Muse Spark Open vs Muse Spark 1.3: Nove punti indice sono un bel po' da cedere gratis

Ecco il confronto scomodo nella stessa famiglia di Meta. Muse Spark Open, rilasciato il 15 ottobre 2026, è il modello open-weight da 816 miliardi di parametri che chiunque può scaricare; una misurazione indipendente lo colloca a 39 sull'Artificial Analysis Intelligence Index. Muse Spark 1.3, il modello API proprietario che Meta ha reso disponibile il 2 settembre 2026, si attesta a 48. Nove punti non sono una differenza da arrotondamento — è all'incirca la distanza tra un livello di capacità e il successivo, ed è il numero che rende "basta usare quello aperto al suo posto" un consiglio molto peggiore di quanto sembri il giorno del lancio.

Inizia dallo scenario, non dalla scheda tecnica

Tre team hanno esaminato il rilascio di Muse Spark Open e si sono chiesti se potevano annullare qualcosa.

Il primo esegue una pipeline notturna che legge un corpus fisso ed emette record strutturati. La latenza è irrilevante, il volume è enorme, lo schema non cambia mai. Questo team dovrebbe prendere i pesi aperti e smettere di pagare per token.

Il secondo esegue un agente di codifica interattivo che effettua una dozzina di piccoli round-trip per ogni richiesta dell'utente. Questo team non dovrebbe farlo, e il motivo è il throughput e il costo di ragionamento, entrambi sul punto di diventare molto più concreti.

Il terzo esegue ragionamenti multi-step complessi — il tipo in cui il modello deve mantenere una lunga catena di inferenze, chiamare strumenti al suo interno e riprendersi dai propri vicoli ciechi. Neanche questo team dovrebbe farlo, e per loro il divario di nove punti non è un'astrazione. È la differenza tra un flusso di lavoro che si completa e uno a cui bisogna fare da babysitter.

Tutto ciò che segue serve a distinguere quei tre senza tirare a indovinare.

Di cosa sono fatti i nove punti

L'indice è un composito, e i compositi nascondono la struttura. La struttura qui è per lo più dove ci si aspetterebbe che sia, con una sorpresa.

• Lavoro agentico e con uso di strumenti — il terreno più solido di Muse Spark 1.3. I dati di lancio di Meta per 1.3, riportati dal fornitore e misurati all'interno del suo stesso harness, collocano Terminal-Bench 2.1 a 83,9 e DeepSWE 1.1 a 68. Rispetto ai 76,4 e 60 riportati dal fornitore per Muse Spark Open, si tratta di un vantaggio costante di sette-otto punti nelle valutazioni più vicine al comportamento reale di un agente, e coincide quasi esattamente con il divario dell'indice indipendente.

• Ragionamento a libro chiuso — il divario più ampio. La scheda di valutazione di Muse Spark Open mostra che la sua riga più debole è HLE-Diamond senza strumenti, dove Meta riporta 26.1. Muse Spark 1.3 è stato creato come modello orientato al ragionamento; la configurazione di ragionamento "max" nel suo nome non è un elemento decorativo.

• Ampiezza delle conoscenze — più ristretta di quanto suggerisca il titolo, e Artificial Analysis valuta entrambi i modelli su un asse di onniscienza dove la differenza è minore di quanto implichi il delta dell'indice. Questo è importante perché significa che il divario è concentrato nella profondità di ragionamento e nella resistenza degli agenti, non in quanto il modello sappia.

• Velocità — Muse Spark 1.3 misura 127,7 token al secondo, classificandosi al 41º posto su 185 su Artificial Analysis. La velocità di Muse Spark Open non è stata pubblicata da nessuna fonte indipendente. Un modello mixture of experts da 816B self-hosted su due macchine desktop sarà più lento di 127,7 tok/s; di quanto, non si sa, e questa è la seconda lacuna più grande nelle prove, insieme al costo.

• Prezzo — Muse Spark 1.3 viene venduto a 1,25 $ per milione di token in input e 4,25 $ per milione di token in output, con uno sconto dell'88% sull'input in cache, generando un costo misurato di 1,60 $ per attività dell'Intelligence Index. Muse Spark Open non ha un prezzo per token; il suo costo è l'hardware, e per esso non esiste alcun dato indipendente sul costo per attività.

Una riga di quell'elenco merita un secondo sguardo, perché è l'argomento che più spesso viene frainteso. Muse Spark 1.3 è un ragionatore verboso. Artificial Analysis ha misurato che consuma circa 170 milioni di token nel corso della valutazione, contro circa 130 milioni per Muse Spark 1.2 — ed è per questo che 1.3 costa 1,60 $ per attività agli stessi prezzi di listino per token che per 1.2 producono 0,97 $. Il livello di ragionamento di frontiera ti fa pagare due volte: una per la capacità e una per i token che brucia per arrivarci pensando.

La manopola del ragionamento è lì che stanno i soldi

Entrambi i modelli danno priorità al ragionamento e nessuno dei due ti consente di disattivarlo, ma espongono lo sforzo in modo diverso, e questa differenza è la cosa più concretamente utile in questa pagina.

Muse Spark Open pubblica apertamente la sua scala di sforzo: low, medium, high e xhigh corrispondono a 16, 64, 256 e 512 token di ragionamento, e un suggerimento sulla forza di ragionamento nel prompt di sistema fa lo stesso lavoro. È una manopola che puoi girare dal tuo codice, con un costo noto per ogni impostazione, e poiché paghi in elettricità e tempo effettivo anziché in dollari per token di output, abbassarla non ti costa nulla al contatore. Ti costa accuratezza, e solo accuratezza.

Su Muse Spark 1.3 la stessa scala esiste dal lato del fornitore, e ogni tacca che alzi viene fatturata. A 4,25 $ per milione di token di output, con i token di ragionamento conteggiati come output, un workflow che gira al massimo sforzo paga la deliberazione del modello nel modo più letterale possibile. Questo è l'unico punto in cui l'economia del modello aperto non è solo difendibile ma genuinamente migliore: un batch job che può permettersi di pensare di più è libero di farlo, e un batch job che non ha bisogno di pensare intensamente è libero di fermarsi.

Dove scompare il divario

Tre situazioni azzerano la differenza di nove punti.

Il fine-tuning è il primo e il più grande. Muse Spark 1.3 non può essere messo a punto sui tuoi dati a nessun prezzo. Muse Spark Open può, con il supporto TorchTitan che Meta ha distribuito insieme ai pesi. Un modello messo a punto sulla tua codebase, sul tuo schema o sul tuo vocabolario di dominio non è lo stesso modello di quello che ha ottenuto 39, né in un senso né nell'altro — e per un compito ristretto, la versione messa a punto di un modello generale più debole batte regolarmente la versione non messa a punto di uno più forte. Se il tuo problema è specifico, il divario dell'indice non è la misura rilevante.

La residenza dei dati è la seconda. Se il corpus non può uscire dalla tua rete, il confronto non è tra 39 e 48; è tra 39 e non avere un modello. Non è una decisione difficile, e non lo è mai stata.

Il volume batch ammortizzato è il terzo, con una precisazione. Una pipeline il cui consumo di token è elevato, costante e prevedibile può giustificare l'hardware. Una pipeline a raffiche non può, perché l'auto-hosting converte un costo variabile in un costo fisso e poi ti addebita comunque le ore di inattività. Si noti inoltre che lo sconto sulla cache di Muse Spark 1.3 rende il modello ospitato insolitamente economico proprio per il pattern di contesto ripetuto che le pipeline batch di grandi dimensioni producono, quindi il caso dell'auto-hosting è più debole di quanto suggerisca un ingenuo calcolo dei token moltiplicati per il prezzo.

Dove il divario diventa un muro

Due carichi di lavoro non dovrebbero avvicinarsi al modello aperto.

Gli agenti interattivi vengono per primi. Muse Spark 1.3 misura 127,7 token al secondo, e un ciclo agentico moltiplica quel numero per il numero di andate e ritorni per attività. Muse Spark Open non ha una velocità pubblicata, e l'aspettativa strutturale è che un modello da 816B in esecuzione sulla larghezza di banda della memoria di un desktop sarà molto indietro. Se un essere umano è in attesa, i nove punti di indice sono irrilevanti e il divario di throughput è tutto.

Il ragionamento di frontiera a raffica è il secondo, per una ragione più sottile. I carichi di lavoro che necessitano di 48 punti di capacità di ragionamento sono, quasi per definizione, quelli in cui un fallimento è costoso e la catena di ragionamento è lunga. Eseguirli su un modello di un livello inferiore, con una velocità di elaborazione sconosciuta, per risparmiare sul costo per token, significa scambiare un costo piccolo e prevedibile con uno grande e imprevedibile. Questo è lo scambio che il terzo team all'inizio di questo articolo dovrebbe rifiutare.

La squadra che vuole entrambi

La maggior parte delle organizzazioni che finiscono per eseguirli entrambi lo fa perché i carichi di lavoro sono davvero diversi: i percorsi interattivi richiedono velocità, i percorsi batch richiedono costi contenuti, e solo alcuni percorsi devono rimanere on-premises. La modalità di errore non è l'architettura — è che la separazione risiede in un documento invece che nella configurazione, e uno sviluppatore copia una stringa di modello da un tutorial.

Un livello di routing è il meccanismo che risolve questo problema. OrcaRouter instrada Muse Spark 1.2 al prezzo di listino di Meta con 0% di ricarico e riporta il prezzo di listino del fornitore, così un taglio di prezzo lato hosting raggiunge la tua chiave lo stesso giorno senza alcun lavoro di riprezzamento. Non ospita Muse Spark Open, e non va inteso come se lo facesse: un modello la cui intera proposta è che puoi tenere i pesi è un modello che esegui sul tuo hardware. Ciò che il router aggiunge è la metà interattiva — anche Muse Spark 1.3 al momento non è instradato da OrcaRouter, quindi la forma pratica oggi è chiamare il livello hosted dove già lo chiami e lasciare che una sola API, con failover automatico e un DSL di routing, mantenga sotto un'unica chiave i 200+ modelli che puoi raggiungere mentre il tuo hardware gestisce ciò che deve restare a casa.

Scegli in base al carico di lavoro, non alla licenza

Scegli Muse Spark Open se il tuo compito è abbastanza ristretto da poter essere messo a punto, se i dati non possono uscire, se il carico di lavoro è grande e costante e, soprattutto, se il modello può pensare al livello di impegno che preferisce senza che il contatore continui a girare. Queste sono le quattro condizioni, e di solito sono correlate: le pipeline sono ristrette, a lotti e stazionarie.

Scegli Muse Spark 1.3 se un essere umano attende l'output, se il ragionamento è davvero difficile, se il lavoro è a raffiche, o se ti serve un elenco multimodale confermato: gli input di testo, immagini e video di 1.3 sono elencati in modo indipendente, mentre le più ampie dichiarazioni audio e video di Muse Spark Open sono affermate dal fornitore e, da misurazioni indipendenti, risultano solo testo e immagini.

Quello che non dovresti fare è prendere i pesi aperti perché sono gratuiti. I nove punti tra 39 e 48 sono reali, sono concentrati esattamente nel lavoro agentico e di ragionamento che rende utili questi modelli, e nessuna quantità di inferenza locale può recuperarli. Muse Spark Open è la risposta giusta a un insieme specifico di domande. Non è uno sconto su Muse Spark 1.3.

Muse Spark Open è scaricabile secondo la Muse Model License; Muse Spark 1.3 è disponibile per token a 1,25 $ per l'input e 4,25 $ per l'output, con lo sconto per la cache applicato alle tariffe del fornitore.