Muse Spark Open vs Muse Spark 1.3: Nove Pontos de Índice É Muito para Abrir Mão de Graça

Aqui está a comparação desconfortável dentro da própria família da Meta. Muse Spark Open, lançado em 15 de outubro de 2026, é o modelo de pesos abertos de 816 bilhões de parâmetros que qualquer pessoa pode baixar; uma medição independente atribui a ele uma pontuação de 39 no Artificial Analysis Intelligence Index. Muse Spark 1.3, o modelo proprietário de API que a Meta lançou em 2 de setembro de 2026, está em 48. Nove pontos não são uma diferença de arredondamento — é aproximadamente a distância entre um nível de capacidade e o próximo, e é o número que faz "é só rodar o aberto em vez dele" ser um conselho muito pior do que parece no dia do lançamento.

Comece pelo cenário, não pela ficha técnica

Três equipes analisaram o lançamento do Muse Spark Open e perguntaram se poderiam cancelar algo.

O primeiro executa um pipeline noturno que lê um corpus fixo e emite registros estruturados. A latência é irrelevante, o volume é enorme, o esquema nunca muda. Esta equipe deve adotar os pesos abertos e parar de pagar por token.

O segundo executa um agente de codificação interativo que dispara uma dúzia de pequenas idas e voltas por solicitação do usuário. Esta equipe não deveria, e o motivo é vazão e custo de raciocínio, ambos os quais estão prestes a se tornar muito mais concretos.

O terceiro executa raciocínio complexo de várias etapas — do tipo em que o modelo precisa manter uma longa cadeia de inferência, chamar ferramentas dentro dela e se recuperar de seus próprios becos sem saída. Esta equipe também não deveria, e para ela a diferença de nove pontos não é uma abstração. É a diferença entre um fluxo de trabalho que se conclui e um que precisa ser supervisionado de perto.

Tudo abaixo é sobre distinguir esses três sem adivinhar.

Do que são feitos os nove pontos

O índice é um compósito, e os compósitos escondem a estrutura. A estrutura aqui está, em grande parte, onde você esperaria encontrá-la, com uma surpresa.

• Trabalho agêntico e de uso de ferramentas — o terreno mais forte do Muse Spark 1.3. Os próprios números de lançamento da Meta para o 1.3, relatados pelo fornecedor e medidos dentro de seu próprio harness, colocam o Terminal-Bench 2.1 em 83,9 e o DeepSWE 1.1 em 68. Contra os 76,4 e 60 relatados pelo fornecedor do Muse Spark Open, isso representa uma vantagem consistente de sete a oito pontos nas avaliações mais próximas do comportamento real de agentes, e coincide quase exatamente com a diferença do índice independente.

• Raciocínio sem consulta — a lacuna maior. O próprio quadro de avaliação do Muse Spark Open mostra que sua linha mais fraca é o HLE-Diamond sem ferramentas, na qual a Meta reporta 26,1. O Muse Spark 1.3 foi criado como um modelo com raciocínio em primeiro lugar; a configuração de raciocínio “max” em seu nome não é decoração.

• Amplitude de conhecimento — mais estreita do que a manchete sugere, e a Artificial Analysis pontua ambos os modelos em um eixo de onisciência em que a diferença é menor do que o delta do índice sugere. Isso importa porque significa que a lacuna está concentrada na profundidade de raciocínio e na persistência do agente, não em quanto o modelo sabe.

• Velocidade — O Muse Spark 1.3 mede 127,7 tokens por segundo, classificado em 41º de 185 no Artificial Analysis. A velocidade do Muse Spark Open não foi publicada por nenhuma fonte independente. Um modelo auto-hospedado de 816B de mistura de especialistas em duas máquinas desktop será mais lento que 127,7 tok/s; quanto mais lento, é desconhecido, e esta é a segunda maior lacuna nas evidências, ao lado do custo.

• Preço — Muse Spark 1.3 é vendido a US$ 1,25 por milhão de tokens de entrada e US$ 4,25 por milhão de tokens de saída, com um desconto de 88% para entrada em cache, resultando em um custo medido de US$ 1,60 por tarefa do Intelligence Index. O Muse Spark Open não tem preço por token; seu custo é o hardware, e não existe nenhum valor independente de custo por tarefa para ele.

Uma linha dessa lista merece uma segunda olhada, porque é o argumento que mais costuma ser interpretado erroneamente. O Muse Spark 1.3 é um raciocinador prolixo. A Artificial Analysis mediu-o consumindo cerca de 170 milhões de tokens ao longo da avaliação, contra cerca de 130 milhões do Muse Spark 1.2 — e é por isso que o 1.3 custa US$ 1,60 por tarefa com os mesmos preços anunciados por token que resultam em US$ 0,97 para o 1.2. A camada de raciocínio de fronteira cobra de você duas vezes: uma pela capacidade e outra pelos tokens que ele queima pensando até chegar lá.

O botão de raciocínio é onde está o dinheiro

Ambos os modelos priorizam o raciocínio e nenhum permite desativá-lo, mas expõem o esforço de forma diferente, e essa diferença é a coisa mais praticamente útil nesta página.

Muse Spark Open publica a sua escala de esforço abertamente: baixo, médio, alto e xhigh correspondem a 16, 64, 256 e 512 tokens de raciocínio, e uma indicação de força de raciocínio no prompt de sistema faz o mesmo trabalho. Isso é um botão que pode girar a partir do seu próprio código, com um custo conhecido por ajuste, e como está a pagar em eletricidade e tempo de relógio em vez de dólares por token de saída, diminuí-lo não lhe custa nada no medidor. Custa-lhe precisão, e apenas precisão.

No Muse Spark 1.3, a mesma escada existe no lado do fornecedor, e cada nível que você sobe é cobrado. A US$ 4,25 por milhão de tokens de saída, com tokens de raciocínio contabilizados como saída, um fluxo de trabalho que roda com esforço máximo está pagando pela deliberação do modelo da forma mais literal disponível. Este é o único ponto em que a economia do modelo aberto não é apenas defensável, mas genuinamente melhor: um trabalho em lote que pode arcar com pensar mais tem liberdade para fazê-lo, e um trabalho em lote que não precisa pensar muito tem liberdade para parar.

Onde a lacuna desaparece

Três situações reduzem a diferença de nove pontos a nada.

O ajuste fino é o primeiro e o maior. O Muse Spark 1.3 não pode ser ajustado com os seus dados por preço nenhum. O Muse Spark Open pode, com o suporte ao TorchTitan que a Meta lançou junto com os pesos. Um modelo ajustado com a sua base de código, o seu esquema ou o seu vocabulário de domínio não é o mesmo modelo que o que obteve 39, em nenhuma das direções — e, para uma tarefa restrita, a versão ajustada de um modelo geral mais fraco costuma superar a versão não ajustada de um mais forte. Se o seu problema é específico, a diferença no índice não é a medida relevante.

A residência de dados é a segunda. Se o corpus não pode sair da sua rede, a comparação não é entre 39 e 48; é entre 39 e não ter um modelo. Isso não é uma decisão difícil, e nunca foi.

O volume de lote amortizado é o terceiro, com uma ressalva. Um pipeline cujo consumo de tokens é grande, constante e previsível pode justificar o hardware. Um pipeline em rajadas não pode, porque a auto-hospedagem converte um custo variável em um custo fixo e depois cobra você pelas horas ociosas de qualquer maneira. Observe também que o desconto de cache do Muse Spark 1.3 torna o modelo hospedado excepcionalmente barato justamente para o padrão de contexto repetido que grandes pipelines em lote produzem, então o argumento para auto-hospedagem é mais fraco do que um cálculo ingênuo de tokens vezes preço sugere.

Onde a lacuna se torna um muro

Duas cargas de trabalho não devem se aproximar do modelo aberto.

Os agentes interativos vêm primeiro. O Muse Spark 1.3 mede 127,7 tokens por segundo, e um loop de agente multiplica esse número pelo número de idas e voltas por tarefa. O Muse Spark Open não tem velocidade publicada, e a expectativa estrutural é que um modelo 816B rodando na largura de banda de memória de desktop fique muito atrás. Se um humano está esperando, os nove pontos de índice são irrelevantes e a diferença de throughput é tudo.

O raciocínio de fronteira em rajadas é o segundo, por um motivo mais sutil. As cargas de trabalho que exigem 48 pontos de capacidade de raciocínio são, quase por definição, aquelas em que uma falha é custosa e a cadeia de raciocínio é longa. Executá-las em um modelo que está um nível abaixo, com vazão desconhecida, para economizar na conta por token, é trocar um custo pequeno e previsível por um grande e imprevisível. Essa é a troca que a terceira equipe no topo deste texto deveria recusar.

A equipe que quer ambos

A maioria das organizações que acaba executando os dois o faz porque as cargas de trabalho realmente diferem: caminhos interativos precisam de velocidade, caminhos em lote precisam de baixo custo, e apenas alguns caminhos precisam permanecer on-premises. O modo de falha não é a arquitetura — é que a divisão vive num documento em vez de na configuração, e um desenvolvedor copia uma string de modelo de um tutorial.

Uma camada de roteamento é o mecanismo que resolve isso. OrcaRouter roteia o Muse Spark 1.2 pelo preço de tabela da Meta com 0% de markup e repassa o preço de tabela do fornecedor, de modo que um corte de preço no lado hospedado chega à sua chave no mesmo dia, sem trabalho de reprecificação. Ele não hospeda o Muse Spark Open, e não deve ser interpretado como tal: um modelo cuja proposta inteira é que você pode manter os pesos é um modelo que você executa no seu próprio hardware. O que o roteador contribui é a metade interativa — o Muse Spark 1.3 também não é atualmente roteado pelo OrcaRouter, então a forma prática hoje é chamar o nível hospedado onde quer que você já o chame e deixar uma API, com failover automático e uma DSL de roteamento, manter os 200+ modelos que você pode alcançar sob uma única chave enquanto seu próprio hardware cuida do que precisa ficar em casa.

Escolha pela carga de trabalho, não pela licença

Opte pelo Muse Spark Open se a sua tarefa for estreita o suficiente para ser ajustada, se os dados não puderem sair, se a carga de trabalho for grande e constante e, acima de tudo, se o modelo puder pensar no nível de esforço que quiser sem que o medidor esteja rodando. Essas são as quatro condições, e elas costumam estar correlacionadas — os pipelines são estreitos, em lote e estacionários.

Escolha o Muse Spark 1.3 se um humano aguarda a saída, se o raciocínio é genuinamente difícil, se o trabalho é em rajadas, ou se precisa de uma lista multimodal confirmada — a entrada de texto, imagem e vídeo do 1.3 é listada de forma independente, enquanto as alegações mais amplas de áudio e vídeo do Muse Spark Open são declaradas pelo fornecedor e medidas de forma independente apenas como texto e imagem.

O que você não deve fazer é pegar os pesos abertos porque eles são gratuitos. Os nove pontos entre 39 e 48 são reais, estão concentrados exatamente no trabalho agêntico e de raciocínio que torna esses modelos úteis, e nenhuma quantidade de inferência local os recupera. Muse Spark Open é a resposta certa para um conjunto específico de perguntas. Não é um desconto no Muse Spark 1.3.

O Muse Spark Open pode ser baixado sob a Licença do Modelo Muse; o Muse Spark 1.3 está disponível por token a $1.25 de entrada e $4.25 de saída, com o desconto de cache aplicado às próprias tarifas do fornecedor.