Muse Code vs Muse Spark 1.1: Co tak naprawdę mierzy 6,7-punktowa aktualizacja Meta

Najpierw wykonaj odejmowanie. Prezentacja premierowa Meta dla Muse Code, terminalowego agenta kodowania, którego Meta wypuściła 5 sierpnia 2026 roku, podaje 82,9% w Terminal-Bench 2.1 i uznaje to za wzrost o 6,7 punktu w porównaniu z Muse Spark 1.1, czyli model, za który większość czytających już płaci. Odejmij 6,7 od 82,9, a otrzymasz 76,2 — co nie jest liczbą opublikowaną przez Meta, ale jest dokładnie wynikiem widniejącym na publicznej tablicy wyników Terminal-Bench 2.1 dla Muse Spark 1.1 przy wysiłku xhigh, zgłoszonym w lipcu, przeprowadzonym przez harness mini-SWE-agent z Princeton.

Ten zbieg okoliczności jest najbardziej użytecznym faktem w tym porównaniu, ponieważ mini-SWE-agent to celowo minimalistyczny szkielet — kilkaset linii, bez trwałych podagentów, bez dziennika zdarzeń, bez umiejętności planowania. 82,9% Meta to Muse Spark 1.2 działający wewnątrz specjalnie zaprojektowanego agenta, z którym Meta współtrenowała model. Jeśli te dwa wiersze są tym, co obejmuje 6,7 punktu, to główny skok pokoleniowy to ulepszenie modelu i ulepszenie szkieletu połączone w jedną liczbę, a Meta nie opublikowała niczego, co by je rozdzielało.

Meta nie podała, jakiego środowiska testowego użyła dla swojej linii bazowej 1.1, więc to zestawienie jest sugestywne, a nie potwierdzone. Ale przeformułowuje ono decyzję stojącą przed każdym, kto obecnie wywołuje Muse Spark 1.1 przez API, co jest uczciwą wersją tego porównania: nie wybierasz między dwoma modelami. Wybierasz między modelem, którym sterujesz sam, a agentem, który steruje nowszym modelem za Ciebie, i tylko jedna z tych dwóch rzeczy została zmierzona przez kogoś innego niż Meta.

To nie jest ta sama kategoria, a specyfikacja o tym mówi.

Połowa zamieszania wokół tego zestawienia wynika z traktowania Muse Code jako wydania modelu. To nie jest. To jest CLI, a wywołuje ono Muse Spark 1.2.

• Co to jest — Muse Code to agent terminalowy instalowany jedną linią (curl -fsSL https://dev.meta.ai/install.sh | bash); Muse Spark 1.1 to punkt końcowy modelu, który wywołujesz z własnego kodu, własnego frameworka agentów lub dowolnego CLI akceptującego niestandardowy bazowy URL.

• Model bazowy — Muse Code korzysta z Muse Spark 1.2, współtrenowanego z agentem; Muse Spark 1.1 to generacja lipcowa, nadal serwowana i nadal na liście.

• Gdzie działa — Muse Code działa wyłącznie na macOS i Linux, tylko w terminalu, bez GUI, bez rozszerzenia IDE; Muse Spark 1.1 działa wszędzie tam, gdzie działa HTTPS, w tym na Windows.

• Wejścia — Muse Code przyjmuje repozytorium i polecenie; Muse Spark 1.1 akceptuje tekst, obrazy, wideo, audio i dokumenty PDF w jednym kontekście 1 048 576 tokenów i zwraca tekst.

• Status — Muse Code jest publiczną betą i jest tak oznaczony; Muse Spark 1.1 jest ogólnie dostępny od lipca 2026 r. i obsługuje rzeczywisty ruch produkcyjny.

• Cena katalogowa — oba rozliczane są przez Meta Model API w cenie 1,25 USD za milion tokenów wejściowych, 0,15 USD za tokeny wejściowe z pamięci podręcznej i 4,25 USD za tokeny wyjściowe w warstwie standardowej. Cennik jest ten sam.

Ostatnia linia zaskakuje ludzi i obala oczywiste założenie. Przyjęcie Muse Code nie kosztuje więcej za token niż to, co już uruchamiasz. Jego koszt mierzy się w innych walutach — wsparcie platform, opóźnienia, modalność oraz, w najtańszej warstwie, twój kod źródłowy. To są cztery osie, o które warto się spierać.

Benchmark, w którym się różnią, odczytany z podłączonym oprzyrządowaniem.

Meta opublikowała dwa przyrosty generacyjne względem Muse Spark 1.1: +6,7 punktu w Terminal-Bench 2.1 oraz +6,3 punktu w DeepSWE 1.1. Oba zostały podane przez producenta, oba pochodzą z wykresów opublikowanych jako obrazy bez opisu metodologii, a żaden nie został odtworzony przez stronę trzecią. Po ich odjęciu sugerowane przez Meta wyniki bazowe dla wersji 1.1 to w przybliżeniu 76,2% i 53,0%.

Teraz zestawmy 82,9% Meta z rankingiem, którego nie przytoczyła. Publiczna lista liderów Terminal-Bench 2.1, w chwili pisania tego tekstu, pokazuje Claude Code w parze z Claude Fable 5 osiąga 83,8% ± 1,2%, Codex z GPT-5.5 osiąga 83,1% ± 1,1%, Terminus 2 z Claude Fable 5 osiąga 80,4%, Cursor CLI z Grok 4.5 osiąga 79,3%, a mini-SWE-agent z Muse Spark 1.1 osiąga 76,2% i zajmuje ósme miejsce. Zadeklarowane przez Muse Code 82,9% zajęłoby trzecie miejsce — poniżej dwóch par agent-model, które nie pojawiają się nigdzie w prezentacji Meta, która zamiast tego porównuje z Claude Opus 5 osiąga 86,7%, GPT-5.6 Terra osiąga 81,8%, a Grok 4.5 osiąga 81,6% w osobnych przebiegach przy maksymalnym wysiłku.

Dwie tablice wyników, jeden benchmark, liczby, które się nie zgadzają — i całkiem trzecia skala, jeśli spojrzeć na Artificial Analysis, którego niezależna ewaluacja Terminal-Bench v2.1 osiąga górny pułap blisko 89,5% dla GPT-5.6 Sol, podczas gdy sufit publicznego rankingu wynosi 83,8%. Żadna z tych stron nie kłamie. Wiersz w Terminal-Bench to wynik dla środowiska testowego, modelu, ustawienia poziomu wysiłku i przydziału mocy obliczeniowej — a zmiana któregokolwiek z tych elementów przesuwa rezultat bardziej niż cała rozpiętość, którą Meta podaje jako różnicę między generacjami.

Dlatego interesującą pozycją na publicznej tablicy wyników nie jest kolumna dokładności. To kolumna kosztów. Muse Spark 1.1 ukończył swój bieg z wynikiem 76,2% za $198,05. Claude Code z Claude Fable 5 uzyskał swoje 83,8% za $552,67, a Codex z GPT-5.5 zapłacił $2 059,19 za 83,1%. To oznacza 7,6 punktu dokładności za 2,8 razy więcej pieniędzy w pierwszym przypadku i około 10 razy w drugim — mierzone przez tego samego operatora, na tych samych zadaniach, według tych samych zasad, co jest dokładnie porównaniem jabłek do jabłek, którego wykres Meta nie daje. Tablica odejmuje również punkty za zadania rozwiązane przez manipulowanie środowiskiem; zgłoszenie Muse Spark 1.1 nie wykazuje żadnego takiego potrącenia, natomiast bieg Cursor CLI z Grok 4.5 niesie 9-punktowe potrącenie.

Meta nie opublikowała żadnych danych o kosztach swoich 82,9%.

Co już robi Muse Spark 1.1, a czego nie potrafi Muse Code

Argumentem przemawiającym za Muse Code jest to, że wspólnie trenowany agent pokonuje „generyczną otoczkę wokół zewnętrznego modelu” — sformułowanie Mety, twierdzenie Mety, nieprzetestowane przez nikogo innego. To rozsądne twierdzenie. Jest również wymierzone w lukę, którą Muse Spark 1.1 został specjalnie zbudowany, aby wypełnić.

Muse Spark 1.1 natywnie obsługuje Model Context Protocol, samodzielnie zarządza połączeniami MCP bez zewnętrznego frameworka, wewnętrznie orkiestruje role agenta głównego i podagentów oraz generalizuje zero-shot na nowe narzędzia i niestandardowe umiejętności. Liczby Meta z premiery dotyczyły użycia narzędzi: 88,1 w MCP Atlas za skalowane użycie narzędzi — wyprzedzając 82,2, które Meta podała dla Claude Opus 4.8, i 75,3 dla GPT-5.5 — oraz 54,7 w JobBench. Wszystkie pochodzą od producenta, wszystkie z lipca, żadne nie zostało niezależnie zweryfikowane. Teza i tak pozostaje aktualna: 1.1 to nie model czatu, do którego ktoś doczepił agenta. Wrzuć go do OpenCode, Cline lub dowolnego CLI obsługującego niestandardowy endpoint, a masz agenta już dziś.

Jest jeszcze wszystko to, czego Muse Code strukturalnie nie może dotknąć. Muse Spark 1.1 przetwarza obrazy, wideo, audio i pliki PDF w jednym oknie kontekstowym. Agent kodowania w terminalu nie ma pożytku z tej powierzchni ani sposobu, by ją udostępnić. Jeśli twoja praca to makieta projektu zamieniona w komponenty, rozmowa ze wsparcia transkrybowana i skategoryzowana albo 400-stronicowa specyfikacja konfrontowana z implementacją, nowszy produkt jest tym mniej zdolnym — a pozycjonowanie Meta dla generacji 1.2 przesunęło się z „multimodalnych głębokich badań nad mieszanymi mediami" na refaktoryzację wielu plików i generowanie całego repozytorium, bez opublikowanych wyników wideo lub audio dla wersji 1.2 od kogokolwiek.

Prawdziwa asymetria przebiega w drugą stronę i jest właściwością czasu wykonania, a nie możliwością. Muse Code dopisuje każde wywołanie modelu, uruchomienie narzędzia, zatwierdzenie i edycję do lokalnego dziennika zdarzeń, co — według Meta — czyni sesję dokładnie odtwarzalną i odporną na restart: po awarii agent wznawia działanie w miejscu, w którym się zatrzymał, zamiast ponownie odtwarzać swój kontekst. Jego agenci działający w tle utrzymują się przez całą sesję, zamiast być tworzeni i usuwani przy każdym podzadaniu. Dowód Meta to pojedyncze studium przypadku — 24-godzinny przebieg z ponad 1000 wywołań narzędzi optymalizujący jądra GPU na sprzęcie NVIDIA Hopper. Nie opublikowano żadnej liczby dotyczącej przyspieszenia, więc twierdzenie dotyczy czasu trwania. Jeśli kiedykolwiek straciłeś dziewięciogodzinną migrację, ponieważ środowisko zapomniało, co robiło w kroku 300, to jest to coś, czego naprawdę warto chcieć — i żadne wsparcie MCP w modelu ci tego nie zapewni.

Ta sama cena katalogowa, dopóki nie dotrzesz do drugiego poziomu.

Ponieważ poziom standardowy jest identyczny po obu stronach, argument cenowy w tym porównaniu sprowadza się wyłącznie do poziomu, który Meta wprowadziła wraz z Muse Code. Poziom dla współtwórców kosztuje 0,10 USD za milion tokenów wejściowych, 0,002 USD za token wejściowy z pamięci podręcznej i 0,20 USD za token wyjściowy — 12,5x taniej na wejściu, 21x na wyjściu, 75x na wejściu z pamięci podręcznej — w zamian za wyraźną zgodę na wykorzystywanie twoich promptów i uzupełnień do trenowania przyszłych modeli Meta. Ruch na poziomie standardowym, jak twierdzi Meta, nie jest wykorzystywany w ten sposób.

Przepuść przez to realistyczny krok agenta — 60 000 tokenów kontekstu repozytorium na wejściu, 3 000 tokenów planu-i-łatki na wyjściu — a tysiąc kroków kosztuje 87,75 USD w standardowej warstwie na zimno, 21,75 USD, gdy kontekst repozytorium trafia do cache, 6,60 USD dla kontrybutora na zimno i 0,72 USD dla kontrybutora z ciepłym cache. Własny 24-godzinny przebieg jądra Meta kosztuje blisko dziewięćdziesięciu dolarów w warstwie chroniącej twój kod i poniżej dolara w warstwie, która tego nie robi.

To nie jest wybór dotyczący rozliczeń. Prompty agenta kodującego to twoja baza kodu — wewnętrzne API, komentarz wyjaśniający, dlaczego istnieje obejście, cokolwiek zawierają twoje dane testowe. W przypadku otwartoźródłowego repozytorium poziom kontrybutorów to prawie darmowe pieniądze. W przypadku zastrzeżonego repozytorium to decyzja o licencjonowaniu danych w przebraniu zniżki i należy do osoby zatwierdzającej przetwarzanie danych, a nie do tej, która pilnuje rachunku za chmurę. Meta ustawiła zniżkę na 12x, ponieważ dane są dla Meta warte co najmniej tyle.

Pozostanie przy Muse Spark 1.1 całkowicie omija to pytanie, a warto dokładnie wiedzieć, ile to kosztuje i gdzie. Muse Spark 1.1 jest w katalogu OrcaRouter w cenie 1,25 USD i 4,25 USD — to cena katalogowa Meta co do centa, ponieważ dodajemy 0% marży i przekazujemy ceny dostawcy bez zmian, co jest też powodem, dla którego zmiana ceny Meta pojawia się u nas tego samego dnia, w którym Meta ją wprowadza, a nie po cyklu umowy. Nasza siedmiodniowa telemetria produkcyjna dla niego pokazuje p50 czasu do pierwszego tokena na poziomie 1,84 sekundy i p95 na poziomie 6,00 sekund, co jest znacznie bardziej użyteczną prognozą niż jakikolwiek benchmark, który ci poda. Muse Spark 1.2 jest nie w naszym katalogu; jest serwowany bezpośrednio przez Meta i nigdzie indziej, więc nowsza połowa tego porównania ma obecnie dokładnie jednego dostawcę i żadnej ścieżki awaryjnej z założenia. Jeśli to oceniasz, ta ekspozycja na jednego dostawcę jest częścią tego, co oceniasz.

Kompromis opóźnienia, o którym nikt nie wspomina w relacjach z premiery.

Artificial Analysis, mierząc niezależnie przy maksymalnym wysiłku rozumowania każdego modelu, zmierzyła czas do pierwszego tokenu Muse Spark 1.1 na 2,90 sekundy a Muse Spark 1.2 na 26,12 sekundy. Prędkość wyjściowa spadła z 213,5 do 165 tokenów na sekundę. Poprawa wyniosła trzy punkty Intelligence Index, z 51 do 54, oraz skok z #22 na #13 spośród 185 modeli.

Odczytane jako wydanie modelu ogólnego przeznaczenia, to zły interes — dziewięć razy dłuższe czekanie za trzy punkty. Odczytane jako silnik agenta kodującego, to oczywiście właściwy wybór, ponieważ nikt, kto czeka na refaktoryzację dwunastu plików, nie zauważa dwudziestu sześciu sekund planowania, a każdy, kto czeka na odpowiedź czatu, odczuwa cały ten czas oczekiwania. To najwyraźniejsze stwierdzenie tego, dla kogo jest każda strona tego porównania, i zostało ono zmierzone przez stronę trzecią, a nie tylko zadeklarowane przez Metę.

Oznacza to również, że przejście nie jest darmowe, nawet jeśli zależy ci tylko na kodzie. Wszystko, co interaktywne, co podłączyłeś do Muse Spark 1.1 — podpowiadanie inline, bot do przeglądu kodu, czat na bazie twoich dokumentów — wyraźnie się pogarsza, jeśli przeniesiesz to do generacji 1.2 dużym wysiłkiem. Aktualizacja jest ukierunkowana, a ukierunkowanie ma kierunek.

Który z nich faktycznie powinieneś uruchomić

Pozostań przy Muse Spark 1.1, jeśli Twoja praca nie jest związana z repozytorium. Potoki multimodalne, analiza długiego kontekstu, badania mixed-media, wszystko, co interaktywne, wszystko na Windows, wszystko już podłączone przez MCP i działające. Nic w premierze Muse Code tego nie poprawia, a pomiar opóźnień pogarsza co najmniej jedno z nich.

Wypróbuj Muse Code, jeśli problemem jest czas trwania. Migracje monorepo, aktualizacje zależności, trwające tygodniami refaktoryzacje — zadania, których obecnie pilnujesz, bo agent gubi wątek. Dziennik zdarzeń i trwałe agenty działające w tle celują dokładnie w to, a deficyt kilku punktów w benchmarku najmniej się liczy tam, gdzie przebieg jest najdłuższy. Beta, na tymczasowym klonie, na repozytorium, które możesz stracić bez żalu.

Przeprowadź uczciwy eksperyment, jeśli próbujesz zdecydować, który model wybrać. Utrzymaj swój harness bez zmian i zamień pod spodem Muse Spark 1.1 na Muse Spark 1.2. To izoluje tę jedną zmienną, którą Meta łączy na wykresie, i to jedyny sposób, by sprawdzić, czy premia za wspólne trenowanie jest realna, czy też 1.2 to po prostu kompetentny model do kodowania, gdziekolwiek go użyjesz. Dzięki jednej bramce to zmiana stringu, a nie procedura zakupowa — Muse Spark 1.1, Claude Opus 5, GPT-5.6 Terra, Grok 4.5 i Claude Fable 5 wszystkie znajdują się za jednym kluczem OrcaRouter w cenie katalogowej z automatycznym failover między dostawcami, więc utrzymanie zestawu porównawczego nic cię nie kosztuje. Muse Spark 1.2 jest wyjątkiem i musi pochodzić od Meta.

Pytania, które warto zadać, zanim cokolwiek zainstalujesz.

Czy mogę wskazać Muse Code na Muse Spark 1.1 zamiast 1.2?

Materiały z premiery Meta nie mówią tego wprost, a oba modele zostały wydane jako para współtrenowana, co jest argumentem przeciwko temu, że jest to wspierane lub użyteczne. Odwrotny kierunek jest jednak dobrze udokumentowany: Muse Spark 1.1 działa w każdym agencie, który akceptuje niestandardowy endpoint, i tak właśnie większość ludzi używa go dziś jako agenta. Jeśli twoim celem jest kontrolowane porównanie, uruchom 1.1 i 1.2 w twoim środowisku testowym, zamiast próbować naginać Meta.

Czy poziom współpracownika dotyczy również Muse Spark 1.1?

Meta wprowadziła dwupoziomową strukturę wraz z premierą Muse Code i Muse Spark 1.2, a jej opublikowany cennik przypisuje ceny dla kontrybutorów do tej wersji. Zakładaj, że rabat 12x jest ofertą generacji 1.2, dopóki Meta nie powie inaczej, i wyceniaj każde obciążenie w wersji 1.1 na 1,25 USD i 4,25 USD. Jeśli korzystasz z OrcaRouter, z definicji jesteś na cenie katalogowej, więc nie ma żadnego poziomu udostępniania danych, do którego można przystąpić lub z którego można zrezygnować.

Czy zatem twierdzenie o 6,7 punktu jest błędne?

Nie — nie podlegał audytowi i jest niedookreślony, co stanowi różnicę. Meta mogła równie dobrze uruchomić swoją linię bazową 1.1 w środowisku porównywalnym z tym Muse Code, w którym to przypadku zysk byłby czystym wynikiem porównania modeli. Nie opublikowano jednak żadnej metodologii, domniemana linia bazowa trafia dokładnie w wynik minimalnego zewnętrznego szkieletu, a ten sam benchmark daje trzy różne skale w zależności od tego, kto go uruchamia. Traktuj +6.7 jako wartość orientacyjną i uzyskaj własny wynik, zanim zaczniesz na nim planować.

Co rozstrzygnęłoby tę sprawę?

Jedno zgłoszenie. Jeśli Meta umieści Muse Code na publicznej liście liderów Terminal-Bench 2.1 na tych samych zasadach, na jakich zgłaszali się wszyscy inni — bez zmodyfikowanych limitów czasu i zasobów, z wypełnioną kolumną kosztów, z zastosowanymi odliczeniami za hacki — 82.9% staje się porównywalne do 76.2% przy nazwie Muse Spark 1.1 i do 83.8% na szczycie, a cały ten argument rozwiązuje się w ciągu jednego popołudnia. Do tego czasu jedynym niezależnie zweryfikowanym wynikiem w tym pojedynku jest ten starszego modelu, który mówi, że Muse Spark 1.1 rozwiązał trzy czwarte zadań Terminal-Bench 2.1 w szkielecie wystarczająco małym, by przeczytać go na jednym posiedzeniu, za mniej niż dwieście dolarów.

Drugą rzeczą wartą obserwacji jest węższe zagadnienie, które pojawi się wcześniej: czy Artificial Analysis opublikuje podwyniki dotyczące kodowania i zadań agentowych dla generacji 1.2, które już publikuje dla 1.1. Wydajność w zadaniach agentowych była najsłabszym opublikowanym wymiarem 1.1, i to z dużą przewagą. To dokładnie ta liczba, którą Meta twierdzi, że naprawiła, i dokładnie ta, której nikt poza Metą jeszcze nie zmierzył.