Meta Muse Spark 1.1 Review: Nog steeds de snelle, niet langer de goedkope

Vier weken lang was het argument voor Meta Muse Spark 1.1 een kwestie van rekenkunde. $1,25 per miljoen tokens in, $4,25 uit, voor een van nature multimodaal model dat tools beter uitvoerde dan bijna alles in zijn prijsklasse. Toen lanceerde Meta op 5 augustus 2026 Muse Spark 1.2 samen met Muse Code — zijn eerste terminal-codeeragent — en koppelde aan het nieuwe model iets dat 1.1 nooit had: een bijdragersniveau voor $0,10 in en $0,20 uit. Twaalf keer goedkoper op invoer, eenentwintig keer goedkoper op uitvoer, in ruil voor het feit dat Meta op je prompts mag trainen. De prijs van Muse Spark 1.1 bewoog geen cent. Zijn positie echter wel.

Dat is het eerlijke kader om dit model nu te beoordelen. Muse Spark 1.1 is niet verouderd, heeft geen nieuwe prijs gekregen en is nog steeds de snellere en beter gedocumenteerde van Meta's twee redeneer-checkpoints — maar het is niet langer de goedkoopste manier om een Meta-model te huren, en de agent die Meta het hardst pusht, draait er niet op. Deze review behandelt wat 1.1 is, waar het meetbaar goed in is, wat de lancering van augustus veranderde en de smallere reeks taken waarvoor het nog steeds de juiste keuze is. Wanneer een getal uit Meta's eigen evaluaties komt, zegt de zin dat; wanneer het uit Artificial Analysis of uit productieverkeer komt, zegt die dat ook.

Korte conclusie

• Wat het is — een native multimodaal redeneermodel (tekst, beeld, video, PDF en audio in, tekst uit) met configureerbare redeneerinspanning, gebouwd om tools te gebruiken en een computer te bedienen. Gesloten gewichten, geleverd door Meta.

• Prijs — $1,25 invoer / $4,25 uitvoer per miljoen tokens, $0,15 bij een cache-hit. Ongewijzigd sinds de lancering, en nog steeds ongeveer een kwart van de uitvoerprijs van GPT-5.6 Sol ($5/$30) en een zesde van die van Claude Opus 4.8 ($5/$25).

• Intelligentie — 51 op de Artificial Analysis Intelligence Index, positie #22 van 185 in zijn klasse tegen een klasse-mediaan van 32. Een onafhankelijke meting, geen claim van Meta.

• Kracht — toolgebruik en agentische redenering, plus echte snelheid: 213,5 outputtokens per seconde, wat Artificial Analysis op #2 van 185 plaatst.

• Zwakte — pure redenering en ruwe codering zitten in de middenmoot, het ophalen van lange contexten is niet toonaangevend, en het is breedsprakig: 94M outputtokens om de Intelligence Index te voltooien tegen een mediaan van 65M.

• De nieuwe kanttekening — Muse Spark 1.2 scoort nu drie punten hoger en kost op het bijdragersniveau een twintigste van de prijs. Het resterende voordeel van 1.1 is de latentie, en dat is een groot voordeel.

Wat Meta op 5 augustus uitbracht — en wat het met 1.1 deed

Muse Code is een codeeragent voor de terminal, momenteel in bèta, die via een oneliner-shellscript op macOS en Linux wordt geïnstalleerd (geen Windows-build) en draait als de muse-binary. Het neemt volledige software-engineeringtaken op zich in grote repositories: het plannen van de wijziging, het schrijven van de code, het valideren van het resultaat. Meta's pitch is architecturale samenhang — de agent en het model zijn samen getraind in plaats van aan elkaar gekoppeld te worden — en de functielijst is rechtstreeks gericht op Claude Code en Codex: achtergrondagenten die blijven werken nadat je de terminal sluit, hervatting via eventlogs, parallelle worktrees voor subagenten, en een OS-sandbox met standaard ingeschakelde goedkeuringen. De demo die Meta ervoor publiceerde is een optimalisatielus voor GPU-kernels die gedurende wel 24 uur meer dan 1.000 toolcalls uitvoert op NVIDIA Hopper-hardware.

Muse Code draait Muse Spark 1.2, niet 1.1. Dat is het eerste praktische gevolg voor iedereen die deze review leest: als je Meta's agent wilt, zit je op het nieuwe checkpoint.

Het tweede gevolg is de prijsstelling, en dat is het interessantere. Meta bracht 1.2 uit met twee verschillende model-ID's in plaats van één:

• Standard (muse-spark-1.2) — $1,25 input, $0,15 cached input, $4,25 output per miljoen tokens. Identiek aan Muse Spark 1.1. Meta verbindt zich ertoe dat prompts en completions op dit niveau niet worden gebruikt om haar producten te verbeteren.

• Bijdrager (muse-spark-1.2-contributor) — $0,10 invoer, $0,002 gecachte invoer, $0,20 uitvoer. In ruil daarvoor verleen je Meta toestemming om toekomstige modellen te trainen op jouw prompts en completions.

• Muse Spark 1.1 — er is geen bijdragerniveau. Het blijft bij de standaardprijs, en Meta heeft geen afschaffing aangekondigd.

Meta's eigen framing voor de contributor-tier is dat deze 'meer dan 10 keer goedkoper is dan zelfs de pay-as-you-go-tier', wat nog een understatement is: de werkelijke veelvouden zijn 12,5× op input en 21,25× op output, met gecachte input tegen een bijna gratis $0,002. Dat is de 'lage prijs'-kop die de lancering opleverde, en die alleen aan 1.2 toebehoort.

Het prijsverhaal, herschreven

Voordat je je budget herschrijft rond $0,20 per outputtoken, moet je de rest van de voorwaarden van het contributieniveau lezen, want die maken het goedkoop. De snelheidslimieten dalen van een gedocumenteerde 3.000 verzoeken per minuut op het standaardniveau naar 60 op het contributieniveau — een limiet die een ontwikkelaar die op een laptop experimenteert toestaat, maar een productie-agentvloot verbiedt. En de gegevensruil is geen formaliteit: jouw prompts en de completions van jouw model worden trainingsmateriaal. Voor iedereen die klantgegevens, propriëtaire broncode of iets onder een geheimhoudingsverplichting verwerkt, is het contributieniveau geen goedkopere versie van hetzelfde product; het is een ander product. Meta erkende dat ook bij dezelfde lancering door een optie voor nul dataretentie toe te voegen voor zakelijke klanten op het betaalde pad.

Dus de eerlijke vergelijking is niet "1.1 voor $4,25 versus 1.2 voor $0,20." Het is: bij standaardprijzen kosten de twee modellen precies hetzelfde, en 1.2 is degene die beter scoort. Het $0,20-niveau is een echt en agressief aanbod, maar het is gericht op individuen en experimenten, en het is alleen beschikbaar op het nieuwere model.

Wat de rekening bij beide modellen echt bepaalt, is caching, niet het lijstarief. {{1}}Neem een representatieve agentstap: 60.000 tokens aan repository- of documentcontext erin, 3.000 tokens aan plan-en-antwoord eruit. Bij een koude cache is dat $0,075 aan invoer plus $0,013 aan uitvoer — ongeveer 8,8 cent, of $88 per duizend stappen.{{/1}} {{2}}Houd het contextprefix stabiel, zodat het de cache raakt tegen $0,15 per miljoen en de invoerkosten kelderen naar $0,009. Daarmee kost de stap ruwweg 2,2 cent en de run van duizend stappen $22.{{/2}} Een verschil van 75%, volledig bepaald door de vraag of je agentframework een stabiel prefix hergebruikt of de prompt elke beurt opnieuw opbouwt. Als je na het lezen van deze review maar één technische maatregel doorvoert, laat het dan cache-sleutelstabiliteit zijn in plaats van modelkeuze.

Eén structurele opmerking over waar je het huurt. Muse Spark 1.1 staat in de OrcaRouter-catalogus voor $1,25 en $4,25 met een cache-read van $0,15 — dezelfde bedragen die Meta rekent, omdat OrcaRouter 0% opslag hanteert en de catalogusprijs van de provider rechtstreeks doorgeeft, dus een prijswijziging van de leverancier landt hier op de dag dat hij daar landt. Muse Spark 1.2 staat nog niet in de catalogus en wordt rechtstreeks door Meta geleverd. Dat is van belang voor de vergelijking die je waarschijnlijk gaat draaien: GPT-5.6 Sol, Claude Opus 4.8, Grok 4.5 en Gemini 3.1 Pro zitten allemaal achter één sleutel tegen catalogusprijs, dus je kunt ze benchmarken tegen Muse Spark 1.1 op één evaluatieset zonder een tweede contract, en het getal in je spreadsheet is het getal op de factuur.

Wat Muse Spark 1.1 eigenlijk is

Muse Spark is de vlaggenschip-redeneerlijn van Meta Superintelligence Labs, de groep die Mark Zuckerberg oprichtte onder Alexandr Wang. Het markeert een strategische ommekeer: waar Meta's Llama-modellen open gewichten hadden, is de Muse-familie — Spark, plus de Image- en Video-generatoren — gesloten en wordt deze geleverd als product en API. Spark 1.0 verscheen op 8 april 2026; 1.1 volgde op 9 juli, samen met de openbare preview van de Meta Model API. De praktische verandering voor ontwikkelaars is dat Meta nu een first-party API-leverancier is die rechtstreeks concurreert met de twee gevestigde API-leveranciers, niet louter een uitgever van gewichten — en de lancering van een codeeragent op 5 augustus is de duidelijkste bevestiging daarvan tot nu toe.

Versie 1.1 was een substantiële stap vooruit in plaats van een puntrelease. Op Artificial Analysis behaalde het in drie maanden acht punten op de Intelligence Index, van 43 naar 51. De coderingsindex steeg met 12 punten naar 71, SciCode verbeterde naar 58% en Humanity's Last Exam steeg naar 45%. Meta zei dat de grootste winst werd geboekt op het gebied van toolgebruik, computergebruik, coderen en multimodaal begrip — consistent met een model dat is afgestemd om te handelen in plaats van louter te antwoorden.

Wat de context betreft is de eerdere verwarring opgelost: Artificial Analysis en OrcaRouter vermelden beide een venster van 1.048.576 tokens, en Meta beschrijft een venster dat het model actief comprimeert. Een miljoen tokens vasthouden is echter niet hetzelfde als er iets uit kunnen ophalen, en de lange-context-retrievalscore van 1.1 (ongeveer 54,1) geeft aan dat het terughalen doorsnee is. Behandel het venster als een capaciteit, niet als een garantie.

Redeneerinspanning: Direct, Overpeinzen, en de draaiknop eronder.

Op Meta's consumentenomgeving biedt Muse Spark twee benoemde modi: {{1}}Instant antwoordt onmiddellijk zonder uitgebreide redenering, zoals een standaard chatbeurt;{{/1}} {{2}}Contemplating voert meerdere agents parallel uit met behulp van een "gedachtencompressie"-techniek die is ontleend aan reinforcement learning, en Meta positioneert het tegenover DeepMind Deep Think en GPT-5.4 Pro bij veeleisend wetenschappelijk en analytisch werk.{{/2}} Via de API verschijnt dezelfde mogelijkheid als een configureerbare reasoning-effort-parameter — Artificial Analysis publiceert zijn scores bij de xhigh-instelling van het model, de duurste die het beschikbaar stelt.

Behandel die instelling als een kostenhendel, niet als een kwaliteitsregelaar. Redeneren met parallelle agenten verbruikt veel meer tokens dan een enkele doorgang, en de benchmarkcijfers die je las, zijn geproduceerd met maximale inspanning. Kies standaard voor het lage niveau bij routinematige aanroepen en bewaar hoge inspanning voor de gevallen waarin een fout eerste antwoord duur is.

Hoe het scoort: sterk met tools, middenmoter zonder.

De duidelijkste manier om Muse Spark 1.1 te lezen is met tools versus zonder tools. Met tools leidt het de agentische tests: MCP Atlas 88.1 tegen Claude Opus 4.8's 82.2, JobBench 54.7 tegen 48.4, Legal Agent Bench 20.0 tegen Grok 4.5's 12.9, en Humanity's Last Exam met tools 62.1 tegen 57.9. Zonder tools is het gewoon — het gewone Humanity's Last Exam ligt rond de 45, ver achter Gemini 3.1 Pro's ruwweg 77 op dezelfde test.

Op het gebied van uitvoeringsprecisie blijft het ook achter bij de koplopers: OSWorld-Verified computergebruik 80.8 tegen Opus 4.8's 83.4, SWE-Bench Pro-codering 61.5 tegen 69.2, DeepSWE 1.1 long-horizon-codering 53.3 tegen GPT-5.5's 67.0, en BabyVision visuele redenering 76.3 tegen 83.6. Veel van deze cijfers zijn door leveranciers gerapporteerd, enkele uit Meta's eigen evaluaties, en ze draaien op verschillende testomgevingen — beschouw ze als richtinggevend en test ze opnieuw op je eigen taken.

Het onafhankelijke beeld van Artificial Analysis is compacter en nuttiger. Intelligentie-index 51, rang #22 van 185, tegen een klassemediaan van 32. Snelheid 213.5 outputtokens per seconde, rang #2 van 185 — dit is een werkelijk snel model. Prijsrang #31, cache-hit-prijs $0.15 voor een korting van 88%. Uitvoerigheid 94M outputtokens om door de index te komen tegen een mediaan van 65M, waar een groot deel van de echte rekening vandaan komt. Totale uitgaven om het op de hele suite te evalueren: $548.07.

Een kanttekening die het overwegen waard is: Meta adverteert tekst, beeld, video, audio en PDF-invoer, maar de technische specificatiekaart van Artificial Analysis voor 1.1 vermeldt alleen tekst en beeld als geëvalueerd. Beide kunnen waar zijn — de API accepteert meer dan de benchmarkopstelling heeft getest — maar niemand buiten Meta heeft resultaten gepubliceerd over een video- of audioworkload. Als u hier bent voor mixed-media-analyse, reserveer dan tijd om het zelf te verifiëren.

Zou je moeten overstappen naar 1.2? Het antwoord over latentie

Wat coderen betreft zegt Meta ja, en de cijfers zijn intern consistent: Terminal-Bench 2.1 stijgt van 76,2% naar 82,9%, DeepSWE v1.1 van 53,0% naar 59,3%, en de interne codeerbenchmark van 68,3% naar 70,6%. Dit zijn door Meta uitgevoerde evaluaties, gescoord met pass@1 over vijf pogingen in Meta's eigen testomgeving — de gebruikelijke kanttekening geldt, namelijk dat concurrerende modellen in de testomgeving van een leverancier vaak niet optimaal zijn afgestemd. Onafhankelijk daarvan heeft Artificial Analysis Muse Spark 1.2 op de Intelligence Index naar 54 gebracht, positie #13 van 185, drie punten boven 1.1.

{{1}}Waarmee Meta die punten heeft betaald, is bedachtzaamheid, en dat is in elke timingmeting terug te zien.{{/1}} {{2}}Artificial Analysis meet een tijd tot het eerste token van 26,12 seconden voor 1.2 tegenover 2,90 seconden voor 1.1 — beide bij de hoogste redeneerinspanning van elk model.{{/2}} {{3}}De uitvoersnelheid daalde van 213,5 naar 165 tokens per seconde.{{/3}} {{4}}De verbositeit nam licht toe, 95M tegenover 94M tokens, en de kosten voor het draaien van de identieke benchmarksuite stegen van $548,07 naar $637,85 bij identieke prijzen per token.{{/4}} {{5}}Dat laatste cijfer is de duidelijkste weergave van de ruil: dezelfde prijslijst, 16% meer verbruikte tokens, drie indexpunten meer.{{/5}}

Lees de 26-seconden-figuur zorgvuldig, want hij is gemakkelijk verkeerd te lezen. Het is een benchmarkmeting bij maximale inspanning, en de API gebruikt standaard een middelste instelling. Als referentiepunt voor echt verkeer: Muse Spark 1.1 op OrcaRouter — die bedient wat bellers ook daadwerkelijk aanvragen — toont een p50-time-to-first-token van 1,84 seconden en een p95 van 6,00 seconden over een week productieverkeer, met een foutpercentage van nul. Benchmarklatentie bij maximale inspanning en productielatentie bij standaard inspanning zijn verschillende grootheden, en het verschil daartussen is meestal meer dan een orde van grootte.

Dus de keuze wordt duidelijk bepaald door de vorm van de workload. Als je langlopende codeeragents draait die een repository in context houden en minutenlang aan één stuk werken, is 1.2 het betere model en amortiseert de latentieboete over een taak die toch nooit instant zou aanvoelen. Als je iets interactiefs bedient — een chatomgeving, een tool-aanroepcyclus met een wachtende persoon, een latentie-SLO gemeten in seconden — blijft Muse Spark 1.1 het beter gevormde model in de familie, en zijn snelheidsrangschikking is geen afrondingsfout. Niets aan de lancering van augustus verandert dat.

Ontwikkelaarservaring en limieten

De Meta Model API blijft een openbare preview, hoewel de lancering in augustus de wereldwijde toegang uitbreidde en de enterprise-optie voor zero-data-retention toevoegde. Meta levert een interface in OpenAI-stijl en SDK-toegang, en Spark is live voor consumenten in de 'Thinking'-modus van Meta AI. Ratelimieten worden nu gepubliceerd in plaats van geschat — 3.000 verzoeken per minuut gedocumenteerd voor de standaardlaag — maar previewstatus blijft previewstatus, dus houd een fallbackroute voor de dagen dat de capaciteit beperkt is. Automatische failover tussen providers is precies het soort infrastructuur waar een preview-grade endpoint om vraagt, en het is de reden dat het routeren van een previewmodel via een gateway je niets kost en je een tweede pad oplevert.

Via OrcaRouter is de model-ID meta/muse-spark-1.1 en zowel /v1/chat/completions als /v1/responses zijn beschikbaar, dus een bestaande OpenAI-compatibele client heeft alleen een basis-URL en een modelstring nodig en niets anders:

import openai as openai_client

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

response = client.chat.completions.create(model="meta/muse-spark-1.1", messages=[{"role": "user", "content": "Plan en voer de tools uit om dit probleem op te lossen."}])

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

Waar het past — en waar het niet past

Geschikt voor: automatisering van toolgebruik en computerbediening waarbij de responstijd zichtbaar is voor een persoon; kostenbewuste redenering op schaal over gegevens die je niet aan een trainingsset kunt toevertrouwen; workflows die tekst combineren met afbeeldingen, video, pdf's of audio, met eigen verificatie op het mediatraject; en teams die een snel, goedkoop standaardmodel willen met een premiummodel achter de hand voor de moeilijkste stappen.

Zwakke match: toonaangevende codeernauwkeurigheid en de moeilijkste greenfield-engineering, die nog steeds toebehoren aan Claude Opus 4.8 en GPT-5.6 Sol; pure redeneerproblemen zonder tools; visuele-precisietaken waarin Gemini 3.1 Pro leidt; repository-werk over een lange horizon, dat nu expliciet de taak is van 1.2 en Muse Code; en alles waarvoor je Meta's goedkoopst mogelijke token nodig hebt, omdat die laag op dit model niet bestaat.

Veelgestelde vragen

Is Muse Spark 1.1 nog steeds beschikbaar nu 1.2 is uitgebracht?

Ja. Meta heeft bij de lancering op 5 augustus geen afschaffing en geen prijswijziging aangekondigd — 1.1 blijft beschikbaar via de Meta Model API voor $1,25 en $4,25 per miljoen tokens, en staat in de OrcaRouter-catalogus tegen dezelfde prijzen. De berichtgeving over de lancering omschrijft het consequent als voortzetting van de bestaande API-prijzen. Dat gezegd hebbende, is de technische aandacht van Meta zichtbaar verschoven: de codeeragent, de nieuwe benchmarks en de goedkope laag zijn allemaal gekoppeld aan 1.2.

Kan ik Muse Spark 1.1 krijgen op het $0.10 contributie-niveau?

Nee. De contributietier is een aparte model-ID op de nieuwere checkpoint, muse-spark-1.2-contributor. Er is geen 1.1-equivalent, dus de goedkoopste Meta-reasoning-tokens vereisen het overstappen naar andere versies — en het accepteren van een limiet van 60 verzoeken per minuut plus toestemming voor Meta om te trainen op je prompts en completions.

Moet ik upgraden naar Muse Spark 1.2?

Als uw workload langlopende codeerwerkzaamheden of agentwerk op repositoryschaal is, ja: het scoort hoger op zowel Meta's eigen codeerevaluaties als de onafhankelijke index van Artificial Analysis, tegen dezelfde standaardprijs. Als uw workload interactief of latentiegevoelig is, nee: 1.2 levert ongeveer negen keer de tijd tot het eerste token en 23% van de outputsnelheid in voor drie indexpunten, en de redenering kan niet worden uitgeschakeld. Beide zitten op dezelfde API, dus de overstap is in beide gevallen een modelstring — wat de goedkoopst mogelijke A/B-test is en de moeite waard om op uw eigen verkeer uit te voeren voordat u besluit.

Is Muse Spark 1.1 open source?

Nee, en dat is precies het punt van de lijn. In tegenstelling tot Meta's Llama-modellen heeft de Muse-familie gesloten gewichten en wordt ze geleverd als product en API. Er zijn geen gewichten op Hugging Face, geen self-hosting-pad en geen aanbieders van derden — Meta is de enige partij die dit model aanbiedt, wat een routeringslaag met failover het praktische antwoord maakt op het risico van één provider in plaats van een tweede leverancier.

Het vonnis, één versie later

Muse Spark 1.1 is een snel, goedkoop, werkelijk multimodaal agentisch model dat sterk is in toolgebruik en eerlijk gezegd middenmoot in puur coderen en redeneren. In augustus is niets van de gemeten eigenschappen erop achteruitgegaan. Wat veranderde is de vorm van de familie eromheen: Meta heeft nu een beter scorend model tegen dezelfde standaardprijs, een aanzienlijk goedkopere laag voor ontwikkelaars die bereid zijn hun gegevens te ruilen, en een agentproduct dat draait noch op 1.1, noch op iets dat je op 1.1 kunt richten.

Wat overblijft is een beperktere maar reële aanbeveling. Als je Meta's redeneerkwaliteit nodig hebt op een voor mensen waarneembare snelheid — een seconde tot het eerste token in productie, daarna 213 tokens per seconde — is 1.1 nog steeds de aangewezen versie, en de drie indexpunten die 1.2 toevoegt zijn geen negenvoudige wachttijd waard. Als je die snelheid niet nodig hebt, is er niet veel reden meer om te blijven. Hoe dan ook gaat het om één modelstring, dus het eerlijke advies is om beide een dag lang op je eigen evaluatieset te draaien en je latentiebudget te laten beslissen.