Muse Spark Open vs Muse Spark 1.3: Nio indexpoäng är mycket att avstå från gratis

Här är den obekväma jämförelsen inom Metas egen familj. Muse Spark Open, som släpptes den 15 oktober 2026, är modellen med öppna vikter och 816 miljarder parametrar som vem som helst kan ladda ner; oberoende mätningar placerar den på ett Artificial Analysis Intelligence Index på 39. Muse Spark 1.3, den proprietära API-modellen som Meta släppte den 2 september 2026, ligger på 48. Nio poäng är inte en avrundningsskillnad – det är ungefär avståndet mellan en förmågenivå och nästa, och det är siffran som gör "kör bara den öppna i stället" till ett mycket sämre råd än vad det låter på lanseringsdagen.

Börja med scenariot, inte med specifikationsbladet.

Tre team tittade på släppet av Muse Spark Open och frågade om de kunde ställa in något.

Den första kör en nattlig pipeline som läser en fast korpus och avger strukturerade poster. Latens är irrelevant, volymen är enorm, schemat ändras aldrig. Det här teamet bör ta de öppna vikterna och sluta betala per token.

Den andra kör en interaktiv kodningsagent som genererar ett dussin små rundturer per användarbegäran. Det här teamet bör inte göra det, och anledningen är genomströmning och resonemangskostnad, vilka båda snart kommer att bli mycket mer konkreta.

Den tredje utför krävande resonemang i flera steg — den sort där modellen måste hålla en lång kedja av slutledning, anropa verktyg inuti den och ta sig ur sina egna återvändsgränder. Det borde inte det här teamet heller behöva göra, och för dem är gapet på nio punkter ingen abstraktion. Det är skillnaden mellan ett arbetsflöde som slutförs och ett som måste passas upp.

Allt nedan handlar om att skilja de tre åt utan att gissa.

Vad de nio punkterna är gjorda av

Indexet är ett sammansatt mått, och sammansatta mått döljer struktur. Strukturen här finns mestadels där man skulle förvänta sig den, med en överraskning.

• Agentiskt arbete och arbete med verktygsanvändning — Muse Spark 1.3:s starkaste område. Metas egna lanseringssiffror för 1.3, leverantörsrapporterade och uppmätta i den egna testbänken, sätter Terminal-Bench 2.1 till 83,9 och DeepSWE 1.1 till 68. Jämfört med Muse Spark Opens leverantörsrapporterade 76,4 och 60 innebär det en konsekvent ledning på sju till åtta punkter på de utvärderingar som ligger närmast verkligt agentbeteende, och den stämmer nästan exakt med gapet i det oberoende indexet.

• Resonemang utan externa källor – det större gapet. Muse Spark Opens egen resultatöversikt visar att dess svagaste rad är HLE-Diamond utan verktyg, där Meta rapporterar 26,1. Muse Spark 1.3 byggdes som en modell med resonemang i första rummet; "max"-resonemangskonfigurationen i dess namn är inte en dekoration.

• Kunskapsbredd — snävare än rubriken antyder, och Artificial Analysis poängsätter båda modellerna på en allvetenhetsaxel där skillnaden är mindre än indexdeltat antyder. Detta är viktigt eftersom det innebär att gapet är koncentrerat till resonemangsdjup och agentuthållighet, inte till hur mycket modellen vet.

• Hastighet — Muse Spark 1.3 uppmätt till 127,7 tokens per sekund, rankad som 41:a av 185 hos Artificial Analysis. Hastigheten för Muse Spark Open har inte publicerats av någon oberoende part. En självhostad 816B mixture of experts på två stationära datorer kommer att vara långsammare än 127,7 tok/s, men hur mycket är okänt, och detta är den näst största luckan i underlaget vid sidan av kostnaden.

• Pris — Muse Spark 1.3 säljs för 1,25 USD per miljon input och 4,25 USD per miljon output med 88 % rabatt på cachad input, vilket ger uppmätta 1,60 USD per uppgift i Intelligence Index. Muse Spark Open har inget pris per token; dess kostnad utgörs av hårdvara, och det finns ingen oberoende siffra på kostnad per uppgift för den.

En rad i den listan förtjänar en andra titt, eftersom det är det argument som oftast missförstås. Muse Spark 1.3 är en mångordig resonerare. Artificial Analysis uppmätte att den förbrukade ungefär 170 miljoner tokens under utvärderingen, mot omkring 130 miljoner för Muse Spark 1.2 — vilket är anledningen till att 1.3 kostar $1.60 per uppgift vid samma officiella tokenpriser som ger $0.97 för 1.2. Den främsta resonemangsnivån tar betalt två gånger: en gång för förmågan och en gång för de tokens den bränner för att tänka sig fram dit.

Resonemangsratten är där pengarna ligger

Båda modellerna är resonemangsförst och ingen av dem låter dig stänga av det, men de exponerar ansträngningen på olika sätt, och den skillnaden är det mest praktiskt användbara på den här sidan.

Muse Spark Open publicerar sin ansträngningsstege öppet: low, medium, high och xhigh motsvarar 16, 64, 256 och 512 resonemangstokens, och en antydan om resonemangsstyrka i systemprompten gör samma sak. Det är en ratt du kan vrida på från din egen kod, med en känd kostnad per inställning, och eftersom du betalar i elektricitet och väggklockstid snarare än i dollar per utdatatoken, kostar det dig ingenting på mätaren att vrida ner den. Det kostar dig noggrannhet, och bara noggrannhet.

På Muse Spark 1.3 finns samma stege på leverantörens sida, och varje snäpp du skruvar upp debiteras. Med ett pris på $4,25 per miljon utdatatokens, där resonemangstokens räknas som utdata, betalar ett arbetsflöde som körs med maximal ansträngning för modellens resonerande på det mest bokstavliga sätt som finns. Det här är den enda platsen där den öppna modellens ekonomi inte bara är försvarbar utan genuint bättre: ett batchjobb som har råd att tänka hårdare kan göra det utan kostnad, och ett batchjobb som inte behöver tänka hårt kan sluta utan kostnad.

Där gapet försvinner

Tre situationer plattar ut skillnaden på nio poäng till ingenting.

Finjustering är den första och största. Muse Spark 1.3 kan inte finjusteras på dina data till något pris. Muse Spark Open kan, med TorchTitan-stöd som Meta levererade tillsammans med vikterna. En modell som finjusterats på din kodbas, ditt schema eller din domänvokabulär är inte samma modell som den som fick 39, i någon riktning — och för en smal uppgift slår den finjusterade versionen av en svagare generell modell rutinmässigt den icke-finjusterade versionen av en starkare. Om ditt problem är specifikt är indexgapet inte det relevanta måttet.

Dataplacering är den andra. Om korpusen inte kan lämna ditt nätverk är jämförelsen inte mellan 39 och 48; den är mellan 39 och att inte ha någon modell. Det är inget svårt val och har aldrig varit det.

Amorterad batchvolym är den tredje, med en reservation. En pipeline vars tokenförbrukning är stor, jämn och förutsägbar kan motivera hårdvaran. En pipeline som är stötvis kan inte det, eftersom egen hosting omvandlar en rörlig kostnad till en fast och sedan debiterar dig för de inaktiva timmarna oavsett. Notera också att cacherabatten för Muse Spark 1.3 gör den hostade modellen ovanligt billig just för det upprepade kontextmönster som stora batchpipelines producerar, så argumentet för egen hosting är svagare än en naiv beräkning av tokens gånger pris antyder.

Där klyftan blir en vägg

Två arbetsbelastningar bör inte gå i närheten av den öppna modellen.

Interaktiva agenter kommer först. Muse Spark 1.3 mäter 127,7 tokens per sekund, och en agentloop multiplicerar det talet med antalet rundturer per uppgift. Muse Spark Open har ingen publicerad hastighet, och den strukturella förväntningen är att en 816B-modell som körs på minnesbandbredden i en stationär dator kommer att ligga långt efter. Om en människa väntar är de nio indexpoängen irrelevanta och genomströmningsgapet är allt.

Burstigt frontier-resonemang är det andra, av en subtilare anledning. De arbetsbelastningar som behöver 48 poängs resonemangsförmåga är, nästan per definition, de där ett fel är dyrt och resonemangskedjan är lång. Att köra dem på en modell som ligger en nivå under, med okänd genomströmning, för att spara på kostnaden per token, är att byta en liten förutsägbar kostnad mot en stor oförutsägbar. Det är den avvägningen som det tredje teamet högst upp i den här artikeln bör tacka nej till.

Teamet som vill ha båda

De flesta organisationer som till slut kör båda gör det eftersom arbetsbelastningarna verkligen skiljer sig: interaktiva vägar behöver hastighet, batchvägar behöver kostnad, och bara vissa vägar behöver vara lokala. Felläget är inte arkitekturen — det är att uppdelningen finns i ett dokument i stället för i konfigurationen, och att en utvecklare kopierar en modellsträng från en handledning.

Ett routningslager är mekanismen som löser det. OrcaRouter dirigerar Muse Spark 1.2 till Metas listpris med 0 % påslag och för vidare leverantörens listpris, så att en prissänkning på den hostade sidan når din nyckel samma dag utan något arbete med omprissättning. Den hostar inte Muse Spark Open, och den bör inte uppfattas som att den gör det: en modell vars hela idé är att du kan hålla vikterna är en modell du kör på din egen hårdvara. Det routern bidrar med är den interaktiva halvan — Muse Spark 1.3 dirigeras för närvarande inte heller av OrcaRouter, så den praktiska formen i dag är att anropa den hostade nivån där du redan anropar den och låta ett enda API, med automatisk redundansväxling och ett routnings-DSL, hålla de 200+ modellerna du kan nå under en enda nyckel medan din egen hårdvara hanterar det som måste stanna hemma.

Välj efter arbetsbelastning, inte efter licens

Välj Muse Spark Open om din uppgift är tillräckligt avgränsad för att kunna finjusteras, om data inte kan lämna, om arbetsbelastningen är stor och stadig och framför allt om modellen kan tänka på vilken ansträngningsnivå den vill utan att mätaren tickar. Det är de fyra villkoren, och de är vanligtvis korrelerade – pipelines är smala, batchiga och stationära.

Välj Muse Spark 1.3 om en människa väntar på utdata, om resonemanget är genuint svårt, om arbetet sker i stötar, eller om du behöver en bekräftad multimodal lista — 1.3:s text-, bild- och videoinmatning listas oberoende, medan Muse Spark Opens bredare ljud- och videopåståenden är hävdade av leverantören och oberoende uppmätta som endast text och bild.

Det du inte bör göra är att välja de öppna vikterna bara för att de är gratis. De nio poängen mellan 39 och 48 är verkliga, de är koncentrerade till exakt det agentiska och resonemangsarbete som gör dessa modeller användbara, och ingen mängd lokal inferens tar igen dem. Muse Spark Open är rätt svar på en specifik uppsättning frågor. Det är inte en rabatt på Muse Spark 1.3.

Muse Spark Open är nedladdningsbar under Muse Model License; Muse Spark 1.3 är tillgänglig per token till $1,25 för indata och $4,25 för utdata, med cacherabatten tillämpad enligt leverantörens egna satser.