Muse Spark vs Muse Spark 1.3: Een van deze namen is een versie, en dat is het hele antwoord

Het typen van Muse Spark tegen Muse Spark 1.3 in een zoekvak impliceert twee producten, en het eerste nuttige dat iemand je kan vertellen, is dat er maar één is. Meta Superintelligence Labs introduceerde Muse Spark op 8 april 2026, en Muse Spark 1.3 — uitgebracht op 2 september 2026, met het maximale redeneerniveau dat op 4 september voor ontwikkelaars werd opengesteld — is waar die naam nu naar verwijst. Meta's eigen modelpagina beslecht het in drie zinnen: Muse Spark 1.3 is "de nieuwste versie" en wordt aanbevolen voor nieuw werk, Muse Spark 1.2 is "de vorige versie", en Muse Spark 1.1 is "de oorspronkelijke versie". Dit is dus geen confrontatie. Het is de versiekwestie die de naam Muse Spark verbergt sinds de familie zich begon te heroriënteren, en het antwoord verandert afhankelijk van met welke van de eerdere checkpoints je eigenlijk vergeleek.

Wat elke naam betekent

De niet-geversioneerde naam is een familie en een bewegend doel. Meta bracht de originele Muse Spark in april 2026 uit als een inheems multimodaal redeneermodel met een besloten API-preview, en begon daarna genummerde checkpoints uit te brengen: Muse Spark 1.1, die onze eigen catalogus vermeldt met een releasedatum van 16 juli 2026; Muse Spark 1.2 op 5 augustus 2026; en Muse Spark 1.3 op 2 september 2026. Onafhankelijke vermeldingen komen overeen met die laatste twee datums. Er is één complicatie die het vermelden waard is in plaats van weg te poetsen: Meta's documentatie noemt 1.1 "de originele versie", terwijl de introductie van de familie in april plaatsvond, en het gat tussen die twee uitspraken wordt op geen enkele pagina die wij konden lezen verklaard. Beschouw de aprildatum als de introductie van de familie en juli als het eerste checkpoint dat een nummer draagt, en beschouw geen van beide als een lanceergebeurtenis die deze pagina rapporteert.

Alle drie de genummerde versies delen dezelfde modaliteitenrij en hetzelfde contextvenster van 1.048.576 tokens, wat Meta direct stelt: ze "delen dezelfde modaliteiten en hetzelfde contextvenster en verschillen alleen qua capaciteiten." Die zin is het meest praktisch bruikbare op de pagina. Het betekent dat een versiebump in deze familie de vorm van je verzoek niet verandert. Dezelfde inputs — tekst, afbeelding, video, audio en pdf — dezelfde uitvoer met alleen tekst, hetzelfde plafond. Wat verandert, is de kwaliteit van het antwoord, en de prijs verandert helemaal niet: $1,25 per miljoen inputtokens, $0,15 per miljoen gecachte input en $4,25 per miljoen outputtokens, identiek voor 1.1, 1.2 en 1.3 op de Standard-tier van Meta.

De rekensom van de upgrade, uit Meta's eigen tabel

Meta publiceert één enkele benchmarktabel waarin Muse Spark 1.3 met max reasoning naast Muse Spark 1.2 met xhigh wordt gezet, over een dozijn agentische en long-context-evaluaties, en die rij voor rij lezen levert een interessanter beeld op dan het versienummer doet vermoeden. Elk cijfer hieronder is door de leverancier gerapporteerd, geproduceerd binnen Meta's eigen harness, en niet door ons gereproduceerd.

• GDPval-AA v2 — Muse Spark 1.3 (max) 1.754 vs. Muse Spark 1.2 (xhigh) 1.615

• Terminal-Bench 2.1 — 88,8 vs 82,9

• OSWorld 2.0 — 66,9 vs 47,6

• DeepSWE v1.1 — 75,4 vs 55,0

• SWEAtlas — 59,4 vs 46,2

• JobBench — 64,9 tegen 61,6

• MRCR 256K–512K — 98,5 vs 66,3

• MRCR 512K–1M — 98,1 vs 55,5

De laatste twee rijen zijn het verhaal, en het zijn niet de rijen die bij de lancering werden geciteerd. Long-contextretrieval in de 256K–512K-band stijgt met 32 punten; in de 512K–1M-band stijgt het met meer dan 42. Werk aan algemene capaciteiten beweegt veel minder: GDPval-AA stijgt met 139 punten op een schaal die 1,2 had bij 1.615, en JobBench stijgt met 3. Het patroon komt overeen met wat een lab afstelt wanneer het agentisch werk met een lange horizon najagt — het model werd niet gelijkmatig slimmer, het werd dramatisch beter in het vasthouden en terugvinden van informatie in een context waarvoor het al het venster had. Als je werklast in de eerste 100K tokens ligt, is de upgrade echt maar bescheiden. Als die daarbuiten ligt, is het het verschil tussen een model dat een grote context kan gebruiken en een model dat er dingen in kan vinden.

Bij die cijfers moeten twee kanttekeningen worden geplaatst. De vergelijking is max tegen xhigh, niet max tegen max, omdat Meta 1.2 op xhigh en 1.3 op max heeft gedraaid — de instellingen verschillen, dus een deel van de winst is reasoningbudget in plaats van checkpointkwaliteit. En de rij van 1.2 in die tabel is nu een deprecated configuratie: buiten Meta's eigen tabel markeren onafhankelijke vermeldingen Muse Spark 1.2 als deprecated en verwijzen ze naar 1.3, wat het sterkste beschikbare signaal is dat de oudere checkpoint op zijn retour is.

Het onafhankelijke beeld, en de ruil die niemand noemt

Artificial Analysis is de derde partij met openbare vermeldingen voor beide checkpoints, en zijn cijfers verschillen op leerzame wijze van die van Meta — niet qua richting, maar qua kosten.

• Muse Spark 1.3 (Max) — Intelligence Index 48, rang 24 van 217; uitvoersnelheid 121,9 tokens per seconde; $1,60 per voltooide Index-taak; 170M uitvoertokens gegenereerd tijdens de evaluatie

• Muse Spark 1.2 (Xhigh) — Intelligence Index 40, rang 59 van 217; outputsnelheid 361,4 tokens/seconde, op de eerste plaats van 186 modellen; $0,97 per voltooide Index-taak; 130M outputtokens; tijd tot eerste token 12,67 seconden

Leg de twee lijsten naast elkaar en de upgrade ziet er anders uit dan hoe die in Meta's tabel staat. Muse Spark 1.3 is acht indexpunten sterker en ongeveer drie keer langzamer — 121,9 tokens per seconde tegenover 361,4, waarbij het oudere checkpoint het snelste model van welke soort dan ook op dat board was. De kosten per voltooide taak stegen van $0,97 naar $1,60, ook al is de prijs per token identiek, omdat het nieuwere model 40 miljoen meer tokens genereert om dezelfde evaluatie af te ronden. Aan de tariefkaart van de leverancier is niets veranderd. Wat is veranderd, is hoeveel het model zegt.

Dat is de afweging die het versienummer verbergt, en die snijdt in een richting die de meeste berichtgeving heeft gemist. Als je applicatie latencygevoelig of doorvoergebonden is, kan de vorige versie van Muse Spark voor jou echt het snellere product zijn, en dat tegen dezelfde adviesprijs. Als het bij moeilijke problemen op nauwkeurigheid aankomt, is 1.3 met maximale redeneerstand waar de upgrade om draait. Dit zijn verschillende aankopen die zich voordoen als een versieverhoging, en slechts één ervan is wat het deprecatiebericht veronderstelt dat je wilt.

Wat 1.3 heeft toegevoegd dat geen score is

Het redeneerniveau max is de ingrijpendste wijziging in release 1.3 en het kwam twee dagen te laat. Bij de lancering op 2 september leverde Meta elk inspanningsniveau tot xhigh en hield max achter in afwachting van wat het aanvullende veiligheidstests noemde, en deelde het met een beperkte groep partners. Op 4 september waren die tests afgerond en werd max selecteerbaar in Muse Code en op de model-id muse-spark-1.3 via de Meta Model API. Het gevolg is dat de scorekaart die de krantenkoppen haalde — de 1.754 op GDPval-AA, de 98,5 op MRCR — is geproduceerd met een instelling die ontwikkelaars de eerste twee dagen niet konden aanroepen, en elke integratie die op de lanceringsdag is geschreven, kan redeneerinspanning mogelijk nog steeds alleen tot xhigh opsommen. Controleer wat je route accepteert voordat je aanneemt dat max wordt gehonoreerd.

Meta verkoopt de 1.3-checkpoint ook twee keer, en het verschil zit niet in het model. muse-spark-1.3 is gelabeld als "Niet gebruikt om onze producten te verbeteren" voor $1.25 / $0.15 gecachet / $4.25. muse-spark-1.3-contributor is gelabeld als "Gebruikt om onze producten te verbeteren" voor $0.10 / $0.002 / $0.20 — ongeveer een orde van grootte goedkoper op input en meer dan twintig keer goedkoper op output, in ruil voor toestemming om te trainen op je prompts en completions. Beide hebben hetzelfde contextvenster van 1M tokens. Contributor beschrijft wat je bijdraagt, niet wat je ontvangt; het is een prijstier met een datavoorwaarde, geen open-weights-release.

En er is één regressie, niet door een gebruiker ontdekt maar door Meta zelf genoemd. Audioverwerking in Muse Spark 1.3 wordt niet volledig ondersteund, en Meta waarschuwt dat de kwaliteit van antwoorden op verzoeken met audio-inhoud kan afnemen, en verwijst audiotaken naar Muse Spark 1.2. De huidige versie is dus niet het juiste antwoord voor elke invoer in de eigen modaliteitsrij van de familie — een geval waarin de nieuwste checkpoint de verkeerde is voor een payload die de oudere wel aankan.

Welke versie kun je daadwerkelijk aanroepen

Het loont om de versiekwestie te scheiden van de beschikbaarheidskwestie, want ze hebben verschillende antwoorden. Alle drie de genummerde Muse Spark-versies worden alleen gehost: Meta publiceert voor geen van hen gewichten, een licentie of een download, en de Contributor-varianten zijn afgeprijsde hosted tiers in plaats van releases. De open gewichten in deze familie zijn van Muse Spark Open, het 816B sparse mixture-of-experts-model dat Meta op 15 oktober 2026 publiceerde, en van Muse Glimmer, het 30B Apache 2.0-model van 10 augustus 2026. Geen van beide is een Muse Spark-versie, en geen van beide is een vervanging daarvoor.

Onze eigen catalogus weerspiegelt het oudere uiteinde van de reeks, en we zeggen dat liever ronduit dan dat een versienummer de indruk wekt dat we dekking hebben die we niet hebben. OrcaRouter routeert Muse Spark 1.1 en Muse Spark 1.2, beide tegen Meta's adviesprijs, met 0% markup doorberekend, beide op het venster van 1.048.576 tokens van de familie. Muse Spark 1.3 staat vandaag niet in onze catalogus, en geen van beide Contributor-varianten ook. Daardoor is het praktische upgradepad een tweestapsproces: 1.2 is waar je nu naartoe kunt routeren, 1.3 is wat Meta aanraadt voor nieuw werk, en op de dag dat het beschikbaar komt bij een provider waar wij naartoe routeren, komt de wijziging binnen op dezelfde sleutel in plaats van in je integratiecode.

De versiekwestie is ook waar een router zich terugverdient op een manier die specifiek is voor deze familie. Drie checkpoints, één leverancier, één endpoint, geen gewichten — de hele lijn loopt via één API die door één bedrijf wordt beheerd, en dat is het concentratierisico van het bouwen tegen die API. 1.1 en 1.2 achter één OpenAI-compatibel endpoint routeren betekent dat een mislukte long-context-aanroep kan uitwijken naar het andere checkpoint in plaats van de aanvraag te laten mislukken, en met de routing-DSL kun je productieverkeer tussen beide splitsen via configuratie, zodat je kunt meten of de snelheid van 1.2 voor jou meer waard is dan de nauwkeurigheid van 1.3 op je eigen prompts in plaats van op iemands index. Dat is de enige versievergelijking die de kwestie voor jouw workload beslecht.

Het antwoord, afhankelijk van met welke vraag je aankwam.

Als je wilde weten of Muse Spark en Muse Spark 1.3 verschillende modellen zijn: dat zijn ze niet. 1.3 is wat de naam nu betekent, en Meta bestempelt het als het nieuwste en raadt het aan voor nieuw werk. Als je wilde weten wat je krijgt door over te stappen van de vorige versie: ruwweg 32 tot 42 punten long-context-retrieval, een grote sprong in agentisch computergebruik en coderen over een lange horizon, en een drievoudige daling van de uitvoersnelheid bij dezelfde prijs per token. Als je wilde weten wat het kost: de tariefkaart is over drie versies heen niet veranderd, wat erop wijst dat Meta concurreert op capaciteit per dollar in plaats van op de dollar zelf.

Wat geen van deze cijfers je kan vertellen, is aan welke kant van die ruil je eigen workload zit, en het eerlijke standpunt is dat de afschaffingsaankondiging van de leverancier een antwoord voor je veronderstelt. De versie die drie keer sneller is voor dezelfde prijs is nog steeds de enige van de twee die je vandaag via een router kunt bereiken, wat dit een ongewoon goedkoop experiment maakt om uit te voeren voordat 1.3 arriveert.

Wat de cijfers je niet kunnen vertellen, is of er in de praktijk iets mis is gegaan: de gedocumenteerde AI-incidenten en agent-fouten rond modellen in deze klasse zijn verzameld in het OrcaRouter AI Incident Archive, waar elke vermelding zijn eigen bronnen, ernstniveau, betrouwbaarheidsgraad en betwistingsmarkering heeft.