Meta Muse Image: het model, de API en de afbeelding voor een vast tarief van $0,01

Als je de gedisambigueerde naam hebt gezocht en hier bent beland, is het korte antwoord dit: Meta Muse Image is Meta's agentische beeldgeneratie- en bewerkingsmodel, het is propriëtair in plaats van open gewichten, en je roept het aan via Meta's eigen Model API onder de identifier muse-image-1.0 tegen een vast tarief van $0,01 per gegenereerde afbeelding, met zoekgronding inbegrepen in die prijs. Dat is het hele antwoord op de vraag die de zoekopdracht stelt, en alles hieronder is de referentie ervoor — wat het model doet, hoe je het bereikt, wat de factureringseenheid werkelijk is, wat Meta documenteert over herkomst, en waar de documentatie ophoudt.

Twee dingen over de rechtvaardiging van deze pagina zijn het waard om ronduit te zeggen, want deze familie is al meer dan eens aangekondigd en een tweede aankondigingsstuk zou een duplicaat zijn van de verslaggeving die we al voeren. Dit is de canonieke referentiepagina voor de naam: de bestemming die een lezer bereikt na ernaar te hebben gezocht. De rechtvaardiging ervan is een aanhoudende vraag die we op 29 september 2026 first-party hebben gemeten — lezers typen de gedisambigueerde vorm van deze naam in drie spellingen, in de honderden impressies, op een positie die we bij toeval innemen vanwege andere pagina's in plaats van doordat we een pagina hebben geschreven die op deze lijkt, en die vraag converteert nauwelijks omdat niets wat we publiceren de vorm van een referentie heeft. Die meting is een feit over wat mensen typen en niets anders; ze zegt niets over de kwaliteit of populariteit van het model in de wereld. En het dateerbare anker wordt hier gebruikt als een feit om het model te dateren, niet als een gebeurtenis om te melden: het lanceringsbericht van Meta voor Muse Image en Muse Video draagt een datumregel van 7 juli 2026 en beschrijft het model als "vandaag beschikbaar" op de consumentenoppervlakken van Meta op die datum, dus 7 juli 2026 is de lanceringsdatum waar deze pagina van uitgaat. Elk cijfer hieronder is afgelezen van de eigen pagina's van Meta op 29 september 2026, tenzij de zin anders aangeeft.

Wat Muse Image eigenlijk is

Meta's eigen beschrijving van één regel is het startpunt, want die doet echt werk in plaats van marketing: Muse Image is "een agentische beeldgeneratie, onderbouwd door zoeken en geprijsd voor productievolumes tegen $0,01/afbeelding." Op Meta's modelpagina is het scala aan mogelijkheden opgedeeld in vier werkmodi — beeldgeneratie, nauwkeurig bewerken, verankerde compositie en verfijning in meerdere beurten — en de ontwikkelaarsdocumentatie vat hetzelfde samen in één zin: "Muse Image genereert en bewerkt afbeeldingen vanuit een gesprek."

De onderscheidende claim is, in de woorden van Meta, dat Muse Image "een beeldmodel is dat redeneert voordat het rendert." Het lanceringsbericht van Meta maakt dat concreet in plaats van notioneel: "In plaats van prompts rechtstreeks aan afbeeldingen te koppelen, functioneert Muse Image als een agent: het schakelt zoek- en codeertools in om de nauwkeurigheid te verbeteren, verfijnt zijn eigen generaties zelf en verbetert door test-time compute op te schalen." In de praktijk betekent dit dat het model plant voordat het tekent, live referenties van het web ophaalt wanneer een prompt raakt aan feiten uit de echte wereld, en code schrijft en uitvoert wanneer precisie belangrijk is — het pad dat Meta beschrijft voor nauwkeurige grafieken en QR-codes — en vervolgens het resultaat controleert voordat het dit retourneert.

De drie capaciteiten die Meta als eerste noemt, zijn de capaciteiten waarop je het moet beoordelen, en ze staan in Meta's eigen zin: Muse Image "volgt instructies trouw, bewerkt met precisie en componeert op basis van meerdere referenties." De bewerkingsclaim is de scherpste van de drie, want het is een claim over terughoudendheid in plaats van over output: Meta's modelpagina zegt dat het model "is ontworpen om precies te wijzigen wat je aangeeft en al het andere onaangeroerd te laten," en ondersteunt iteratieve verfijning over meerdere beurten in plaats van bewerkingen in één keer. Compositie is waar de modus "anchored composition" zit — het verankeren van "een hele reeks generaties aan een kleine set referentieafbeeldingen, zodat het personage, de stijl en de setting van de ene afbeelding naar de volgende consistent blijven," wat de capaciteit is die ertoe doet als je een catalogus of een advertentieset maakt in plaats van één afbeelding. Alles bij elkaar zijn dit de claims die een beeldmodel waarmee je genereert onderscheiden van een model waarop je een pipeline bouwt, en het zijn leveranciersclaims: Meta publiceert geen onafhankelijke benchmark voor instructieopvolging of bewerkingsgetrouwheid voor dit model.

De agentische framing gaat niet alleen over tools. Meta documenteert Muse Image als koppeling met Muse Spark, het redeneermodel, zodat "de twee modellen tools delen en gezamenlijk plannen voor krachtige agentische mediageneratie" — het gedocumenteerde voorbeeld is meerdelige uitvoer zoals geanimeerde GIF's, pagina's met ingebedde afbeeldingen en kleine interactieve games. Als je iets bouwt dat gegenereerde beelden combineert met gegenereerde tekst of code, is die koppeling het deel van het ontwerp dat het waard is te begrijpen, en het is de reden dat het model via dezelfde API en dezelfde authenticatie wordt aangeboden als Muse Spark in plaats van via een apart afbeeldingsendpoint met eigen inloggegevens.

Hoe je het noemt: het API-oppervlak

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:

• Genereren — POST /v1/images/generations, tekstprompt erin, afbeelding eruit.

• Bewerken — POST /v1/images/edits, prompt plus invoerafbeeldingen, voor image-to-image-werk.

• Verfijnen over meerdere beurten — POST /v1/responses, de Responses API, de manier waarop de gedocumenteerde multi-turnflow werkt.

Bij de images-eindpunten zijn er weinig gedocumenteerde parameters, en het is de moeite waard ze te onthouden, want daar worden de kosten en het uitvoerformaat bepaald. n accepteert 1 tot en met 10 en is standaard 1. size accepteert een "WxH"-tekenreeks zoals 1792x1024, en de documentatie zegt expliciet dat het op deze eindpunten alleen de beeldverhouding instelt, niet de exacte pixels — vat het niet op als een resolutiegarantie. response_format is standaard b64_json of url, en output_format is standaard webp, met png en jpeg beschikbaar. Het agentische gedrag is schakelbaar: de images-eindpunten accepteren een tool_enablement-extensie met enable_image_search, enable_web_search en enable_shell, en een reasoning_strength van high (de standaard) of low. Het verlagen van de reasoning is de hefboom voor kosten en latentie, en het is het eerste dat je met je eigen prompts zou moeten A/B-testen in plaats van er blind op te vertrouwen.

Bij de Responses API bevinden dezelfde bedieningselementen zich in een image_generation-toolobject in tools, waarbij zoeken in afbeeldingen, webzoekopdrachten en shell allemaal standaard zijn ingeschakeld, en de uitvoerarray komt terug in een vaste volgorde: een redeneeritem dat samenvat wat het model van plan was en heeft opgezocht, een berichtitem, en vervolgens één image_generation_call-item per afbeelding. De afbeelding zelf staat in het veld result van dat item als base64, en de bijbehorende id wordt gedocumenteerd als een ondertekende handle die je teruggeeft om dezelfde afbeelding in een latere beurt te blijven bewerken. Die handle is het mechanisme achter verfijning over meerdere beurten — het is hoe je voorkomt dat je een afbeelding opnieuw moet uploaden om één detail ervan te wijzigen. Beide afbeeldingsendpoints accepteren ook stream: true, waarbij image_generation.completed wordt uitgezonden voor generatie en image_edit.completed voor bewerkingen. Model API is gedocumenteerd als drop-in compatibel met de OpenAI SDK, de Anthropic SDK en OpenAI-compatibele agent-CLI's, dus een bestaande afbeeldingsaanroep is een wijziging van de modelstring in plaats van een herschrijving.

Een waarschuwing die in de referentie thuishoort en niet in een voetnoot: Meta heeft geen snelheidslimieten voor Muse Image gepubliceerd die we konden lezen. De pagina met snelheidslimieten op Meta's eigen developer-site gaf een lege huls zonder enige cijfers, net als de prijzenpagina. Als doorvoer belangrijk is voor je ontwerp, is dat een onbekende die je uit de API zult ontdekken in plaats van uit de documentatie.

De prijs, en de eenheid waarin deze is geprijsd

Eén cent per afbeelding. Dat cijfer is afkomstig van Meta's eigen modelpagina voor Muse Image, die het model in een prijstabel vermeldt, met zowel zoekgronding als redeneervermogen als inbegrepen gemarkeerd en de prijs vermeld als $0,01/afbeelding; de ontwikkelaarsdocumentatie herhaalt het als "Muse Image wordt gefactureerd tegen een vast tarief van $0,01 per gegenereerde afbeelding." De eenheid is de afbeelding, niet de token — de documentatie zegt dit direct ("Muse Image wordt niet per token geprijsd") — en dat is belangrijk, omdat afbeeldings-API's die verbruik in tokens rapporteren, meestal in tokens worden gefactureerd. Muse Image retourneert een gebruiksblok met aantallen invoer- en uitvoertokens, en die aantallen zijn alleen ter informatie.

Drie factureringsdetails volgen uit de eenheid. Ten eerste, n is een vermenigvuldiger: een verzoek dat tien afbeeldingen retourneert, wordt voor tien afbeeldingen gefactureerd, dus de 1–10 parameter is net zozeer een uitgavencontrole als een gemak. Ten tweede worden mislukkingen niet gefactureerd — afbeeldingen die niet kunnen worden gegenereerd of die door veiligheidsfiltering worden verwijderd voordat ze worden geretourneerd, worden niet meegeteld. Ten derde zit zoekgronding in de prijs per afbeelding in plaats van een aparte regel; in de documentatie van Meta staat dat dit "onderdeel is van de prijs per afbeelding, dus er zijn geen aparte kosten voor zoekgronding." Dat laatste punt is wat het tarief betekenisvol maakt voor agentisch werk: een model dat het web doorzoekt voordat het rendert, kan meerdere toolaanroepen genereren achter één enkele output, en Meta stelt dat de toolaanroepen niet apart van de afbeelding worden gefactureerd.

We konden het cijfer niet staven met een tariefkaart, en dat is het vermelden waard in plaats van het over te slaan. Elke prijs-URL onder Meta's developer-domein die we hebben opgehaald, gaf een pagina-shell terug zonder dollarbedragen erin, dus de modelpagina en de documentatie over beeldgeneratie zijn de twee plekken waar dit cijfer als leesbare vermelding voorkomt. Als je een tweede bron voor inkoop nodig hebt, is die er vandaag niet op Meta's site.

Wat je in de praktijk voor één cent krijgt, is een verandering in besluitvorming in plaats van een korting. Meta's eigen formulering op de modelpagina is dat het model "je workloads laat draaien die frontier-pricing voorheen buiten bereik hield" — generatie van advertentievarianten, catalogusbeelden en personalisatie per gebruiker — en tegen dit tarief kosten honderd afbeeldingen ongeveer $1.000. Als je dat tarief afweegt tegen de premium beeldmodellen waarvoor je mogelijk al betaalt, is de nuttige stap om beide te draaien op je eigen prompts en je eigen, en één cent per afbeelding is wat die vergelijking goedkoop genoeg maakt om daadwerkelijk te doen.

Herkomst: wat Content Seal wel en niet beslecht

Meta levert bij dit model een onzichtbaar watermerksysteem en documenteert het nauwkeurig genoeg om te citeren: "Muse Image bevat Content Seal, ons onzichtbare watermerksysteem. Afbeeldingen die door Muse Image in de Meta AI-app en op meta.ai worden gemaakt, dragen een verborgen herkomstsignaal dat intact blijft — zelfs wanneer ze worden bijgesneden, gecomprimeerd, geschaald of via een schermafbeelding vastgelegd." Meta zegt dat het van plan is Content Seal uit te breiden naar video, en geeft een preview van een detectietool waarmee je kunt controleren of een afbeelding de markering draagt.

Lees de reikwijdte van die zin zorgvuldig, want die is smaller dan het op het eerste gezicht lijkt. Het herkomstsignaal wordt beschreven als gedragen door afbeeldingen die zijn gemaakt in de Meta AI-app en op meta.ai — de consumentgerichte oppervlakken — en de modelpagina en API-documentatie van Meta zeggen niets over of afbeeldingen die via de Model API worden gegenereerd hetzelfde merkteken dragen. We konden geen uitsluitsel vinden, dus behandel Content Seal als een herkomstfunctie voor consumentgerichte oppervlakken en ga er niet van uit dat het meegaat met een via de API gegenereerd bestand totdat je de output van je eigen account hebt getest. Los daarvan: de enige test van de detector waarover wij hebben gerapporteerd, kwam van Reuters, die constateerde dat deze er niet in slaagde een meerderheid van de afbeeldingen met watermerk na bijsnijden te verifiëren; die bevinding en het bijbehorende cijfer komen aan bod in onze uitleg over dit model, de pagina die je moet lezen voor het herkomstargument en niet deze.

Waar het draait

Meta's eigen beschikbaarheidsverklaring, uit het lanceringsbericht: Muse Image "is vanaf vandaag beschikbaar in de Meta AI-app en op meta.ai, op Instagram Stories in de VS, en op WhatsApp in een beperkt aantal landen, en is binnenkort beschikbaar op Facebook." Dat zijn de woorden van Meta, en de oppervlakken zijn Meta's eigen producten — er is voor geen van alle een wachtlijst, een uitnodigingscode of een aparte aanmelding. Aan de kant van ontwikkelaars wordt het model geleverd via Model API, waarvoor de bovenstaande identifier en endpoints bedoeld zijn. Op de modelpagina van Meta worden ook inferentieplatforms van derden genoemd als manieren om het te draaien; we noemen ze hier niet, en niets op deze pagina mag worden opgevat als een bewering over voorwaarden of tarieven op enig oppervlak anders dan Meta's eigen API.

Meta heeft geen datum gepubliceerd voor wanneer Muse Image op de Model API verscheen, en in Meta's ontwikkelaarsdocumentatie staat er geen. De enige datum waar deze pagina van uitgaat, is de lanceerdatum van het model zelf, 7 juli 2026, vastgesteld op basis van de datumregel van Meta's eigen aankondigingsbericht. Als je de API-interface dateert in plaats van het model, zeg dan wat Meta zegt, namelijk niets.

Open gewichten of propriëtair? Propriëtair — en de familie heeft beide.

Dit is de vraag die lezers in deze familie het vaakst verkeerd beantwoorden, dus het is de moeite waard om die direct te beantwoorden.Muse Image is propriëtair.Meta's documentatie voor ontwikkelaars maakt de grens expliciet: de modellen die je via Model API aanroept — Muse Spark, Muse Image, Muse Voice Transcribe en SAM — worden aangeboden, en "Muse Glimmer volgt een andere weg: je downloadt de open modelgewichten en draait ze op je eigen hardware in plaats van ze via Model API aan te roepen," onder een permissieve Apache 2.0-licentie. Muse Glimmer is de route met open modelgewichten in deze familie, en het is een ander model: een multimodaal model dat uit Muse Spark is gedistilleerd, niet een open release van Muse Image. Niets op Meta's pagina voor Muse Image vermeldt een licentie of biedt modelgewichten aan, omdat er geen zijn om aan te bieden. Als self-hosting een harde eis is, is Muse Glimmer het model om te evalueren; als je het afbeeldingsmodel wilt dat hier wordt beschreven, roep je Meta's API aan en betaal je per afbeelding.

Wat Meta beweert te rangschikken, aangeduid als bewering van Meta.

Meta's lanceringsbericht stelt: "Muse Image bezet de nummer 2-plek op Arena voor tekst-naar-afbeelding, het bewerken van één afbeelding en het bewerken van meerdere afbeeldingen, zoals gemeten aan de hand van Elo-ranglijsten op basis van menselijke voorkeur op het moment van schrijven." Twee dingen aan die zin doen ertoe, en beide komen uit Meta's eigen formulering. Het is een door de leverancier gerapporteerde rangschikking, geen onafhankelijke score, en het is een op menselijke voorkeur gebaseerde Elo-positie in plaats van een benchmarkresultaat op een vaste testopstelling — een onderscheid dat echt verschil maakt wanneer de kloof tussen de bovenste twee posities kleiner is dan de marge van een Elo-rating die op een beperkt aantal stemmen is gebaseerd. De grafieken die Meta naast de bewering publiceert, zijn gedateerd "per 5 juli 2026", en de bewering zelf is voorzien van de kwalificatie "op het moment van schrijven", dus het is een momentopname van een live leaderboard, aangehaald door een partij die er belang bij heeft, geen vaststaande positie.

Dezelfde post bevat een schaalgrafiek die Meta voor je van een label voorziet: de grafiek die laat zien dat de kwaliteit stijgt met redeneren heeft als bijschrift "Elo uit interne ablatie." Dat is een leveranciersinterne meting, en die is niet vergelijkbaar met een leaderboard van een derde partij. Meta's argument is dat kwaliteit verbetert met test-time compute in een ongeveer log-lineaire relatie en dat redeneren en toolgebruik elkaar versterken wanneer ze worden gecombineerd — een interne ablatie, en dat wordt ook als zodanig gezegd.

Er bestaan onafhankelijke posities voor dit model, op ranglijsten die niet van Meta zijn, en we hebben ze gerapporteerd: onze uitleg bevat de Artificial Analysis-afbeeldingsranglijsten en de arena-posities met hun cijfers, en de twee matchup-pagina's plaatsen die cijfers naast met naam genoemde rivalen. Als je het onafhankelijke beeld wilt in plaats van dat van de leverancier, moet je het daar lezen. Deze pagina drukt die cijfers niet opnieuw af, en een ervan moet sowieso zorgvuldig worden gelezen, omdat Artificial Analysis alleen beeldmodellen rangschikt die met een aanroepbare API worden geleverd — dus een onafhankelijke positie voor Muse Image is een uitspraak over Model API, niet over de Meta AI app.

Wat de documentatie niet beantwoordt

Een referentiepagina is alleen nuttig als erop staat waar de gegevens ophouden, dus hier is wat we op 29 september 2026 niet bij Meta konden vaststellen. Er is geen gepubliceerde snelheidslimiet voor Muse Image. Er is geen gepubliceerd latentieprofiel, geen succespercentage en geen onafhankelijke evaluatie van de agentic loop onder productieverkeer — de prijs per afbeelding is gedocumenteerd, maar de operationele envelop niet. Er is geen benchmark voor instructieopvolging of bewerkingsgetrouwheid van welke onafhankelijke partij dan ook, en Meta publiceert zelf geen dergelijk cijfer; de benchmarkgrafiek op de modelpagina van Meta bevat geen leesbare cijfers. Er is geen licentieverklaring, omdat het model niet voor download is gelicentieerd. En de datum waarop Muse Image aanroepbaar werd op Model API staat nergens in de documentatie van Meta vermeld. Geen van die afwezigheden is een reden om het model te vermijden — een afbeelding van één cent met inbegrepen grounding via zoeken is alleen al op die basis het testen waard — maar elk ervan is een reden om te meten in plaats van aan te nemen voordat een pipeline ervan afhankelijk wordt.

Het oordeel voor een ontwikkelaar

Meta Muse Image is het overwegen waard als je probleem volume is: catalogusbeelden, advertentievarianten, personalisatie per gebruiker, alles waarbij het frontier-tarief per afbeelding de reden was dat het project strandde. De stukprijs is gedocumenteerd, de eenheid is ondubbelzinnig, mislukte pogingen worden niet gefactureerd, en zoek-grounding zit in het tarief in plaats van dat het er apart bij wordt gefactureerd — wat in deze markt ongewoon genoeg is om de kop te zijn. Het is niet de moeite waard om het blind over te nemen, want alles buiten de prijs — doorvoer, latentie, hoe betrouwbaar de agentische lus sluit op jouw prompts, of herkomstaanduiding meereist met de API-output — is niet gedocumenteerd, en de rankingclaim van de leverancier zelf is een momentopname van een menselijke voorkeurspositie in plaats van een gemeten resultaat. De eerlijke vorm van een beslissing hier is een experiment van één cent tegen het beeldmodel dat je al in gebruik hebt, op je eigen prompts, met de goedkope faalmodus en een bewezen fallback erachter. Voor wat dit model is, hoe het wordt aangeroepen en wat het kost, is deze pagina de referentie; voor de vraag of het in je stack thuishoort, zijn de cijfers die je zelf genereert de enige die tellen.