Muse Spark vs Muse Spark 1.3: Um destes nomes é uma versão, e isso é toda a resposta

Digitar Muse Spark contra Muse Spark 1.3 em uma caixa de pesquisa implica dois produtos, e a primeira coisa útil que alguém pode lhe dizer é que só existe um. A Meta Superintelligence Labs introduziu o Muse Spark em 8 de abril de 2026, e o Muse Spark 1.3 — lançado em 2 de setembro de 2026, com seu nível máximo de raciocínio aberto aos desenvolvedores em 4 de setembro — é para onde esse nome agora aponta. A própria página de modelos da Meta resolve a questão em três frases: Muse Spark 1.3 é "a versão mais recente" e é recomendado para novos trabalhos, Muse Spark 1.2 é "a versão anterior", e Muse Spark 1.1 é "a versão original". Portanto, isto não é um confronto. É a pergunta sobre a versão que o nome Muse Spark vem escondendo desde que a família começou a ser reapontada, e a resposta muda dependendo de qual dos checkpoints anteriores você estava realmente comparando.

O que cada nome denota

O nome sem versão é uma família e um alvo móvel. A Meta lançou o Muse Spark original em abril de 2026 como um modelo de raciocínio nativamente multimodal com uma prévia privada de API, e depois começou a emitir checkpoints numerados: Muse Spark 1.1, que nosso próprio catálogo lista com data de lançamento de 16 de julho de 2026; Muse Spark 1.2 em 5 de agosto de 2026; e Muse Spark 1.3 em 2 de setembro de 2026. Listagens independentes concordam com essas duas últimas datas. Há uma complicação que vale a pena sinalizar em vez de suavizar: a documentação da Meta chama a 1.1 de "a versão original", enquanto a introdução da família foi em abril, e a discrepância entre essas duas afirmações não é explicada em nenhuma página que conseguimos ler. Trate a data de abril como a introdução da família e julho como o primeiro checkpoint que leva um número, e não trate nenhuma delas como um evento de lançamento que esta página esteja reportando.

Todas as três versões numeradas compartilham a mesma linha de modalidades e a mesma janela de contexto de 1.048.576 tokens, o que a Meta afirma diretamente: elas "compartilham as mesmas modalidades e a mesma janela de contexto, e diferem apenas em capacidade". Essa frase é a coisa mais útil na prática na página. Isso significa que uma atualização de versão nesta família não altera o formato da sua solicitação. As mesmas entradas — texto, imagem, vídeo, áudio e PDF — a mesma saída somente de texto, o mesmo teto. O que muda é a qualidade da resposta, e o preço não muda em nada: US$ 1,25 por milhão de tokens de entrada, US$ 0,15 por milhão de tokens de entrada em cache e US$ 4,25 por milhão de tokens de saída, idênticos entre 1.1, 1.2 e 1.3 no nível Standard da Meta.

A aritmética da atualização, segundo a própria tabela da Meta

A Meta publica uma única tabela de benchmark que coloca o Muse Spark 1.3 executando max reasoning ao lado do Muse Spark 1.2 executando xhigh em uma dúzia de avaliações agênticas e de contexto longo, e lê-la linha por linha produz um panorama mais interessante do que o número da versão sugere. Todos os números abaixo são relatados pelo fornecedor, produzidos dentro do próprio harness da Meta, e não foram reproduzidos por nós.

• 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 vs 61,6

• MRCR 256K–512K — 98,5 vs 66,3

• MRCR 512K–1M — 98,1 vs 55,5

As duas últimas linhas são a história, e não são as linhas que alguém citou no lançamento. A recuperação em contexto longo na faixa de 256K–512K sobe 32 pontos; na faixa de 512K–1M, sobe mais de 42. O trabalho de capacidade geral avança muito menos: GDPval-AA sobe 139 pontos numa escala que tinha 1,2 em 1.615, e o JobBench sobe 3. O padrão é consistente com aquilo que um laboratório ajusta quando está perseguindo trabalho agêntico de horizonte longo — o modelo não ficou uniformemente mais inteligente, ficou drasticamente melhor em reter e recuperar informações ao longo de um contexto para o qual já tinha a janela. Se a sua carga de trabalho fica nos primeiros 100K tokens, a melhoria é real, mas modesta. Se ela fica além disso, é a diferença entre um modelo que consegue usar um contexto grande e um que consegue encontrar coisas nele.

Duas ressalvas precisam acompanhar esses números. A comparação é entre max e xhigh, não entre max e max, porque a Meta rodou a 1.2 em xhigh e a 1.3 em max — as configurações são diferentes, então parte do ganho vem do orçamento de raciocínio, e não da qualidade do checkpoint. E a linha da 1.2 nessa tabela agora é uma configuração obsoleta: fora da própria tabela da Meta, listagens independentes marcam o Muse Spark 1.2 como obsoleto e apontam para o 1.3, que é o sinal mais forte disponível de que o checkpoint mais antigo está a caminho da descontinuação.

A imagem independente, e a troca que ninguém menciona

Artificial Analysis é a terceira parte com listagens públicas para ambos os checkpoints, e seus números divergem dos da Meta de uma forma instrutiva — não quanto à direção, mas quanto ao custo.

• Muse Spark 1.3 (Max) — Índice de Inteligência 48, classificação 24 de 217; velocidade de saída de 121,9 tokens/segundo; US$ 1,60 por tarefa concluída do Índice; 170 milhões de tokens de saída gerados durante a avaliação

• Muse Spark 1.2 (Xhigh) — Intelligence Index 40, posição 59 de 217; velocidade de saída de 361,4 tokens/segundo, classificado em primeiro lugar entre 186 modelos; US$ 0,97 por tarefa concluída do Index; 130M tokens de saída; tempo até o primeiro token de 12,67 segundos

Compare as duas listas entre si e a atualização parece diferente do que se lê na tabela da Meta. O Muse Spark 1.3 é oito pontos de índice mais forte e cerca de três vezes mais lento — 121,9 tokens por segundo contra 361,4, ao passo que o checkpoint mais antigo era o modelo mais rápido de qualquer tipo naquele ranking. O custo por tarefa concluída subiu de US$ 0,97 para US$ 1,60, embora o preço por token seja idêntico, porque o modelo mais novo gera 40 milhões de tokens a mais para concluir a mesma avaliação. Nada mudou na tabela de preços do fornecedor. O que mudou é o quanto o modelo diz.

Esse é o trade-off que o número da versão esconde, e ele vai numa direção que a maior parte da cobertura deixou passar. Se a sua aplicação é sensível à latência ou limitada por throughput, a versão anterior do Muse Spark pode genuinamente ser o produto mais rápido para você, e pelo mesmo preço de tabela. Se ela é limitada por precisão em problemas difíceis, a 1.3 com max reasoning é o ponto do upgrade. São compras diferentes disfarçadas de aumento de versão, e apenas uma delas é o que o aviso de descontinuação presume que você quer.

O que a 1.3 adicionou que não é uma pontuação

O nível de raciocínio max é a mudança de maior impacto no lançamento 1.3 e chegou com dois dias de atraso. No lançamento de 2 de setembro, a Meta disponibilizou todos os níveis de esforço até xhigh e manteve o max retido, à espera do que chamou de testes de segurança adicionais, compartilhando-o com um conjunto limitado de parceiros. Em 4 de setembro, esses testes terminaram e o max passou a ser selecionável no Muse Code e no id do modelo muse-spark-1.3 por meio da Meta Model API. A consequência é que o placar principal — os 1.754 no GDPval-AA, os 98,5 no MRCR — foi produzido em uma configuração que os desenvolvedores não podiam chamar nos dois primeiros dias, e qualquer integração escrita no dia do lançamento ainda pode enumerar o esforço de raciocínio apenas até xhigh. Verifique o que sua rota aceita antes de presumir que max será respeitado.

A Meta também vende o checkpoint 1.3 duas vezes, e a diferença não é o modelo. muse-spark-1.3 está rotulado "Não usado para melhorar nossos produtos" a $1,25 / $0,15 em cache / $4,25. muse-spark-1.3-contributor está rotulado "Usado para melhorar nossos produtos" a $0,10 / $0,002 / $0,20 — cerca de uma ordem de magnitude mais barato na entrada e mais de vinte vezes mais barato na saída, em troca de permissão para treinar com seus prompts e respostas geradas. Ambos têm a mesma janela de contexto de 1M de tokens. Contributor descreve o que você contribui, não o que você recebe; é um nível de preço com uma cláusula de dados atrelada, não um lançamento de pesos abertos.

E há uma regressão, declarada pela própria Meta em vez de descoberta por um usuário. O entendimento de áudio no Muse Spark 1.3 não tem suporte total, e a Meta avisa que a qualidade das respostas a solicitações que carregam conteúdo de áudio pode ser degradada, direcionando cargas de trabalho de áudio para o Muse Spark 1.2. Portanto, a versão atual não é a resposta certa para toda entrada na própria linha de modalidade da família — um caso em que o checkpoint mais recente é o errado para um payload que o mais antigo consegue processar.

Qual versão você pode realmente chamar

Vale a pena separar a questão da versão da questão da disponibilidade, porque elas têm respostas diferentes. As três versões numeradas do Muse Spark são apenas hospedadas: a Meta não publica pesos, licença nem download de nenhuma delas, e as variantes Contributor são níveis hospedados com desconto, e não lançamentos. Os pesos abertos desta família pertencem ao Muse Spark Open, o modelo esparso de mistura de especialistas de 816B que a Meta publicou em 15 de outubro de 2026, e ao Muse Glimmer, o modelo de 30B Apache 2.0 de 10 de agosto de 2026. Nenhum dos dois é uma versão do Muse Spark, e nenhum dos dois substitui uma.

Nosso próprio catálogo reflete a parte mais antiga da linha, e preferimos dizer isso com clareza a deixar que um número de versão implique uma cobertura que não temos. O OrcaRouter roteia Muse Spark 1.1 e Muse Spark 1.2, ambos pelo preço de tabela da Meta, com 0% de markup repassado, ambos na janela de 1.048.576 tokens da família. O Muse Spark 1.3 não está no nosso catálogo hoje, e nenhuma das variantes Contributor está. Isso torna o caminho prático de atualização um processo de duas etapas: 1.2 é o que você pode rotear agora, 1.3 é o que a Meta recomenda para novos trabalhos, e no dia em que ele chegar a um provedor que roteamos, a mudança chega na mesma chave, em vez de no código da sua integração.

A questão da versão também é onde um roteador justifica seu valor de uma forma específica desta família. Três checkpoints, um fornecedor, um endpoint, sem pesos — toda a linha passa por uma única API operada por uma única empresa, que é o risco de concentração de construir sobre ela. Rotear 1.1 e 1.2 por trás de um único endpoint compatível com OpenAI significa que uma chamada de contexto longo com falha pode fazer failover para o outro checkpoint em vez de falhar a solicitação, e a DSL de roteamento permite dividir o tráfego de produção entre eles por configuração, assim você pode medir se a velocidade da 1.2 vale mais para você do que a precisão da 1.3 nos seus próprios prompts, em vez de no índice de outra pessoa. Essa é a única comparação de versões que resolve a questão para sua carga de trabalho.

A resposta, dependendo da pergunta com que você chegou

Se você quisesse saber se Muse Spark e Muse Spark 1.3 são modelos diferentes: não são. 1.3 é o que o nome significa agora, e a Meta o rotula como o mais recente e o recomenda para novos trabalhos. Se você quisesse saber o que ganha ao passar da versão anterior: cerca de 32 a 42 pontos de recuperação de contexto longo, um grande salto no uso agêntico de computadores e na programação de horizonte longo, e uma queda de três vezes na velocidade de saída pelo mesmo preço por token. Se você quisesse saber quanto custa: a tabela de preços não mudou ao longo de três versões, o que indica que a Meta está competindo com base em capacidade por dólar, e não no dólar em si.

O que nenhum desses números consegue lhe dizer é em que lado dessa troca a sua própria carga de trabalho se encontra, e a posição honesta é que o aviso de descontinuação do fornecedor presume uma resposta por você. A versão que é três vezes mais rápida pelo mesmo preço continua sendo a única das duas que você consegue alcançar por meio de um roteador hoje, o que faz disso um experimento excepcionalmente barato de se realizar antes de a 1.3 chegar.

O que os números não podem dizer é se algo deu errado em campo: os incidentes de IA documentados e as falhas de agentes envolvendo modelos dessa classe estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.