Meta Muse Image: il modello, l'API e l'immagine a prezzo fisso di $0,01

Se hai cercato il nome disambiguato e sei arrivato qui, la risposta breve è questa: Meta Image è la generazione e modifica di immagini agentica di Meta, è proprietaria anziché a pesi aperti, e la chiami tramite la Model API di Meta con l'identificatore muse-image-1.0 a un prezzo fisso di $0,01 per immagine generata, con il grounding di ricerca incluso in quel prezzo. Questa è l'intera risposta alla domanda che la ricerca pone, e tutto ciò che segue è il riferimento per essa — cosa fa il modello, come raggiungerlo, qual è effettivamente l'unità di fatturazione, cosa documenta Meta sulla provenienza e dove si ferma la documentazione.

Due cose riguardo alla giustificazione di questa pagina meritano di essere dette chiaramente, poiché questa famiglia è già stata annunciata più di una volta e un secondo pezzo di annuncio sarebbe un duplicato della copertura che già pubblichiamo. Questa è la pagina di riferimento canonica per il nome: la destinazione che un lettore raggiunge dopo averlo cercato. La sua giustificazione è la domanda stabile che abbiamo misurato direttamente il 29 settembre 2026 — i lettori digitano la forma disambiguata di questo nome in tre grafie, in centinaia di impression, in una posizione che occupiamo per caso grazie ad altre pagine anziché per aver scritto una pagina modellata come questa, e converte quasi a zero perché nulla di ciò che pubblichiamo è modellato come un riferimento. Quella misurazione è un fatto su ciò che le persone digitano e nient'altro; non dice nulla sulla qualità o sulla popolarità del modello nel mondo. E l'ancora databile è usata qui come un fatto per datare il modello, non come un evento da riportare: il post di lancio di Meta per Muse Image e Muse Video riporta una data del 7 luglio 2026 e descrive il modello come "disponibile oggi" sulle superfici consumer di Meta a quella data, quindi il 7 luglio 2026 è la data di lancio da cui parte questa pagina. Ogni cifra riportata di seguito è stata letta dalle pagine di Meta il 29 settembre 2026, salvo diversa indicazione nella frase.

Cos'è davvero Muse Image

La descrizione in una riga di Meta è il punto da cui partire, perché fa un lavoro concreto più che di marketing: Muse Image è "una generazione di immagini agentica, fondata sulla ricerca e con un prezzo pensato per i volumi di produzione, a 0,01 $/immagine". Nella pagina del modello di Meta, la superficie delle capacità è suddivisa in quattro modalità operative — generazione di immagini, modifica precisa, composizione ancorata e rifinitura multi-turno — e la documentazione per sviluppatori condensa la stessa cosa in una frase: "Muse Image genera e modifica immagini a partire da una conversazione".

L'affermazione distintiva, per usare le parole di Meta, è che Muse Image «è un modello di immagini che ragiona prima di renderizzare». Il post di lancio di Meta lo rende concreto anziché teorico: «Invece di mappare direttamente i prompt alle immagini, Muse Image opera come un agente: invoca strumenti di ricerca e di programmazione per migliorare l'accuratezza, perfeziona da sé le proprie generazioni e migliora scalando il calcolo in fase di test». In pratica, ciò significa che il modello pianifica prima di disegnare, recupera riferimenti in tempo reale dal web quando un prompt tocca fatti del mondo reale e scrive ed esegue codice quando la precisione conta — il percorso che Meta descrive per grafici accurati e codici QR — poi controlla il risultato prima di restituirlo.

Le tre capacità che Meta nomina per prime sono quelle su cui valutarlo, e sono enunciate nella frase di Meta stessa: Muse Image "segue le istruzioni fedelmente, modifica con precisione e compone da più riferimenti." L'affermazione sulla modifica è la più netta delle tre, perché è un'affermazione sulla moderazione più che sull'output: la pagina del modello di Meta dice che il modello "è progettato per cambiare esattamente ciò che specifichi e lasciare tutto il resto intatto", e supporta il perfezionamento iterativo nel corso dei turni anziché modifiche in un'unica soluzione. La composizione è dove risiede la modalità "composizione ancorata" — ancorare "un'intera serie di generazioni a un piccolo set di immagini di riferimento in modo che il personaggio, lo stile e l'ambientazione rimangano coerenti da un'immagine all'altra", che è la capacità che conta se stai producendo un catalogo o un set pubblicitario invece di una singola immagine. Prese insieme, queste sono le affermazioni che distinguono un modello di immagini con cui generi da uno su cui costruisci una pipeline, e sono affermazioni del fornitore: Meta non pubblica alcun benchmark indipendente di aderenza alle istruzioni o fedeltà di modifica per questo modello.

L'inquadramento agentico non riguarda solo gli strumenti. Meta documenta Muse Image come abbinato a Muse Spark, il suo modello di ragionamento, affinché "i due modelli condividano strumenti e pianifichino congiuntamente per una potente generazione di media agentica" — l'esempio documentato è un output in più parti come GIF animate, pagine con immagini incorporate e piccoli giochi interattivi. Se stai costruendo qualcosa che combina immagini generate con testo o codice generati, questo abbinamento è la parte del design che vale la pena comprendere, ed è il motivo per cui il modello è servito sulla stessa API e con la stessa autenticazione di Muse Spark anziché su un endpoint separato per immagini con credenziali proprie.

Come lo chiami: la superficie API

Muse Image is reached through Meta's Model API, and the developer documentation is specific about the shape of that call. The model identifier is muse-image-1.0, passed as the model field on every request. Requests go to the base URL https://api.meta.ai/v1 with a bearer token — the documentation notes that it uses the same base URL and auth as Muse Spark — and there are two image endpoints plus a conversational one:

• Genera — POST /v1/images/generations, prompt testuale in input, immagine in output.

• Modifica — POST /v1/images/edits, prompt più immagini di input, per attività da immagine a immagine.

• Affina nel corso dei turni — POST /v1/responses, l'API Responses, che è il modo in cui funziona il flusso multi-turno documentato.

Sugli endpoint delle immagini i parametri documentati sono pochi e vale la pena memorizzarli, perché è qui che si decidono il costo e il formato di output. n accetta valori da 1 a 10 e il valore predefinito è 1. size accetta una stringa "WxH" come 1792x1024, e la documentazione è esplicita che su questi endpoint "imposta solo le proporzioni, non i pixel esatti" — non interpretarlo come una garanzia di risoluzione. response_format è b64_json per impostazione predefinita o url, e output_format è webp per impostazione predefinita, con png e jpeg disponibili. Il comportamento agentico è attivabile/disattivabile: gli endpoint delle immagini accettano un'tool_enablement estensione che copre enable_image_search, enable_web_search e enable_shell, e un reasoning_strength di high (il valore predefinito) o low. Ridurre il ragionamento è la leva per costo e latenza, ed è la prima cosa che vale la pena testare in A/B sui propri prompt invece di prenderla per fede.

Nella Responses API gli stessi controlli si trovano all'interno di image_generation come oggetto tool in tools, con ricerca immagini, ricerca web e shell tutte abilitate per impostazione predefinita, e l'array di output viene restituito in un ordine fisso: un elemento di reasoning che riassume ciò che il modello ha pianificato e cercato, un elemento message, poi un image_generation_call che costituisce un elemento per immagine. L'immagine stessa si trova nel campo result di quell'elemento come base64, e il suo id è documentato come handle firmato che si passa di nuovo per continuare a modificare la stessa immagine in un turno successivo. Quell'handle è il meccanismo alla base del perfezionamento multi-turno — è così che si evita di ricaricare un'immagine per cambiarne un dettaglio. Entrambi gli endpoint delle immagini accettano anche stream: true, emettendo image_generation.completed per la generazione e image_edit.completed per le modifiche. Model API è documentata come compatibile drop-in con l'SDK OpenAI, l'SDK Anthropic e le CLI per agenti compatibili con OpenAI, quindi una chiamata immagini esistente è un cambio di stringa del modello, non una riscrittura.

Una cautela che appartiene al riferimento più che a una nota a piè di pagina: Meta non ha pubblicato limiti di frequenza per Muse Image che potessimo leggere. La pagina dei limiti di frequenza sul sito per sviluppatori di Meta restituiva una pagina scheletro senza cifre, come la pagina dei prezzi. Se il throughput è importante per il tuo design, questa è un'incognita che scoprirai dall'API piuttosto che dalla documentazione.

Il prezzo e l'unità in cui è espresso

Un centesimo per immagine. Quella cifra si ricava dalla pagina del modello di Meta stessa per Muse Image, che elenca il modello in una tabella dei prezzi con il grounding di ricerca e il ragionamento entrambi contrassegnati come inclusi e il prezzo indicato come $0.01/immagine; la documentazione per sviluppatori lo ripete così: "Muse Image viene fatturato a un prezzo fisso di $0.01 per immagine generata." L'unità è l'immagine, non il token — la documentazione lo dice direttamente ("Muse Image non è prezzato per token") — e questo è importante perché le API di immagini che riportano l'utilizzo in token di solito vengono fatturate in token. Muse Image restituisce un blocco di utilizzo con i conteggi dei token di input e output, e quei conteggi sono solo informativi.

Dall'unità derivano tre dettagli di fatturazione. Primo, n è un moltiplicatore: una richiesta che restituisce dieci immagini viene fatturata per dieci immagini, quindi il parametro 1–10 è tanto un controllo di spesa quanto una comodità. Secondo, gli errori non vengono fatturati: le immagini che non vengono generate o che sono rimosse dal filtro di sicurezza prima di essere restituite non vengono conteggiate. Terzo, il search grounding è incluso nel prezzo per immagine anziché costituire una voce separata; la documentazione di Meta afferma che è «parte del prezzo per immagine, quindi non comporta alcun addebito separato per il search grounding». Quest'ultimo punto è ciò che rende la tariffa significativa per il lavoro agentico: un modello che cerca sul web prima di generare può produrre diverse chiamate di strumenti dietro un singolo output, e Meta dichiara che le chiamate di strumenti non vengono fatturate separatamente dall'immagine.

Non abbiamo potuto avvalorare la cifra con un listino prezzi, e vale la pena dirlo invece di tralasciarlo. Ogni URL dei prezzi sotto il dominio per sviluppatori di Meta che abbiamo recuperato restituiva un guscio di pagina privo di cifre in dollari, quindi la pagina del modello e la documentazione sulla generazione di immagini sono i due luoghi in cui questa cifra esiste come dichiarazione leggibile. Se ti serve una seconda fonte per l'approvvigionamento, oggi non ce n'è una sul sito di Meta.

Ciò che un centesimo ti offre in pratica è un cambiamento nelle decisioni più che uno sconto. La formulazione di Meta stessa sulla pagina del modello è che il modello «ti consente di eseguire carichi di lavoro che la frontiera prima rendeva irraggiungibili» — generazione di varianti di annunci, immagini di catalogo e personalizzazione per singolo utente — e a questo prezzo centomila immagini a circa $100. Se stai soppesando questa tariffa rispetto ai modelli di immagini premium che potresti già pagare, la mossa utile è eseguire entrambi sui tuoi prompt e sulla tua valutazione, ed è il centesimo per immagine a rendere quella comparazione economica da fare concretamente.

Provenienza: cosa Content Seal risolve e cosa non risolve

Meta rilascia con questo modello un sistema invisibile di watermarking e lo documenta in modo abbastanza preciso da valere la pena citarlo: "Muse Image include Content Seal, il nostro sistema invisibile di watermarking. Le immagini create da Muse Image nell'app Meta AI e su meta.ai portano un segnale nascosto di provenienza che rimane intatto — anche quando vengono ritagliate, compresse, ridimensionate o catturate con uno screenshot." Meta afferma di voler estendere Content Seal al video e anticipa uno strumento di rilevamento che consente di verificare se un'immagine porta il marchio.

Leggi con attenzione la portata di quella frase, perché è più ristretta di quanto sembri a prima vista. Il segnale di provenienza è descritto come veicolato dalle immagini create nell'app Meta AI e su meta.ai — le superfici consumer — e la pagina del modello e la documentazione API di Meta non dicono nulla sul fatto che le immagini generate tramite la Model API rechino lo stesso marchio. Non abbiamo trovato una dichiarazione in un senso o nell'altro, quindi considera Content Seal una funzionalità di provenienza per superfici consumer e non dare per scontato che accompagni un file generato tramite API finché non avrai testato l'output del tuo account. Indipendentemente da ciò, l'unico test del rilevatore che abbiamo riportato proviene da Reuters, che ha rilevato che non è riuscito a verificare la maggioranza delle immagini con watermark dopo il ritaglio; quel risultato e la relativa cifra sono trattati nel nostro explainer di questo modello, che è la pagina da leggere per l'argomento sulla provenienza anziché questa.

Dove viene eseguito

Dichiarazione di disponibilità di Meta, dal post di lancio: Muse Image "è disponibile da oggi nell'app Meta AI e su meta.ai, su Instagram Stories negli Stati Uniti e su WhatsApp in un numero limitato di paesi, e arriverà presto su Facebook". Queste sono le parole di Meta e le superfici sono prodotti di Meta — non c'è lista d'attesa, né codice d'invito, né registrazione separata per nessuna di esse. Sul fronte sviluppatori, il modello è servito tramite Model API, che è ciò a cui servono l'identificatore e gli endpoint sopra. La pagina del modello di Meta elenca anche piattaforme di inferenza di terze parti tra i modi per eseguirlo; non le nominiamo qui, e nulla in questa pagina deve essere interpretato come un'affermazione su termini o tariffe su qualsiasi superficie diversa dall'API di Meta stessa.

Meta non ha pubblicato una data per l'approdo di Muse Image su Model API, e la documentazione per sviluppatori di Meta non ne indica alcuna. L'unica data da cui parte questa pagina è la data di lancio del modello stesso, 7 luglio 2026, stabilita dalla data del post di annuncio di Meta. Se stai datando la superficie API anziché il modello, di' ciò che dice Meta, ovvero nulla.

Pesi aperti o proprietario? Proprietario — e la famiglia ha entrambi

Questa è la domanda su cui i lettori sbagliano più spesso in questa famiglia, quindi vale la pena rispondere direttamente. Muse Image è proprietario.La documentazione per sviluppatori di Meta traccia il confine esplicitamente: i modelli che chiami tramite Model API — Muse Spark, Muse Image, Muse Voice Transcribe e SAM — sono erogati, e "Muse Glimmer segue un percorso diverso: scarichi i pesi aperti e lo esegui sul tuo hardware invece di chiamarlo tramite Model API", con licenza permissiva Apache 2.0. Muse Glimmer è il percorso open-weight in questa famiglia, ed è un modello diverso: un modello multimodale distillato da Muse Spark, non un rilascio aperto di Muse Image. Nulla nella pagina di Meta per Muse Image indica una licenza o offre pesi, perché non ce ne sono da offrire. Se l'auto-hosting è un requisito imprescindibile, Muse Glimmer è il modello da valutare; se vuoi il modello di immagini descritto qui, chiami l'API di Meta e paghi per immagine.

Ciò che Meta afferma di classificare, etichettato come affermazione di Meta

Il post di lancio di Meta afferma: «Muse Image occupa il secondo posto su Arena per text-to-image, modifica di singole immagini e modifica di più immagini, secondo le classifiche Elo basate sulle preferenze umane al momento della stesura.» Due cose di quella frase contano, ed entrambe derivano dalle parole stesse di Meta. Si tratta di una classifica riportata dal fornitore, non un punteggio indipendente, ed è una posizione Elo basata sulle preferenze umane piuttosto che un risultato di benchmark su un harness fisso — una distinzione che fa una vera differenza quando il divario tra le prime due posizioni è inferiore al margine di una valutazione Elo costruita su un numero limitato di voti. I grafici che Meta pubblica insieme all'affermazione sono datati «al 5 luglio 2026», e l'affermazione stessa è qualificata «al momento della stesura», quindi è un'istantanea di una classifica in tempo reale citata da una parte che vi ha un interesse, non una posizione consolidata.

Lo stesso post include una figura di scaling che Meta etichetta per te: il grafico che mostra la qualità aumentare con il ragionamento ha la didascalia "Elo da ablazione interna". Si tratta di una misurazione interna al fornitore, e non è confrontabile con una classifica di terze parti. L'argomento di Meta è che la qualità migliora con il calcolo in fase di test secondo una relazione approssimativamente log-lineare e che ragionamento e uso di strumenti si potenziano a vicenda quando combinati — un'ablazione interna, dichiarata come tale.

Esistono posizionamenti indipendenti per questo modello, su classifiche che non sono di Meta, e li abbiamo riportati: il nostro approfondimento contiene le tabelle di Artificial Analysis e le posizioni nell'arena con le relative cifre, e le due pagine di confronto affiancano quei numeri a rivali ben identificati. Se volete il quadro indipendente anziché quello del fornitore, è lì che dovete leggerlo. Questa pagina non riproduce quelle cifre, e una di esse va comunque letta con cautela, perché Artificial Analysis classifica solo i modelli di immagini che offrono un'API richiamabile: quindi un posizionamento indipendente su Muse Image è un'affermazione su Model API, non sull'app Meta AI.

Ciò a cui la documentazione non risponde

Una pagina di riferimento è utile solo se dice dove si ferma il record, quindi ecco ciò che non abbiamo potuto stabilire da Meta il 29 settembre 2026. Non esiste un limite di frequenza pubblicato per Muse Image. Non esiste un profilo di latenza pubblicato, né un tasso di successo, né una valutazione indipendente del ciclo agentico sotto traffico di produzione — il prezzo per immagine è documentato, ma l'inviluppo operativo no. Non esiste alcun benchmark di instruction-following o fedeltà di modifica da parte di soggetti indipendenti, e Meta non pubblica alcun numero proprio di questo tipo; il grafico del benchmark sulla pagina del modello di Meta non riporta cifre leggibili. Non esiste alcuna dichiarazione di licenza, perché il modello non è concesso in licenza per il download. E la data in cui Muse Image è diventato invocabile su Model API non è indicata da nessuna parte nella documentazione di Meta. Nessuna di queste assenze è una ragione per evitare il modello — un'immagine da un centesimo con grounding di ricerca incluso vale la pena di essere testata solo su questa base — ma ciascuna è una ragione per misurare anziché presumere prima che una pipeline dipenda da esso.

Il verdetto per uno sviluppatore

Meta Muse Image merita una valutazione se il tuo problema è il volume: immagini di catalogo, varianti pubblicitarie, personalizzazione per utente, qualsiasi cosa in cui la tariffa per immagine dei modelli di frontiera fosse ciò che faceva fallire il progetto. Il prezzo unitario è documentato, l'unità è inequivocabile, i fallimenti non vengono fatturati e il grounding di ricerca è incluso nella tariffa invece che fatturato a parte, cosa abbastanza insolita in questo mercato da essere la notizia principale. Non vale la pena adottarlo alla cieca, perché tutto ciò che va oltre il prezzo — throughput, latenza, quanto affidabilmente il ciclo agentico si chiude sui tuoi prompt, se la segnalazione di provenienza viaggia con l'output dell'API — non è documentato, e la stessa affermazione di ranking del fornitore è una posizione basata sulle preferenze umane, citata in un momento preciso, non un risultato misurato. La forma onesta di una decisione, qui, è un esperimento da un centesimo rispetto al modello di immagini che già usi in produzione, sui tuoi prompt, con la modalità di errore economica e un fallback collaudato alle spalle. Per ciò che questo modello è, come viene invocato e quanto costa, questa pagina è il riferimento; per stabilire se debba entrare nel tuo stack, gli unici numeri che contano sono quelli che generi tu stesso.