nel contesto e lavorano per minuti alla volta, 1.2 è il modello migliore e la penalità di latenza si ammortizza su un'attività che non sarebbe mai stata istantanea. Se stai servendo qualsiasi cosa interattiva — una superficie chat, un ciclo di chiamata di strumenti con un umano in attesa, un SLO di latenza misurato in secondi — Muse Spark 1.1 rimane il modello meglio formato della famiglia, e il suo rango di velocità non è un errore di arrotondamento. Nulla del lancio di agosto cambia questo.

Esperienza dello sviluppatore e limiti

L'API Meta Model rimane un'anteprima pubblica, anche se il lancio di agosto ha ampliato l'accesso globale e aggiunto l'opzione aziendale di zero conservazione dei dati. Meta offre un'interfaccia in stile OpenAI e accesso tramite SDK, e Spark è disponibile per i consumatori nella modalità "Thinking" di Meta AI. I limiti di frequenza ora sono pubblicati anziché ipotizzati — 3.000 richieste al minuto documentate per il livello standard — ma lo stato di anteprima rimane pur sempre uno stato di anteprima, quindi tieni una via di fallback per i giorni in cui la capacità è limitata. Il failover automatico tra provider è esattamente il tipo di infrastruttura che un endpoint di livello anteprima richiede, ed è il motivo per cui instradare un modello in anteprima attraverso un gateway non ti costa nulla e ti offre un secondo percorso.

Attraverso OrcaRouter, l'ID del modello è meta/muse-spark-1.1 e sono disponibili sia /v1/chat/completions che /v1/responses, quindi un client OpenAI esistente necessita solo di un URL di base e di una stringa del modello, e nient'altro:

from openai import OpenAI

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

= client.chat.completions.create(model="meta/muse-spark-1.1", messages=[{"role": "user", "content": "Pianifica ed esegui gli strumenti per risolvere questo problema."}])

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

Dove si adatta — e dove no

Buona soluzione per: automazione dell'esecuzione di strumenti e dell'uso del computer dove il tempo di risposta è visibile a una persona; ragionamento sensibile ai costi su larga scala su dati che non puoi consegnare a un set di addestramento; flussi di lavoro che mescolano testo con immagini, video, PDF o audio, con la tua verifica sul percorso dei media; e team che vogliono un'opzione predefinita veloce ed economica con un modello premium tenuto di riserva per i passaggi più difficili.

Poco adatto per: la precisione di codifica ai vertici delle classifiche e l'ingegneria greenfield più difficile, che restano ancora appannaggio di Claude Opus 4.8 e GPT-5.6 Sol; problemi di puro ragionamento senza strumenti; attività di precisione visiva in cui Gemini 3.1 Pro è leader; lavoro su repository a lungo termine, che ora è esplicitamente compito di 1.2 e Muse Code; e qualsiasi cosa in cui serva il token più economico possibile di Meta, perché quel livello non esiste su questo modello.

Domande frequenti

Muse Spark 1.1 è ancora disponibile ora che la versione 1.2 è stata rilasciata?

Sì. Meta non ha annunciato alcuna deprecazione né alcuna rimodulazione dei prezzi al lancio del 5 agosto — 1.1 rimane sulla Meta Model API a $1.25 e $4.25 per milione di token, ed è nel catalogo OrcaRouter agli stessi prezzi. La copertura del lancio lo descrive costantemente come continuato alla tariffa API esistente. Detto questo, l'attenzione ingegneristica di Meta si è visibilmente spostata: l'agente di codifica, i nuovi benchmark e il livello economico si riferiscono tutti alla 1.2.

Posso ottenere Muse Spark 1.1 al piano contributore da $0,10?

No. Il livello contributor è un ID modello separato sul checkpoint più recente, muse-spark-1.2-contributor. Non esiste un equivalente 1.1, quindi i token di reasoning Meta più economici richiedono di cambiare versione — e di accettare un limite di 60 richieste al minuto, oltre al permesso per Meta di addestrarsi sui tuoi prompt e completamenti.

Dovrei aggiornare a Muse Spark 1.2?

Se il tuo carico di lavoro è coding di lunga durata o lavoro con agenti su scala di repository, sì: ottiene punteggi più alti sia nelle valutazioni di coding di Meta stessa sia nell'indice indipendente di Artificial Analysis, allo stesso prezzo standard. Se il tuo carico di lavoro è interattivo o sensibile alla latenza, no: 1.2 richiede circa nove volte il tempo al primo token e il 23% della velocità di output in cambio di tre punti di indice, e il suo ragionamento non può essere disattivato. Entrambi sono sulla stessa API, quindi il passaggio è in ogni caso una stringa di modello — che è il test A/B più economico possibile e vale la pena eseguirlo sul tuo traffico prima di decidere.

È Muse Spark 1.1 open source?

No, e questo è il punto della linea. A differenza dei modelli Llama di Meta, la famiglia Muse è a pesi chiusi e viene fornita come prodotto e API. Non ci sono pesi su Hugging Face, nessun percorso di self-hosting e nessun provider terzo — Meta è l'unico soggetto che serve questo modello, il che rende un livello di routing con failover la risposta pratica al rischio di un unico fornitore, piuttosto che un secondo vendor.

Il verdetto, una versione dopo.

Muse Spark 1.1 è un modello agentico rapido, economico e genuinamente multimodale, forte nell'uso degli strumenti e onestamente nella media per quanto riguarda programmazione e ragionamento puri. Nulla di ciò che è stato misurato è peggiorato ad agosto. Ciò che è cambiato è la forma della famiglia che lo circonda: Meta ora ha un modello con punteggi migliori allo stesso prezzo standard, una fascia drasticamente più economica per gli sviluppatori disposti a scambiare i propri dati, e un prodotto agente che non gira né su 1.1 né su qualsiasi cosa a cui si possa puntare 1.1.

Quello che resta è una raccomandazione più ristretta ma concreta. Se ti serve la qualità di ragionamento di Meta a una velocità percepibile dall'uomo — un secondo per il primo token in produzione, 213 token al secondo in seguito — la 1.1 è ancora la versione da scegliere, e i tre punti di indice che la 1.2 aggiunge non valgono un'attesa nove volte più lunga. Se non ti serve quella velocità, non c'è più molto motivo di restare. In ogni caso è una sola stringa di modello, quindi il consiglio onesto è di eseguirle entrambe sul tuo set di valutazione per un giorno e lasciare che sia il tuo budget di latenza a decidere.