Muse Spark 1.2 และ Muse Code: โมเดลที่สามของ Meta ในรอบสี่เดือนทำผลงานเสมอกับ Grok 4.5

Meta เปิดตัว Muse Spark 1.2 เมื่อวันที่ 5 สิงหาคม 2026 สี่สัปดาห์หลังจาก Muse Spark 1.1 และประมาณสี่เดือนหลังจาก Muse Spark รุ่นแรก รุ่นนี้มาพร้อมกับสิ่งที่สองรุ่นก่อนหน้าไม่มี: เอเจนต์เขียนโค้ดของ Meta เอง, Muse Code, ซึ่งเปิดตัวในเวอร์ชันเบต้าและได้รับการฝึกฝนร่วมกับโมเดลที่มันทำงานอยู่ และในการจัดอันดับหนึ่งเดียวที่ทั้ง Meta และคู่แข่งไม่ได้ควบคุม การเปิดตัวครั้งนี้ทำให้ Meta เสมอ SpaceXAI — ตอนนี้ Muse Spark 1.2 และ Grok 4.5 ต่างก็ได้คะแนน 54 ใน Artificial Analysis Intelligence Index

มีสองสิ่งที่ควรแยกออกจากกันก่อนที่ตัวเลขใดๆ ด้านล่างจะมีความหมาย คะแนน Intelligence Index ตัวเลขความหน่วง และจำนวนโทเค็นมาจาก Artificial Analysis ซึ่งดำเนินการประเมินของตนเองและเผยแพร่ผลลัพธ์ สิ่งเหล่านั้นเป็นอิสระ ส่วนผลการเขียนโค้ดที่ Meta นำขึ้นนำเสนอในประกาศ — Terminal-Bench 2.1, DeepSWE v1.1 และเกณฑ์วัดภายในองค์กร — ดำเนินการโดย Meta บนแฮร์เนสของ Meta โดยแต่ละโมเดลที่แข่งขันจะจับคู่กับเอเจนต์ผลิตภัณฑ์ของตนเอง ตัวเลขทั้งสองแบบมีประโยชน์ แต่ไม่ใช่หลักฐานประเภทเดียวกัน และบทความนี้แยกทั้งสองออกจากกัน

สิ่งที่ Meta ปล่อยออกมาจริงๆ

ประกาศดังกล่าว ซึ่งถูกโพสต์บนบล็อกงานวิจัยด้าน AI ของ Meta และลงวันที่ 5 สิงหาคม ครอบคลุมผลิตภัณฑ์สองรายการในคราวเดียวกัน

• Muse Spark 1.2 — อัปเดตที่เน้นด้านการเขียนโค้ดของตระกูล Muse Spark Meta กล่าวว่าได้เพิ่มพลังการประมวลผลสำหรับการฝึกอบรมในงานเขียนโค้ด และขยายความหลากหลายของสภาพแวดล้อมการฝึกอบรม พร้อมกับรักษาความสามารถของเอเจนต์ทั่วไปที่เป็นจุดขายของเวอร์ชัน 1.1 เอาไว้ เป้าหมายการฝึกอบรมที่ระบุไว้คือระยะยาว (long-horizon): การสร้างทั้งรีโพสิทอรี การพัฒนาโปรเจกต์ขนาดใหญ่แบบ end-to-end และสิ่งที่ Meta เรียกว่า auto-research ซึ่งมีการวางแผนเพื่อจัดลำดับงาน การปรับสภาพตามเป้าหมายเพื่อรักษาทิศทางในหลายขั้นตอน และการบีบอัดบริบทเพื่อให้สถานะที่เกี่ยวข้องยังคงอยู่เมื่อเซสชันดำเนินไปเป็นเวลานาน

• Muse Code — เทอร์มินัลโค้ดดิ้งเอเจนต์ในรุ่นเบต้า ติดตั้งด้วยสคริปต์เชลล์บรรทัดเดียวจากโดเมนนักพัฒนาของ Meta รันเอเจนต์เบื้องหลังแบบ async ที่คงอยู่ข้ามเซสชัน บนรันไทม์ event-log ในเครื่องที่ Meta อธิบายว่า replay-exact และ restart-safe และประสานงานเอเจนต์ย่อยหลายตัวต่อหนึ่งงานใน worktree ที่แยกจากกัน มาพร้อมสกิลในตัวสามอย่าง: /plan สำหรับการวางแผนที่ต้องขออนุมัติ, /grill สำหรับทดสอบงานที่ทำเสร็จแล้วอย่างเข้มข้น และ /goal สำหรับขับเคลื่อนงานให้สำเร็จลุล่วง

การจับคู่นี้ไม่ใช่เรื่องบังเอิญ Meta กล่าวว่าทั้งสองถูกฝึกมาด้วยกัน โดยโมเดลถูกปรับจูนด้วยวิถี (trajectories) ที่ได้จากการสุ่มแบบปฏิเสธ (rejection sampling) จากแฮร์เนส (harness) พร้อมกับการปรับแต่งสูตรให้เหมาะสมสำหรับเป้าหมาย การบีบอัด และตัวแทนย่อย นั่นคือกลยุทธ์การฝึกแบบร่วมเดียวกันที่ทำให้เกิด Claude Code และ Codex และมันมีผลต่อใครก็ตามที่อ่านตัวเลข benchmark: คะแนนการเขียนโค้ดหลักของโมเดลถูกสร้างขึ้นภายในแฮร์เนสที่มันถูกฝึกด้วย นั่นไม่ใช่การโกง แต่มันคือวิธีที่การประเมินแบบ agentic ทำงานในปัจจุบัน แต่มันหมายความว่าคะแนน 1.2 ที่ได้จากโครงสร้างอื่น (scaffold) เป็นคำถามที่ยังไม่มีคำตอบ มากกว่าจะเป็นข้อสันนิษฐานที่ปลอดภัย

สเปกที่เหลือไม่มีการเปลี่ยนแปลงจากเวอร์ชัน 1.1 ซึ่งเป็นเพียงข้อมูลอ้างอิงเท่านั้น บริบทคงอยู่ที่ 1,048,576 โทเคน การใช้เหตุผลยังคงเป็นข้อบังคับในห้าระดับความเข้มข้น ได้แก่ minimal, low, medium, high, xhigh โดยมี medium เป็นค่าเริ่มต้น ไม่มีการกำหนดค่าใดที่คุณจะได้น้ำหนักของโมเดลโดยไม่ต้องจ่ายสำหรับการคิดคำนวณบางส่วน น้ำหนักของโมเดลเป็นแบบปิด ไม่มีพื้นที่เก็บข้อมูลบน Hugging Face และ Model API ของ Meta เองยังคงเป็นสถานที่หลักเพียงแห่งเดียวในการเรียกใช้งาน

43, แล้วก็ 51, แล้วก็ 54

Artificial Analysis ให้คะแนน Muse Spark 1.2 ที่ 54 ในดัชนีเชาวน์ปัญญาที่การตั้งค่าเหตุผลระดับ xhigh โดยจัดอันดับเป็นรุ่นที่ 13 จาก 185 รุ่น เทียบกับค่ามัธยฐานของกลุ่มที่ 32 ดัชนีนี้เป็นองค์ประกอบถ่วงน้ำหนักจากการประเมินเก้ารายการ — GDPval-AA v2, τ³-Banking, Terminal-Bench v2.1, SciCode, Humanity's Last Exam, GPQA Diamond, CritPt, AA-Omniscience และ AA-LCR — แบ่งเท่าๆ กันในด้านเอเจนต์ การเขียนโค้ด ความสามารถทั่วไป และการให้เหตุผลทางวิทยาศาสตร์

การอ่านแบบเป็นชุดข้อมูลต่อเนื่องแทนที่จะเป็นภาพนิ่ง วิถีการพัฒนาของ Meta คือเรื่องราวที่แท้จริง Muse Spark รุ่นดั้งเดิมได้ 43 คะแนนในเดือนเมษายน Muse Spark 1.1 ทำได้ 51 คะแนนในวันที่ 9 กรกฎาคม ซึ่งเพิ่มขึ้นแปดจุดภายในหนึ่งไตรมาส Muse Spark 1.2 เพิ่มขึ้นอีกสามจุดภายในเวลาไม่ถึงหนึ่งเดือน Meta ขยับขึ้น 11 จุดดัชนีในสี่เดือน และตอนนี้ปล่อยอัปเดตเร็วกว่าที่ระบบนิเวศการประเมินจะตามทัน — ยังไม่มีรายละเอียดแยกตามเกณฑ์วัดสำหรับเวอร์ชัน 1.2 เผยแพร่ออกมา และไม่มีสถิติใน Design Arena เลยด้วยซ้ำ ในขณะที่ 1.1 มีทั้งสองอย่าง

ห้าสิบสี่คะแนน Meta อยู่ในระดับเดียวกับ Grok 4.5 โมเดลที่ SpaceXAI เปิดตัวหนึ่งวันก่อน Muse Spark 1.1 และตามหลังกลุ่มแนวหน้าที่สูสี: Claude Opus 5 ที่ 61, Claude Fable 5 ที่ 60, GPT-5.6 Sol ที่ 59 ช่องว่างถึงอันดับบนสุดคือหกหรือเจ็ดคะแนน ช่องว่างจากจุดที่ Meta เริ่มต้นปีคือสิบเอ็ดคะแนน จะปิดลงได้หรือไม่ขึ้นอยู่กับว่าจังหวะการปล่อยเวอร์ชันยังคงดำเนินต่อไป และตอนนี้ Meta อยู่ในรอบปล่อยทุกสี่สัปดาห์

อย่างไรก็ตาม การเสมอกันในดัชนีรวมไม่ใช่การเสมอกันในงานจริง และควรกล่าวถึงสิ่งที่ 54 ชี้ขาดและไม่ชี้ขาด มันชี้ขาดว่า Muse Spark 1.2 อยู่ในระดับเดียวกับ Grok 4.5 ในด้านความสามารถโดยรวม แต่ไม่ได้บอกคุณว่าใครเขียนแพตช์ได้ดีกว่ากัน เนื่องจากดัชนีย่อยด้านการเขียนโค้ดที่จะตอบคำถามนั้นยังไม่ได้รับการเผยแพร่สำหรับเวอร์ชัน 1.2

ตัวเลขการเขียนโค้ดของ Meta โปรดอ่านอย่างละเอียด

การประกาศของ Meta นำในสามแผนภูมิ ในการรันของตัวเอง รายงานเป็น pass@1 จากห้าความพยายาม โดยแต่ละโมเดลที่แข่งขันถูกจับคู่กับผลิตภัณฑ์เอเจนต์ของตัวเอง:

• Terminal-Bench 2.1 — 82.9% สำหรับ Muse Spark 1.2 เพิ่มขึ้นจาก 76.2% ของเวอร์ชัน 1.1 โดย Claude Opus 5 แสดงนำอยู่ที่ 86.7%.

• DeepSWE v1.1 — 59.3% เพิ่มขึ้นจาก 53.0%.

• เกณฑ์มาตรฐานการเขียนโค้ดภายในของ Meta — 70.6% เพิ่มขึ้นจาก 68.3%.

ส่วนต่างที่วัดได้คือส่วนที่น่าเชื่อถือ {{1}}การเพิ่มขึ้น 6.7 จุดบน Terminal-Bench และ 6.3 จุดบน DeepSWE ซึ่งวัดด้วยวิธีเดียวกันบนแฮร์เนสชุดเดียวกันโดยทีมเดียวกัน ห่างกันหนึ่งเดือน ถือเป็นการอ่านค่าที่สมเหตุสมผลว่า 1.2 ดีขึ้นจาก 1.1 มากแค่ไหนในด้านที่ Meta กำลังเพิ่มประสิทธิภาพ{{/1}} {{2}}ส่วนอันดับเทียบกับผู้พัฒนารายอื่นคือส่วนที่ควรยึดถือแบบหลวม ๆ:{{/2}} {{3}}การจับคู่แฮร์เนสเป็นตัวแปรอิสระขนาดใหญ่ และห้องแล็บที่ปรับแต่งแฮร์เนสของตัวเองควบคู่ไปกับโมเดลของตัวเอง ย่อมไม่อยู่ในสถานะที่จะปรับแต่งของคนอื่นได้ดีเท่าเทียมกัน{{/3}} {{4}}Meta อยู่อันดับสองบนสไลด์ของตัวเอง ซึ่งอย่างน้อยก็ไม่ใช่รูปแบบปกติของเบนช์มาร์กจากผู้พัฒนา แต่ก็ยังไม่มีบุคคลที่สามรายใดทำซ้ำผลดังกล่าวได้ ณ เวลาที่เขียนบทความนี้{{/4}}

รายการราคาที่สอง

สิ่งที่มีผลกระทบมากที่สุดในรุ่นนี้ไม่ได้อยู่บนแผนภูมิ benchmark Muse Spark 1.2 มาพร้อมกับรายการราคาสองชุด

• ระดับมาตรฐาน — ราคา 1.25 ดอลลาร์ต่อล้านโทเคนนำเข้า, 0.15 ดอลลาร์ต่อล้านเมื่อแคชฮิต, 4.25 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ไม่เปลี่ยนแปลงจากเวอร์ชัน 1.1 ทุกร้อยเซนต์ อัตราจำกัดประมาณ 3,000 คำขอต่อนาที Web-search grounding คิดค่าบริการแยกต่างหากที่ 2.50 ดอลลาร์ต่อพันคำค้นหา

• ระดับผู้สนับสนุน — อินพุต $0.10, อินพุตแคช $0.002, เอาต์พุต $0.20 นั่นคือถูกกว่า 12.5 เท่าในส่วนอินพุต และถูกกว่า 21.25 เท่าในส่วนเอาต์พุต ราคาที่ต้องจ่ายเพื่อเข้าร่วมคือการอนุญาตให้ Meta ฝึกโมเดลในอนาคตบนทราฟฟิกของคุณ และขีดจำกัดอัตราที่ 60 คำขอต่อนาที — คิดเป็น 2% ของงบประมาณมาตรฐาน

ที่ราคา $0.10 และ $0.20 Muse Spark 1.2 จะมีราคาต่ำกว่าแทบทุกโมเดลที่ใกล้เคียงระดับ frontier ในตลาด รวมถึงกลุ่ม open-weight ระดับประหยัดที่ปกติแล้วมีราคาถูกกว่า นี่คือตัวเลขที่น่าสนใจในการเปิดตัวครั้งนี้ และมันไม่ใช่การตัดสินใจเรื่องราคาแบบแท้จริง อัตรา 60 คำขอต่อนาทีตัดรูปแบบ fan-out สำหรับโปรดักชันส่วนใหญ่ด้วยตัวของมันเอง ระดับนี้จึงมุ่งเป้าไปที่การทดลองและการทำงานของทีมเล็ก ๆ มากกว่าการให้บริการ และข้อความ "เราอาจนำข้อมูลการใช้งานของคุณไปฝึกโมเดล" เป็นคำถามสำหรับคนที่อนุมัติธรรมาภิบาลข้อมูลในองค์กรของคุณ ไม่ใช่สำหรับคนที่เลือกโมเดล ให้มองว่ามันคือการตรวจสอบทางกฎหมายพร้อมส่วนลดที่แถมมา ไม่ใช่ SKU ที่ถูกลง

การผลิต 54 มีต้นทุนเท่าไร

Artificial Analysis เผยแพร่ค่าใช้จ่ายที่ใช้ในการรันการประเมินของตัวเอง และคอลัมน์นั้นคือที่ที่รูปร่างของ Muse Spark 1.2 ปรากฏขึ้น การผ่านชุดเกณฑ์มาตรฐานทั้งเก้าชุดมีค่าใช้จ่าย 637.85 ดอลลาร์สหรัฐ และใช้โทเค็นเอาต์พุต 95 ล้านโทเค็น เทียบกับ 548.07 ดอลลาร์สหรัฐ และ 94 ล้านโทเค็นสำหรับ Muse Spark 1.1 — ด้วยราคาต่อโทเค็นที่เหมือนกัน ส่วนที่เพิ่มขึ้นอีก 16% นั้นเป็นการไตร่ตรองล้วนๆ

ตัวเลขความหน่วงก็เคลื่อนไปในทิศทางเดียวกัน เมื่อวัดที่ xhigh เวลาจนถึงโทเค็นแรกคือ 26.12 วินาทีสำหรับเวอร์ชัน 1.2 เทียบกับ 2.90 วินาทีสำหรับเวอร์ชัน 1.1 และความเร็วเอาต์พุตลดลงจาก 213.5 เป็น 165.0 โทเค็นต่อวินาที Meta ซื้อคะแนนดัชนีสามจุดด้วยเวลาคิด และการออกแบบที่บังคับให้ใช้เหตุผลหมายความว่าคุณไม่สามารถปฏิเสธการซื้อนี้ได้ — เลือกได้เพียงว่าจะคิดมากน้อยแค่ไหน

ตัวเลข 26 วินาทีนั้นจะถูกอ้างอิงผิดๆ ดังนั้นนี่คือการแก้ไขล่วงหน้า: มันคือการวัดที่ระดับความพยายาม (effort) ที่แพงที่สุดที่โมเดลเปิดเผย และ API ตั้งค่าเริ่มต้นไว้ที่ระดับกลาง ในฐานะจุดอ้างอิงจากการใช้งานจริง ไม่ใช่จากเครื่องมือวัด benchmark Muse Spark 1.1 ที่ให้บริการผ่าน OrcaRouter — ในระดับความพยายามที่ผู้เรียกใช้จริงขอ — แสดง p50 ของเวลาไปจนถึง token แรกใน 7 วันที่ 1.84 วินาที และ p95 ที่ 6.00 วินาที ที่ 519 tokens ต่อวินาที และอัตราความผิดพลาดเป็นศูนย์ ความหน่วงของ benchmark ที่ความพยายามสูงสุดและความหน่วงในการผลิตที่ระดับความพยายามเริ่มต้นเป็นปริมาณที่ต่างกัน และโดยปกติแล้วต่างกันหนึ่งระดับขนาด (order of magnitude) อ่าน 26.12s ว่าเป็นเพดานสำหรับการคิดเชิงลึก ไม่ใช่สิ่งที่คำขอหนึ่งจะรู้สึกได้

ที่ที่คุณสามารถโทรหามันได้ในวันนี้

Muse Spark 1.2 ให้บริการผ่าน Model API ของ Meta เอง และในขณะที่เขียนนี้ ยังไม่มีที่อื่น — มันไม่ได้ถูกจัดเส้นทางบน OpenRouter ในตอนเปิดตัว ไม่มีที่เก็บ Hugging Face และไม่อยู่ในแคตตาล็อกของ OrcaRouter Muse Spark 1.1 อยู่ที่ $1.25 และ $4.25 — ตัวเลขเดียวกันกับที่ Meta เรียกเก็บ เพราะ OrcaRouter คิดมาร์กอัป 0% และส่งผ่านราคารายการของผู้ให้บริการโดยตรง

สิ่งนั้นสำคัญต่อการเปรียบเทียบมากกว่าตัวโมเดลเอง หากคุณกำลังสร้างแบบจำลองต้นทุนสำหรับรุ่นที่เปิดตัวนี้ โมเดลที่คุณจะนำมาเปรียบเทียบด้วย — Claude Opus 5, Claude Fable 5, GPT-5.6 Sol, Grok 4.5, DeepSeek V4 Flash — อยู่ภายใต้คีย์เดียวในราคารายการ ดังนั้นตัวเลขในสเปรดชีตของคุณก็คือตัวเลขในใบแจ้งหนี้ และการลดราคาของผู้ให้บริการมีผลในวันเดียวกัน ไม่ใช่หลังการต่ออายุสัญญา สำหรับ Muse Spark 1.2 โดยเฉพาะ วันนี้คำตอบคือเอนด์พอยต์ของ Meta สัญญาฉบับที่สอง และบิลแยกต่างหาก

สิ่งที่คำประกาศไม่ได้ตอบ

• ไม่มีคะแนนการเขียนโค้ดแยกต่างหากArtificial Analysis เผยแพร่ค่าคอมโพสิตสำหรับเวอร์ชัน 1.2 แต่ยังไม่ได้เผยแพร่ดัชนีย่อยด้านการเขียนโค้ดและด้านเอเจนติกที่เคยเผยแพร่สำหรับเวอร์ชัน 1.1 (71.3 และ 37.5 ตามลำดับ) เนื่องจากงานเอเจนติกเป็นมิติที่อ่อนแอที่สุดของเวอร์ชัน 1.1 อย่างขาดลอย และการเขียนโค้ดแบบเอเจนติกคือสิ่งที่เวอร์ชัน 1.2 อ้างว่าได้แก้ไข นี่คือตัวเลขที่จะชี้ขาดการเปิดตัวครั้งนี้

• ไม่มีการทำซ้ำผลลัพธ์ของชุดทดสอบตัวเลขด้านการเขียนโค้ดทุกตัวในประกาศนี้ดำเนินการโดย Meta ยังไม่มีใครเผยแพร่คะแนนของ Muse Spark 1.2 จากโครงสร้างการประเมินที่เป็นกลาง

• ไม่มีการตรวจสอบแบบมัลติโมดัลรายการ Muse Spark โฆษณารองรับอินพุตข้อความ รูปภาพ วิดีโอ เสียง และ PDF. การประเมินอิสระครอบคลุมข้อความและรูปภาพ. การสื่อสารเวอร์ชัน 1.2 ของ Meta ได้เปลี่ยนไปมุ่งเน้นงานด้านซอฟต์แวร์เกือบทั้งหมด และกรณีการใช้งานสื่อผสมเวอร์ชัน 1.1 ที่ถูกขายอย่างชัดเจน กลับไม่มีทั้งการตลาดและการวัดผลสนับสนุนในขณะนี้

• ยังไม่มีประวัติปริมาณงานปริมาณบนเอนด์พอยต์ยังน้อยเกินไปสำหรับสถิติความหน่วงแบบเลื่อนตามปกติที่จะแสดงผล

สิ่งที่น่าดูในช่วงสี่สัปดาห์ข้างหน้า

สามสิ่งจะตัดสินว่ารีลีสนี้เป็นอย่างที่ Meta กล่าวหรือไม่ อย่างแรกคือคะแนน agentic อิสระสำหรับ 1.2 — หากดัชนีย่อยที่เคยเป็น 37.5 บน 1.1 เคลื่อนไหวอย่างมีนัยสำคัญ จุดขายเรื่องการเขียนโค้ดก็เป็นจริง อย่างที่สองคือการที่ใครก็ตามจะจำลองผลลัพธ์ Terminal-Bench นอกเหนือจาก Muse Code ได้หรือไม่ โมเดลที่ทำงานได้ดีเฉพาะในฮาร์เนสของตัวเองคือผลิตภัณฑ์ ไม่ใช่ความสามารถ อย่างที่สามคือสิ่งที่เกิดขึ้นกับระดับผู้มีส่วนร่วม: หากขีดจำกัด 60 คำขอผ่อนคลายลง โมเดลระดับใกล้ frontier ที่ราคา $0.10 สำหรับ input และ $0.20 สำหรับ output จะเปลี่ยนเลขคณิตของระดับงบประมาณในแบบที่การเพิ่มขึ้นของดัชนีสามจุดไม่เคยจะทำได้

และหากจังหวะการออกเวอร์ชันยังคงเป็นเช่นนี้ Muse Spark 1.3 จะมีกำหนดเปิดตัวในช่วงต้นเดือนกันยายน จากหลักฐานนี้ ตัวเลขที่ต้องจับตามองเมื่อมันเปิดตัวไม่ใช่คะแนนดัชนี แต่เป็นว่า Meta จะสามารถเพิ่มความสามารถใหม่โดยไม่เพิ่มเวลาคิดอีกยี่สิบวินาทีให้กับทุกคำขอได้หรือไม่