Meta Muse Image: model, API i obraz w stałej cenie $0.01

Jeśli wyszukałeś tę ujednoznacznioną nazwę i trafiłeś tutaj, krótka odpowiedź brzmi: Meta Muse Image to oparty na agentach model Meta do generowania i edytowania obrazów, jest własnościowy, a nie oparty na otwartych wagach, i wywołujesz go przez własne Model API Meta pod identyfikatorem muse-image-1.0 w stałej cenie 0,01 USD za wygenerowany obraz, z groundingiem w wyszukiwaniu wliczonym w tę cenę. To jest cała odpowiedź na pytanie, które zadaje wyszukiwanie, a wszystko poniżej stanowi dla niej odniesienie — co robi model, jak do niego dotrzeć, co tak naprawdę jest jednostką rozliczeniową, co Meta dokumentuje na temat pochodzenia i gdzie dokumentacja się kończy.

Dwie rzeczy dotyczące uzasadnienia tej strony warto powiedzieć wprost, ponieważ ta rodzina została już ogłoszona więcej niż raz, a drugi tekst ogłaszający byłby duplikatem materiałów, które już publikujemy. To kanoniczna strona referencyjna dla tej nazwy: cel, do którego czytelnik trafia po jej wyszukaniu. Jej uzasadnieniem jest stały popyt, który zmierzyliśmy na podstawie danych własnych 29 września 2026 r. — czytelnicy wpisują ujednoznacznioną formę tej nazwy w trzech wariantach pisowni, w setkach wyświetleń, na pozycji, którą zawdzięczamy przypadkowi innych stron, a nie temu, że napisaliśmy stronę ukształtowaną tak jak ta, a przynosi ona niemal zerową konwersję, bo nic, co publikujemy, nie ma kształtu strony referencyjnej. Ten pomiar to fakt dotyczący tego, co ludzie wpisują, i nic więcej; nie mówi nic o jakości ani popularności modelu w świecie. A możliwa do datowania kotwica służy tu jako fakt pozwalający datować model, a nie jako zdarzenie do relacjonowania: wpis Meta ogłaszający premierę Muse Image i Muse Video ma datę 7 lipca 2026 r. i opisuje model jako „dostępny dziś” w konsumenckich serwisach Meta tego dnia, więc 7 lipca 2026 r. to data premiery, od której wychodzi ta strona. Wszystkie dane liczbowe poniżej odczytano ze stron samej Meta 29 września 2026 r., chyba że zdanie mówi inaczej.

Czym tak naprawdę jest Muse Image

Jednolinijkowy opis samej Meta to dobry punkt wyjścia, ponieważ wykonuje prawdziwą pracę, a nie służy marketingowi: Muse Image to „agentowe generowanie obrazów, oparte na wyszukiwaniu i wycenione dla wolumenów produkcyjnych na 0,01 USD/obraz”. Na stronie modelu Meta zakres możliwości dzieli się na cztery tryby pracy — generowanie obrazów, precyzyjną edycję, zakotwiczoną kompozycję i dopracowywanie w wielu turach — a dokumentacja dla deweloperów sprowadza to samo do jednego zdania: „Muse Image generuje i edytuje obrazy na podstawie rozmowy”.

Wyróżniające twierdzenie, jak ujmuje to Meta, brzmi: Muse Image „to model obrazu, który rozumuje, zanim zacznie renderować”. Wpis Meta zapowiadający premierę czyni to konkretem, a nie tylko teorią: „Zamiast bezpośrednio mapować prompty na obrazy, Muse Image działa jak agent: wywołuje narzędzia wyszukiwania i kodowania, aby poprawić dokładność, samodzielnie udoskonala własne generacje i poprawia się dzięki skalowaniu obliczeń w czasie testowania”. W praktyce oznacza to, że model planuje, zanim zacznie rysować, sięga po aktualne materiały źródłowe z sieci, gdy prompt dotyczy faktów ze świata rzeczywistego, oraz pisze i uruchamia kod, gdy liczy się precyzja — taką ścieżkę Meta opisuje w przypadku dokładnych wykresów i kodów QR — a następnie sprawdza wynik, zanim go zwróci.

Trzy zdolności, które Meta wymienia jako pierwsze, są tymi, na których należy ją oceniać, i zostały one przedstawione w zdaniu samej Meta: Muse Image „wiernie podąża za instrukcjami, edytuje z precyzją i komponuje z wielu odniesień”. Twierdzenie o edycji jest najostrzejsze z tych trzech, ponieważ dotyczy powściągliwości, a nie wyników: strona modelu Meta mówi, że model „jest zaprojektowany tak, aby zmieniać dokładnie to, co określisz, i pozostawiać wszystko inne nietknięte”, oraz obsługuje iteracyjne dopracowywanie w kolejnych turach, a nie jednorazowe edycje. Kompozycja to miejsce, w którym kryje się tryb „zakotwiczonej kompozycji” — zakotwiczenie „całej serii generacji na małym zestawie obrazów referencyjnych, tak aby postać, styl i sceneria pozostawały spójne z jednego obrazu na następny”, co jest zdolnością, która ma znaczenie, jeśli tworzysz katalog lub zestaw reklam, a nie pojedynczy obraz. Wzięte razem, są to twierdzenia, które odróżniają model obrazu, z którym się generuje, od takiego, na którym buduje się potok przetwarzania, i są to twierdzenia dostawcy: Meta nie publikuje żadnego niezależnego benchmarku dotyczącego podążania za instrukcjami ani wierności edycji dla tego modelu.

Ujęcie agentowe nie dotyczy wyłącznie narzędzi. Meta dokumentuje, że Muse Image łączy się z Muse Spark, jej modelem rozumowania, tak aby „oba modele mogły współdzielić narzędzia i wspólnie planować na potrzeby potężnego agentowego generowania mediów” — udokumentowanym przykładem są wieloczęściowe wyniki, takie jak animowane GIF-y, strony z osadzonymi obrazami i małe interaktywne gry. Jeśli budujesz cokolwiek, co łączy generowaną grafikę z generowanym tekstem lub kodem, to połączenie jest tą częścią projektu, którą warto zrozumieć, i jest powodem, dla którego model jest udostępniany przez to samo API i z tym samym uwierzytelnianiem co Muse Spark, a nie przez osobny punkt końcowy dla obrazów z własnymi danymi uwierzytelniającymi.

Jak to nazywasz: powierzchnia API

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:

• Generuj — POST /v1/images/generations, prompt tekstowy na wejściu, obraz na wyjściu.

• Edycja — POST /v1/images/edits, prompt oraz obrazy wejściowe, do pracy typu image-to-image.

• Dopracowuj w kolejnych turach — POST /v1/responses, czyli Responses API, dzięki któremu działa udokumentowany przepływ obejmujący wiele tur.

W przypadku endpointów obrazów udokumentowanych parametrów jest niewiele i warto zapamiętać je na stałe, bo to one decydują o koszcie i formacie wyjściowym.n przyjmuje wartości od 1 do 10, a domyślnie wynosi 1.size przyjmuje ciąg „WxH”, na przykład 1792x1024, a dokumentacja wyraźnie stwierdza, że w przypadku tych endpointów „ustala wyłącznie proporcje, a nie dokładne piksele” — nie należy tego odczytywać jako gwarancji rozdzielczości.response_format to b64_json domyślnie lub url, a output_format to webp domyślnie, a dostępne są png i jpeg. Zachowanie agentowe można przełączać: endpointy obrazów przyjmują tool_enablement — rozszerzenie obejmujące enable_image_search, enable_web_search oraz enable_shell, a także reasoning_strength o wartości high (domyślnej) lub low. Zmniejszenie poziomu rozumowania to dźwignia wpływająca na koszt i opóźnienia — i to pierwsza rzecz, którą warto przetestować metodą A/B na własnych promptach, zamiast przyjmować ją na wiarę.

W interfejsie Responses API te same elementy sterujące znajdują się wewnątrz image_generation — obiektu narzędzia w tools, przy czym wyszukiwanie obrazów, wyszukiwanie w sieci i powłoka są domyślnie włączone, a tablica wyjściowa wraca w ustalonej kolejności: element rozumowania podsumowujący, co model zaplanował i wyszukał, element wiadomości, a następnie po jednym image_generation_call na obraz. Sam obraz znajduje się w polu result tego elementu jako base64, a jego id jest udokumentowane jako podpisany uchwyt, który przekazujesz z powrotem, aby nadal edytować ten sam obraz w późniejszej turze. Ten uchwyt to mechanizm stojący za dopracowywaniem w wielu turach — pozwala uniknąć ponownego przesyłania obrazu, aby zmienić w nim jeden szczegół. Oba punkty końcowe obrazów akceptują również stream: true, emitując image_generation.completed przy generowaniu i image_edit.completed przy edycjach. Model API jest udokumentowany jako zgodny typu drop-in z OpenAI SDK, Anthropic SDK oraz interfejsami CLI agentów zgodnych z OpenAI, więc istniejące wywołanie obrazu to zmiana ciągu modelu, a nie przepisanie kodu.

Jedno zastrzeżenie, które należy raczej do dokumentacji referencyjnej niż do przypisu: Meta nie opublikowała limitów szybkości dla Muse Image, które moglibyśmy odczytać. Strona z limitami szybkości w serwisie dla deweloperów samej Meta zwróciła jedynie szkielet bez żadnych liczb — tak samo jak strona z cennikiem. Jeśli przepustowość ma znaczenie w twoim projekcie, jest to niewiadoma, którą odkryjesz w API, a nie w dokumentacji.

Cena oraz jednostka, w której jest podana

Jeden cent za obraz. Ta liczba pochodzi z własnej strony modelu Muse Image firmy Meta, która wymienia ten model w tabeli cenowej, gdzie zarówno grounding w wyszukiwaniu, jak i rozumowanie są oznaczone jako wliczone, a cena podana jest jako 0,01 USD/obraz; dokumentacja dla deweloperów powtarza to jako „Muse Image jest rozliczany według stałej stawki 0,01 USD za wygenerowany obraz”. Jednostką jest obraz, a nie token — dokumentacja mówi to wprost („Muse Image nie jest rozliczany za token”) — i ma to znaczenie, ponieważ interfejsy API do obrazów, które raportują użycie w tokenach, są zwykle rozliczane w tokenach. Muse Image zwraca blok użycia z liczbami tokenów wejściowych i wyjściowych, a te liczby mają wyłącznie charakter informacyjny.

Z tej jednostki wynikają trzy szczegóły rozliczeniowe. Po pierwsze, n jest mnożnikiem: żądanie, które zwraca dziesięć obrazów, jest rozliczane za dziesięć obrazów, więc parametr 1–10 służy zarówno kontroli wydatków, jak i wygodzie. Po drugie, niepowodzenie nie jest rozliczane — obrazy, których nie udało się wygenerować lub które zostały usunięte przez filtrowanie bezpieczeństwa, zanim zostaną zwrócone, nie są liczone. Po trzecie, ugruntowanie wyszukiwania jest zawarte w cenie za obraz, a nie w osobnej pozycji rozliczeniowej; dokumentacja Meta stwierdza, że jest to „część ceny za obraz, więc nie wiąże się z żadną osobną opłatą za ugruntowanie wyszukiwania”. To właśnie ten ostatni punkt sprawia, że stawka ma znaczenie w pracy agentowej: model, który przeszukuje sieć przed renderowaniem, może wygenerować kilka wywołań narzędzi za jednym wynikiem, a Meta stwierdza, że wywołania narzędzi nie są rozliczane oddzielnie od obrazu.

Nie mogliśmy potwierdzić tej liczby na podstawie cennika i warto to powiedzieć, zamiast to pomijać. Każdy adres URL z cennikiem w domenie deweloperskiej Meta, który pobraliśmy, zwracał szkielet strony bez żadnych kwot w dolarach, więc strona modelu i dokumentacja generowania obrazów to dwa miejsca, w których ta liczba istnieje jako czytelne stwierdzenie. Jeśli potrzebujesz drugiego źródła dla działu zakupów, dziś nie ma go na stronie Meta.

To, co w praktyce kupuje ci jeden cent, to zmiana decyzji, a nie rabat. Sposób, w jaki sama Meta ujmuje to na stronie modelu, jest taki, że model „pozwala uruchamiać obciążenia, które wcześniej pozostawały poza zasięgiem ze względu na ceny modeli frontierowych” — generowanie wariantów reklam, zdjęcia katalogowe i personalizację dla poszczególnych użytkowników — a przy takiej stawce sto tysięcy obrazów wychodzi w cenniku na około 1000 dolarów. Jeśli rozważasz tę stawkę w zestawieniu z premium modelami do obrazów, za które być może już płacisz, sensownym krokiem jest uruchomienie obu na własnych promptach i własnej ocenie, a to właśnie jeden cent za obraz sprawia, że takie porównanie jest wystarczająco tanie, by naprawdę je przeprowadzić.

Pochodzenie: co Content Seal rozstrzyga, a czego nie rozstrzyga

Meta dostarcza wraz z tym modelem niewidzialny system znakowania wodnego i opisuje go na tyle dokładnie, że warto go zacytować: „Muse Image zawiera Content Seal, nasz niewidzialny system znakowania wodnego. Obrazy utworzone przez Muse Image w aplikacji Meta AI oraz w serwisie meta.ai zawierają ukryty sygnał pochodzenia, który pozostaje nienaruszony — nawet po przycięciu, kompresji, zmianie rozmiaru czy wykonaniu zrzutu ekranu”. Meta twierdzi, że planuje rozszerzyć Content Seal na wideo, i zapowiada narzędzie do wykrywania, które pozwala sprawdzić, czy obraz nosi ten znak.

Przeczytaj uważnie zakres tego zdania, ponieważ jest węższy, niż początkowo się wydaje. Sygnał pochodzenia jest opisany jako przenoszony przez obrazy utworzone w aplikacji Meta AI i na meta.ai — powierzchniach konsumenckich — a strona modelu Meta i dokumentacja API nie mówią nic o tym, czy obrazy generowane przez Model API noszą ten sam znak. Nie udało nam się znaleźć żadnego stwierdzenia w tę czy inną stronę, więc traktuj Content Seal jako funkcję oznaczania pochodzenia dla powierzchni konsumenckich i nie zakładaj, że towarzyszy ona plikowi wygenerowanemu przez API, dopóki nie przetestujesz danych wyjściowych z własnego konta. Niezależnie od tego jedyny test detektora, o którym informowaliśmy, pochodził z Reutersa, który stwierdził, że nie udało mu się zweryfikować większości obrazów ze znakiem wodnym po przycięciu; to ustalenie i jego liczba są omówione w naszym objaśnieniu tego modelu, które jest stroną do przeczytania w kwestii argumentu o pochodzeniu, a nie ta.

Gdzie jest uruchamiane

Własne oświadczenie Meta o dostępności, z wpisu o premierze: Muse Image „jest dostępny już dziś w aplikacji Meta AI oraz na meta.ai, w Instagram Stories w USA i w WhatsApp w ograniczonej liczbie krajów, a wkrótce pojawi się na Facebooku”. To są słowa Meta, a te kanały to własne produkty Meta — nie ma listy oczekujących, kodu zaproszenia ani osobnej rejestracji dla żadnego z nich. Po stronie deweloperskiej model jest udostępniany przez Model API, i właśnie temu służą powyższy identyfikator i punkty końcowe. Strona modelu Meta wymienia również platformy inferencji innych firm wśród sposobów jego uruchamiania; nie wymieniamy ich tutaj, a niczego na tej stronie nie należy odczytywać jako twierdzenia o warunkach lub stawkach w jakimkolwiek kanale innym niż własne API Meta.

Meta nie opublikowała daty, kiedy Muse Image trafiło do Model API, a dokumentacja dla deweloperów Meta nie podaje żadnej. Jedyną datą, na której opiera się ta strona, jest data premiery samego modelu, 7 lipca 2026 r., ustalona na podstawie datownika własnego wpisu ogłoszeniowego Meta. Jeśli datujesz powierzchnię API, a nie model, powiedz to, co mówi Meta, czyli nic.

Otwarte wagi czy zastrzeżone? Zastrzeżone — a rodzina ma jedne i drugie

To jest pytanie, które czytelnicy najczęściej mylą w tej rodzinie, więc warto odpowiedzieć na nie wprost. Muse Image jest zastrzeżone. Dokumentacja dla deweloperów Meta wyznacza granicę jednoznacznie: modele, które wywołujesz przez Model API — Muse Spark, Muse Image, Muse Voice Transcribe i SAM — są udostępniane jako usługa, a „Muse Glimmer obrał inną drogę: pobierasz otwarte wagi i uruchamiasz je na własnym sprzęcie, zamiast wywoływać go przez Model API”, na permisywnej licencji Apache 2.0. Muse Glimmer to ścieżka otwartych wag w tej rodzinie i jest to inny model: model multimodalny destylowany z Muse Spark, a nie otwarte wydanie Muse Image. Nic na stronie Meta poświęconej Muse Image nie podaje licencji ani nie oferuje wag, ponieważ nie ma ich do zaoferowania. Jeśli samodzielny hosting jest twardym wymaganiem, Muse Glimmer to model, który warto ocenić; jeśli chcesz model do obrazów opisany tutaj, wywołujesz API Meta i płacisz za każdy obraz.

Co Meta twierdzi, że rankinguje, oznaczone jako twierdzenie Meta

W poście ogłaszającym premierę Meta stwierdza: „Muse Image zajmuje 2. miejsce w Arena w kategoriach text-to-image, edycji pojedynczego obrazu i edycji wielu obrazów, mierzonych rankingami Elo opartymi na preferencjach użytkowników w momencie pisania”. Dwie rzeczy w tym zdaniu mają znaczenie i obie wynikają z samego sformułowania Meta. Jest to raportowany przez dostawcę ranking, a nie niezależny wynik, i jest to Elo oparte na preferencjach użytkowników pozycja, a nie wynik benchmarku na stałym zestawie testowym — rozróżnienie, które ma realne znaczenie, gdy różnica między dwiema najwyższymi pozycjami jest mniejsza niż margines oceny Elo opartej na ograniczonej liczbie głosów. Wykresy, które Meta publikuje wraz z tym twierdzeniem, są opatrzone datą „na dzień 5 lipca 2026 r.”, a samo twierdzenie jest zastrzeżone „w momencie pisania”, więc jest to migawka aktualnego rankingu, cytowana przez stronę mającą w tym interes, a nie ustalona pozycja.

Ten sam post zawiera ilustrację skalowania, której etykietę podaje Meta: wykres pokazujący, że jakość rośnie wraz z rozumowaniem, ma podpis „Elo z wewnętrznej ablacji”. To pomiar wewnętrzny dostawcy i nie jest porównywalny z niezależnym rankingiem. Argument Meta jest taki, że jakość poprawia się wraz z obliczeniami w czasie testu w zależności w przybliżeniu log-liniowej, a rozumowanie i korzystanie z narzędzi wzmacniają się nawzajem, gdy się je połączy — wewnętrzna ablacja, przedstawiona wprost jako taka.

Istnieją niezależne pozycje dla tego modelu, na rankingach, które nie należą do Meta, i je raportowaliśmy: nasz materiał objaśniający zawiera plansze Artificial Analysis dla modeli obrazowych oraz pozycje z areny wraz z ich liczbami, a dwie strony z porównaniami zestawiają te liczby z nazwanymi rywalami. Jeśli chcesz niezależny obraz sytuacji, a nie obraz dostawcy, to tam należy tego szukać. Ta strona nie przedrukowuje tych liczb, a jedną z nich i tak trzeba czytać ostrożnie, ponieważ Artificial Analysis klasyfikuje wyłącznie modele obrazowe, które udostępniają wywoływalne API — więc niezależna pozycja Muse Image to stwierdzenie o Model API, a nie o aplikacji Meta AI.

Na co dokumentacja nie odpowiada

Strona referencyjna jest przydatna tylko wtedy, gdy mówi, gdzie kończy się zapis, więc oto, czego nie udało się ustalić na podstawie informacji od Meta w dniu 29 września 2026 r. Nie ma opublikowanego limitu liczby żądań dla Muse Image. Nie ma opublikowanego profilu opóźnień, wskaźnika sukcesu ani niezależnej oceny pętli agentowej w warunkach ruchu produkcyjnego — cena za obraz jest udokumentowana, ale zakres operacyjny już nie. Nie istnieje żaden benchmark podążania za instrukcjami ani wierności edycji ze strony niezależnego podmiotu, a sama Meta nie publikuje takiej liczby; grafika benchmarku na stronie modelu Meta nie zawiera czytelnych liczb. Nie ma oświadczenia licencyjnego, ponieważ model nie jest objęty licencją na pobieranie. A data, od której można było wywoływać Muse Image w Model API, nie jest podana nigdzie w dokumentacji Meta. Żadna z tych luk nie jest powodem, by unikać tego modelu — obraz za jednego centa z wliczonym ugruntowaniem wyszukiwania jest wart przetestowania już na tej podstawie — ale każda z nich jest powodem, by mierzyć, a nie zakładać, zanim pipeline zacznie od niego zależeć.

Werdykt dla dewelopera

Meta Muse Image warto oceniać, jeśli twoim problemem jest wolumen: obrazy katalogowe, personalizacja reklam, personalizacja dla poszczególnych użytkowników — cokolwiek, gdzie frontierowa stawka za obraz była tym, co zabiło projekt. Koszt jednostkowy jest udokumentowany, jednostka nie budzi wątpliwości, nieudane próby nie są fakturowane, a grounding wyszukiwania jest wliczony w stawkę i dodany obok niej, co na tym rynku jest na tyle nietypowe, że stanowi nagłówek. Nie warto go brać w ciemno, ponieważ wszystko poza ceną — przepustowość, to, jak niezawodnie pętla agentowa domyka się na twoich promptach, to, czy sygnalizacja pochodzenia towarzyszy danym wyjściowym API — nie jest udokumentowane, a własna pozycja dostawcy w zakresie preferencji ludzkich jest podawana jako stan na dany moment, a nie sprawdzony wynik. Uczciwym kształtem decyzji jest tu eksperyment za jednego centa przeciwko modelowi obrazowemu, którego już używasz, na własnych promptach, z tanim trybem porażki i sprawdzonym mechanizmem zastępczym za nim. Jeśli chodzi o to, czym jest ten model, jak się go wywołuje i ile kosztuje, ta strona jest źródłem referencyjnym; a jeśli chodzi o to, czy powinien znaleźć się w twoim stacku, liczą się tylko te liczby, które sam wygenerujesz.