Muse Code mot Muse Spark 1.1: Vad Metas 6.7-poängsuppgradering faktiskt mäter

Gör subtraktionen först. Metas lanseringspresentation för Muse Code, den terminalbaserade kodningsagent som företaget släppte den 5 augusti 2026, rapporterar 82,9 % på Terminal-Bench 2.1 och tillskriver det en förbättring på 6,7 poäng jämfört med Muse Spark 1.1, modellen som de flesta som läser detta redan betalar för. Dra 6,7 från 82,9 så får du 76,2 — vilket inte är ett resultat som Meta publicerat, men exakt det resultat som ligger på den offentliga Terminal-Bench 2.1-topplistan för Muse Spark 1.1 med ansträngningsnivån xhigh, inlämnat i juli och kört med Princetons mini-SWE-agent-harness.

Detta sammanträffande är det mest användbara faktumet i denna jämförelse, eftersom mini-SWE-agent är ett medvetet minimalt skelett — några hundra rader, inga beständiga underagenter, ingen händelselogg, inga planeringsfärdigheter. Metas 82,9 % är Muse Spark 1.2 som körs i en specialbyggd agent som Meta samtränade modellen med. Om de 6,7 poängen ligger mellan dessa två rader, så är den uppmärksammade generationsvinsten en modelluppgradering och en harnessuppgradering paketerad i ett enda tal, och Meta har inte publicerat något som skiljer dem åt.

Meta angav inte vilken testmiljö den använde för sin 1.1-baslinje, så matchningen är suggestiv snarare än bevisad. Men den omformulerar beslutet framför alla som för närvarande anropar Muse Spark 1.1 via ett API, vilket är den ärliga versionen av denna matchning: du väljer inte mellan två modeller. Du väljer mellan en modell som du kör själv och en agent som kör en nyare modell åt dig, och endast en av dessa två saker har mätts av någon annan än Meta.

Dessa är inte samma kategori, och specifikationsbladet säger det.

Hälften av förvirringen kring denna kombination kommer från att behandla Muse Code som en modellrelease. Det är det inte. Det är ett CLI, och Muse Spark 1.2 är vad det anropar.

• Vad det är — Muse Code är en terminalagent som installeras med en rad (curl -fsSL https://dev.meta.ai/install.sh | bash); Muse Spark 1.1 är en modellslutpunkt som du anropar från din egen kod, ditt eget agentramverk eller valfri CLI som accepterar en anpassad bas-URL.

• Underliggande modell — Muse Code kör Muse Spark 1.2, samtränad med agenten; Muse Spark 1.1 är juligenerationen, fortfarande serverad och fortfarande listad.

• Var den körs — Muse Code är endast för macOS och Linux, enbart terminal, utan GUI, utan IDE-tillägg; Muse Spark 1.1 körs överallt där HTTPS fungerar, inklusive Windows.

• Indata — Muse Code tar emot ett repository och en prompt; Muse Spark 1.1 tar emot text, bilder, video, ljud och PDF-dokument i en enda kontext på 1 048 576 token och returnerar text.

• Status — Muse Code är offentlig beta och märkt som sådan; Muse Spark 1.1 har varit allmänt tillgänglig sedan juli 2026 och hanterar verklig produktionstrafik.

• Listpris — båda debiteras via Meta Model API till 1,25 USD per miljon inmatningstokens, 0,15 USD för cachad inmatning och 4,25 USD för utdata på standardnivån. Prislistan är samma prislista.

Den sista raden är den som överraskar folk, och den dödar det uppenbara antagandet. Att införa Muse Code kostar inte mer per token än det du redan kör. Vad det kostar mäts i andra valutor – plattformsstöd, latens, modalitet och, på den billiga nivån, din källkod. Det är de fyra axlar som är värda att argumentera om.

Riktmärket där de skiljer sig åt, avläst med testselen ansluten.

Meta publicerade två generationsskillnader jämfört med Muse Spark 1.1: +6,7 poäng på Terminal-Bench 2.1 och +6,3 på DeepSWE 1.1. Båda är leverantörsrapporterade, båda kommer från diagram publicerade som bilder utan metodbeskrivning, och ingen har reproducerats av tredje part. Räknar man bort dem är Metas underförstådda 1.1-baslinjer ungefär 76,2 % och 53,0 %.

Sätt nu Metas 82,9 % bredvid den topplista som de inte citerade. Den offentliga topplistan för Terminal-Bench 2.1 har, när detta skrivs, Claude Code tillsammans med Claude Fable 5 på 83,8 % ± 1,2 %, Codex med GPT-5.5 på 83,1 % ± 1,1 %, Terminus 2 med Claude Fable 5 på 80,4 %, Cursor CLI med Grok 4.5 på 79,3 %, och mini-SWE-agent med Muse Spark 1.1 på 76,2 % på åttonde plats. Muse Codes egenrapporterade 82,9 % skulle hamna på tredje plats – under två agent-modell-par som inte finns någonstans i Metas presentation, som i stället jämför med Claude Opus 5 på 86,7 %, GPT-5.6 Terra på 81,8 % och Grok 4.5 på 81,6 % i separata körningar med maximal ansträngning.

Två listor, ett benchmark, siffror som inte går ihop — och en tredje skala helt och hållet om man tittar på Artificial Analysis, vars oberoende Terminal-Bench v2.1-utvärdering toppar på cirka 89,5% för GPT-5.6 Sol mot en offentlig ledartavla med ett tak på 83,8%. Ingen av dessa parter ljuger. En Terminal-Bench-rad är en poäng för en harness, plus en modell, plus en ansträngningsinställning, plus en beräkningsbudget, och att byta ut vilken som helst av dessa flyttar resultatet mer än hela spridningen Meta hävdar som en generation.

Därför är den intressanta siffran på den offentliga tavlan inte noggrannhetskolumnen. Det är kostnadskolumnen. Muse Spark 1.1 avslutade sin körning med 76,2 % för $198.05. Claude Code med Claude Fable 5 köpte sin 83,8 % för 552,67 dollar, och Codex med GPT-5.5 betalade 2 059,19 dollar för 83,1 %. Det är 7,6 procentenheter i noggrannhet för 2,8 gånger pengarna i det första fallet och ungefär 10 gånger i det andra — mätt av samma operatör, på samma uppgifter, under samma regler, vilket är precis den jämförbarhet som Metas diagram inte ger dig. Tavlan drar också av för uppgifter som löses genom att manipulera miljön; Muse Spark 1.1:s bidrag visar inget sådant avdrag, medan Cursor CLI:s Grok 4.5-körning har ett på 9 poäng.

Meta publicerade ingen kostnadssiffra för sina 82,9 %.

Vad Muse Spark 1.1 redan gör som Muse Code inte kan

Säljargumentet för Muse Code är att en samtränad agent slår "en generisk wrapper kring en extern modell" — Metas formulering, Metas påstående, otestat av någon annan. Det är ett rimligt påstående. Det är också riktat mot ett gap som Muse Spark 1.1 specifikt byggdes för att täppa till.

Muse Spark 1.1 har inbyggt stöd för Model Context Protocol, hanterar sina egna MCP-anslutningar utan ett externt ramverk, orkestrerar primära agent- och underagentroller internt och generaliserar zero-shot till nya verktyg och anpassade färdigheter. Metas egna lanseringssiffror för den var verktygsanvändningssiffror: 88.1 på MCP Atlas för storskalig verktygsanvändning — över de 82.2 som den rapporterade för Claude Opus 4.8 och 75.3 för GPT-5.5 — och 54.7 på JobBench. Allt är leverantörsrapporterat, allt från juli, inget oberoende replikerat. Poängen står sig ändå: 1.1 är inte en chattmodell som någon har skruvat fast en agent på. Släng in den i OpenCode, Cline eller valfri CLI som tar en anpassad endpoint så har du en agent idag.

Och så finns det allt som Muse Code strukturellt inte kan röra. Muse Spark 1.1 resonerar över bilder, video, ljud och PDF-filer i ett enda kontextfönster. En terminalbaserad kodningsagent har ingen användning för den ytan och inget sätt att exponera den. Om din arbetsbelastning är en designmockup som blir komponenter, ett supportsamtal som transkriberas och triageras, eller en 400-sidig specifikation som korsrefereras mot en implementation, är den nyare saken den mindre kapabla saken — och Metas positionering för 1.2-generationen har flyttats från ”multimodal djupforskning över blandade medier” till refaktoreringar över flera filer och generering av hela repository, utan något publicerat video- eller ljudresultat för 1.2 från någon.

Den genuina asymmetrin går åt andra hållet, och den är en runtime-egenskap snarare än en förmåga. Muse Code lägger till varje modellanrop, verktygskörning, godkännande och redigering i en lokal händelselogg, som Meta säger gör en session replay-exakt och omstartsäker: kraschar den så återupptar agenten där den slutade istället för att härleda sitt sammanhang på nytt. Dess bakgrundsagenter består under hela sessionen snarare än att skapas och rivas per deluppgift. Metas bevis är en enda fallstudie — en 24-timmars, över 1 000 verktygsanrop lång körning som optimerar GPU-kärnor på NVIDIA Hopper-maskinvara. Ingen hastighetsökning publicerades, så varaktigheten är påståendet. Om du någonsin har förlorat en nio timmar lång migrering eftersom ramverket glömde vad det gjorde vid steg 300, är det en verklig sak att vilja ha, och ingen mängd MCP-stöd i modellen ger dig det.

Samma listpris, tills du läser den andra nivån.

Eftersom standardnivån är identisk på båda sidor, ligger prisargumentet i denna jämförelse helt i den nivå som Meta introducerade tillsammans med Muse Code. Denna bidragsnivå kostar 0,10 dollar per miljon inputtoken, 0,002 dollar för cachad input och 0,20 dollar för output — 12,5x billigare på input, 21x på output, 75x på cachad input — i utbyte mot uttrycklig tillåtelse att använda dina prompts och kompletteringar för att träna framtida Meta-modeller. Standardnivåns trafik, enligt Meta, används inte på det sättet.

Kör ett realistiskt agentsteg genom det — 60 000 tokens repository-kontext in, 3 000 tokens plan-och-patch ut — och tusen steg kostar $87.75 på standardnivån kall, $21.75 med repository-kontexten som träffar cache, $6.60 på bidragsgivarnivån kall, och $0.72 på bidragsgivarnivån med varm cache. Metas egen 24-timmars kernelkörning landar på nära nittio dollar på nivån som skyddar din kod och under en dollar på nivån som inte gör det.

Det är inte ett faktureringsval. En kodagents uppmaningar är din kodbas — interna API:er, kommentaren som förklarar varför workarounden finns, vad dina fixtures nu råkar innehålla. På ett open source-träd är bidragsnivån nära nog gratis pengar. På ett proprietärt repo är det ett datalicensbeslut förklätt till rabatt, och det hör hemma hos den som godkänner datahantering snarare än den som håller koll på molnfakturan. Meta satte rabatten till 12x eftersom datan är värd åtminstone så mycket för Meta.

Att stanna kvar på Muse Spark 1.1 kringgår frågan helt och hållet, och det är värt att veta exakt vad det kostar och var. Muse Spark 1.1 finns i OrcaRouter-katalogen för $1.25 och $4.25 – Metas listpris till öret, eftersom vi lägger på 0 % påslag och förmedlar leverantörens prissättning rakt igenom, vilket också är anledningen till att en Meta-prisändring visas hos oss samma dag som Meta gör den i stället för efter en kontraktscykel. Vår sjudagarsproduktionstelemetri för den visar p50-tid till första token på 1.84 sekunder och p95 på 6.00 sekunder, vilket är en mycket mer användbar förväntan än vad något benchmark-verktyg ger dig. Muse Spark 1.2 är inte i vår katalog; den levereras direkt av Meta och ingen annanstans, så den nyare hälften av denna jämförelse har för närvarande exakt en leverantör och ingen redundansväg per konstruktion. Om du utvärderar den är den enskilda leverantörsexponeringen en del av det du utvärderar.

Latensavvägningen som ingen nämner i lanseringsbevakningen

Artificial Analysis, som oberoende mäter vid varje models maximala resonemangsansträngning, uppmätte Muse Spark 1.1:s tid till första token till 2,90 sekunder och Muse Spark 1.2:s till 26,12 sekunder. Utmatningshastigheten sjönk från 213,5 till 165 tokens per sekund. Köpet var tre poäng på Intelligence Index, från 51 till 54, och ett hopp från #22 till #13 bland 185 modeller.

Läst som en generell modellrelease är det en dålig affär — nio gånger väntetiden för tre poäng. Läst som motorn i en kodningsagent är det uppenbarligen rätt val, för ingen som väntar på en refaktorering av tolv filer märker tjugosex sekunders planering, och alla som väntar på en chattkomplettering märker alltihop. Det är den tydligaste beskrivningen av vilka varje sida av den här jämförelsen är till för, och det mättes av en tredje part snarare än påstods av Meta.

Det betyder också att bytet inte är gratis, även om du bara bryr dig om kod. Allt interaktivt som du hade riktat mot Muse Spark 1.1 — inline completion, en granskande bot, ett chattgränssnitt ovanpå dina dokument — blir avsevärt sämre om du flyttar det till 1.2-generationen med hög ansträngning. Uppgraderingen är riktad, och riktande har en riktning.

Vilken du faktiskt borde köra

Stanna kvar på Muse Spark 1.1 om ditt arbete inte är ett repository. Multimodala pipelines, långkontextanalys, mixed-media-forskning, allt interaktivt, allt på Windows, allt som redan är kopplat via MCP och fungerar. Inget i Muse Code-lanseringen förbättrar dessa, och latensmätningen gör åtminstone en av dem sämre.

Prova Muse Code om ditt felmönster är varaktighet. Monorepo-migreringar, beroendeuppgraderingar, veckolånga refaktoreringar – jobb som du för närvarande vaktar eftersom agenten tappar tråden. Händelseloggen och beständiga bakgrundsagenter riktar in sig exakt på det, och ett benchmarkunderskott på några poäng spelar minst roll där körningen är längst. Betatesta, på en tillfällig klon, i ett repository som du inte har något emot att förlora.

Gör det ärliga experimentet om du försöker bestämma dig för modellen. Håll din harness konstant och byt ut Muse Spark 1.1 mot Muse Spark 1.2 under den. Det isolerar den enda variabeln som Metas diagram blandar ihop, och det är det enda sättet att ta reda på om premien för samträning är verklig eller om 1.2 helt enkelt är en kompetent kodningsmodell var du än placerar den. En enda gateway gör detta till en strängändring snarare än en upphandlingsövning — Muse Spark 1.1, Claude Opus 5, GPT-5.6 Terra, Grok 4.5 och Claude Fable 5 sitter alla bakom en enda OrcaRouter-nyckel till listpris med automatisk failover mellan leverantörer, så jämförelseuppsättningen kostar dig ingenting att ha i beredskap. Muse Spark 1.2 är undantaget och måste komma från Meta.

Frågor värda att ställa innan du installerar något.

Kan jag rikta Muse Code mot Muse Spark 1.1 istället för 1.2?

Metas lanseringsmaterial säger inte att det stöds eller är användbart, och de två levererades som ett samtränat par, vilket talar emot detta. Den omvända riktningen är dock väl dokumenterad: Muse Spark 1.1 fungerar i alla agenter som accepterar en anpassad slutpunkt, vilket är hur de flesta kör den som agent idag. Om ditt mål är en kontrollerad jämförelse, kör 1.1 och 1.2 i din testmiljö snarare än att försöka anpassa Metas.

Gäller bidragsnivån för Muse Spark 1.1 också?

Meta introducerade den tvådelade strukturen med lanseringen av Muse Code och Muse Spark 1.2, och dess publicerade prislista kopplar bidragsgivarprissättningen till den versionen. Anta att 12x-rabatten är ett erbjudande för 1.2-generationen tills Meta säger något annat, och prissätt alla 1.1-arbetsbelastningar till 1,25 $ och 4,25 $. Om du använder OrcaRouter är du per definition på listpris, så det finns ingen datadelningsnivå att välja in eller ut ur.

Är påståendet om 6,7 poäng fel då?

Nej — det är ogranskat och underspecificerat, vilket är en skillnad. Meta kan mycket väl ha kört sin 1.1-baslinje i en testmiljö som är jämförbar med den som Muse Code använder, i vilket fall vinsten är ett rent modell-mot-modell-resultat. Men ingen metodik publicerades, den underförstådda baslinjen hamnar exakt på poängen för en minimal tredjepartsstomme, och samma benchmark ger tre olika skalor beroende på vem som kör den. Behandla +6.7 som riktningsgivande och ta fram ett eget nummer innan du planerar utifrån det.

Vad skulle avgöra detta

Ett bidrag. Om Meta placerar Muse Code på den offentliga Terminal-Bench 2.1-ledartavlan under samma regler som alla andra lämnade in under — inga modifierade timeouts eller resurser, kostnadskolumnen ifylld, hackavdrag tillämpade — blir 82,9 % jämförbart med 76,2 % bredvid Muse Spark 1.1:s namn och med 83,8 % överst, och hela detta argument avgörs på en eftermiddag. Tills dess är det enda oberoende verifierade numret i matchen det som tillhör den äldre modellen, och det säger att Muse Spark 1.1 löste tre fjärdedelar av Terminal-Bench 2.1 i en stomme som är liten nog att läsa i en sittning, för under tvåhundra dollar.

Det andra som är värt att hålla koll på är snävare och kommer tidigare: huruvida Artificial Analysis publicerar delpoängen för kodning och agentiskt utförande för 1.2-generationen, som de redan publicerar för 1.1. Agentiskt utförande var 1.1:s svagaste publicerade dimension med bred marginal. Det är exakt den siffra som Meta påstår sig ha åtgärdat, och exakt den som ingen utanför Meta ännu har mätt.