Muse Code เทียบกับ Muse Spark 1.1: การอัปเกรด 6.7 จุดของ Meta วัดอะไรกันแน่

ทำการลบก่อน สไลด์เปิดตัวของ Meta สำหรับ Muse Code ซึ่งเป็นเอเจนต์เขียนโค้ดบนเทอร์มินัลที่ส่งมอบเมื่อวันที่ 5 สิงหาคม 2026 รายงานผล 82.9% บน Terminal-Bench 2.1 และให้เครดิตว่านั่นคือการเพิ่มขึ้น 6.7 จุดเมื่อเทียบกับ Muse Spark 1.1, โมเดลที่คนส่วนใหญ่ที่อ่านบทความนี้จ่ายเงินเพื่อใช้อยู่แล้ว. ลบ 6.7 ออกจาก 82.9 ก็จะได้ 76.2 — ซึ่งไม่ใช่ตัวเลขที่ Meta เผยแพร่ แต่เป็นคะแนนที่อยู่บนลีดเดอร์บอร์ดสาธารณะของ Terminal-Bench 2.1 สำหรับ Muse Spark 1.1 ที่ระดับความพยายาม xhigh ซึ่งถูกส่งในเดือนกรกฎาคม และดำเนินการโดยแฮร์เนส mini-SWE-agent ของ Princeton

ความบังเอิญนั้นคือข้อเท็จจริงที่มีประโยชน์ที่สุดในการเปรียบเทียบนี้ เพราะ mini-SWE-agent เป็นโครงร่างที่ตั้งใจให้เรียบง่ายที่สุด — ไม่กี่ร้อยบรรทัด ไม่มีซับเอเจนต์ถาวร ไม่มีบันทึกเหตุการณ์ ไม่มีทักษะการวางแผน ผลลัพธ์ 82.9% ของ Meta คือ Muse Spark 1.2ที่ทำงานภายในเอเจนต์ที่สร้างมาเพื่อวัตถุประสงค์เฉพาะซึ่ง Meta ร่วมฝึกโมเดลด้วย หากสองแถวนั้นคือสิ่งที่ครอบคลุมระยะห่าง 6.7 จุด แล้วการก้าวกระโดดข้ามรุ่นที่เป็นพาดหัวข่าวก็คือการอัปเกรดโมเดล และการอัปเกรดฮาร์เนสที่ถูกรวมเป็นตัวเลขเดียว โดย Meta ไม่ได้เผยแพร่สิ่งใดที่แยกทั้งสองอย่างออกจากกัน

Meta ไม่ได้ระบุว่าตนใช้ฮาร์เนสใดสำหรับเบสไลน์ 1.1 ดังนั้นผลการเทียบเคียงจึงเป็นเพียงข้อบ่งชี้มากกว่าข้อพิสูจน์ แต่มันเปลี่ยนกรอบการตัดสินใจสำหรับใครก็ตามที่กำลังเรียกใช้ Muse Spark 1.1 ผ่าน API ซึ่งเป็นมุมมองที่ตรงไปตรงมาของการเทียบเคียงครั้งนี้: คุณไม่ได้กำลังเลือกระหว่างสองโมเดล คุณกำลังเลือกระหว่างโมเดลที่คุณขับเคลื่อนด้วยตัวเอง กับเอเจนต์ที่ขับเคลื่อนโมเดลที่ใหม่กว่าให้คุณ และมีเพียงหนึ่งในสองสิ่งนี้เท่านั้นที่ถูกวัดโดยบุคคลอื่นที่ไม่ใช่ Meta

เหล่านี้ไม่ใช่หมวดหมู่เดียวกัน และสเปกชีตก็ระบุไว้เช่นนั้น

ความสับสนครึ่งหนึ่งเกี่ยวกับคู่นี้เกิดจากการมองว่า Muse Code เป็นโมเดลรีลีส ทั้งที่จริงแล้วไม่ใช่ มันคือ CLI และ Muse Spark 1.2 คือชื่อที่มันเรียก

• มันคืออะไร — Muse Code เป็นเอเจนต์เทอร์มินัลที่ติดตั้งด้วยคำสั่งเดียว (curl -fsSL https://dev.meta.ai/install.sh | bash); Muse Spark 1.1 คือโมเดลเอนด์พอยต์ที่คุณเรียกใช้จากโค้ดของคุณเอง เฟรมเวิร์กเอเจนต์ของคุณเอง หรือ CLI ใดๆ ที่รองรับ base URL แบบกำหนดเอง

• โมเดลพื้นฐาน — Muse Code ใช้ Muse Spark 1.2 ซึ่งเทรนร่วมกับเอเจนต์ ส่วน Muse Spark 1.1 เป็นเจนเนอเรชันเดือนกรกฎาคม ยังคงให้บริการและยังอยู่ในรายการ

• ระบบที่รัน — Muse Code ทำงานบน macOS และ Linux เท่านั้น ใช้ผ่านเทอร์มินัลเท่านั้น ไม่มี GUI ไม่มีส่วนขยาย IDE; Muse Spark 1.1 ทำงานในทุกที่ที่ HTTPS ทำงาน รวมถึง Windows

• อินพุต — Muse Code รับ repository และ prompt ส่วน Muse Spark 1.1 รองรับข้อความ รูปภาพ วิดีโอ เสียง และเอกสาร PDF ในบริบทเดียวขนาด 1,048,576 โทเคน และส่งคืนข้อความ

• สถานะ — Muse Code เป็นเวอร์ชันเบต้าสาธารณะและมีการระบุไว้เช่นนั้น; Muse Spark 1.1 เปิดให้ใช้งานโดยทั่วไปตั้งแต่เดือนกรกฎาคม 2026 และรองรับทราฟฟิกการผลิตจริง

• ราคาปลีก — ทั้งสองเรียกเก็บเงินผ่าน Meta Model API ที่ $1.25 ต่อล้านโทเคนอินพุต, $0.15 สำหรับอินพุตที่แคช และ $4.25 สำหรับเอาต์พุตในระดับมาตรฐาน อัตราค่าบริการเป็นอัตราเดียวกัน

บรรทัดสุดท้ายคือสิ่งที่ทำให้ผู้คนประหลาดใจ และมันทำลายข้อสันนิษฐานที่เห็นได้ชัด การนำ Muse Code มาใช้ไม่ได้มีต้นทุนต่อโทเคนสูงกว่าสิ่งที่คุณรันอยู่แล้ว สิ่งที่ต้องแลกนั้นวัดเป็นสกุลเงินอื่น — การรองรับแพลตฟอร์ม ความหน่วง โมดาลิตี และในระดับราคาถูก ก็คือซอร์สโค้ดของคุณ นี่คือสี่แกนหลักที่ควรค่าแก่การถกเถียง

เกณฑ์วัดที่พวกมันแยกออกจากกัน อ่านโดยมีสายรัดติดอยู่

Meta เผยแพร่ค่าความแตกต่างเชิงรุ่น (generational deltas) สองรายการเทียบกับ Muse Spark 1.1: +6.7 แต้มบน Terminal-Bench 2.1 และ +6.3 บน DeepSWE 1.1 ทั้งคู่เป็นค่าที่รายงานโดยผู้ผลิตเอง มาจากกราฟที่เผยแพร่เป็นรูปภาพโดยไม่มีคำอธิบายระเบียบวิธี และยังไม่มีบุคคลที่สามทำการจำลองซ้ำได้ เมื่อหักออกแล้ว ค่า baseline ของรุ่น 1.1 โดยนัยของ Meta จะอยู่ที่ประมาณ 76.2% และ 53.0%

ทีนี้ ลองนำ 82.9% ของ Meta ไปเทียบกับกระดานที่มันไม่ได้อ้างถึง กระดานจัดอันดับสาธารณะ Terminal-Bench 2.1 ณ เวลาที่เขียนนี้ มี Claude Code จับคู่กับ Claude Fable 5 ที่ 83.8% ± 1.2%, Codex กับ GPT-5.5 ที่ 83.1% ± 1.1%, Terminus 2 กับ Claude Fable 5 ที่ 80.4%, Cursor CLI กับ Grok 4.5 ที่ 79.3%, และ mini-SWE-agent กับ Muse Spark 1.1 ที่ 76.2% อยู่ในอันดับที่แปด 82.9% ที่ Muse Code รายงานด้วยตัวเองจะเสียบเข้าอันดับที่สาม — ต่ำกว่าคู่เอเจนต์-โมเดลสองคู่ที่ไม่ปรากฏที่ไหนในสไลด์ของ Meta ซึ่งกลับไปเปรียบเทียบกับ Claude Opus 5 ที่ 86.7%, GPT-5.6 Terra ที่ 81.8% และ Grok 4.5 ที่ 81.6% ในการรันแยกกันที่ความพยายามสูงสุด

บอร์ดสองชุด เกณฑ์วัดชุดเดียว แต่ตัวเลขไม่ตรงกันเลย — และถ้าดูจาก Artificial Analysis ก็จะเห็นอีกสเกลหนึ่งที่ต่างไปโดยสิ้นเชิง ในการประเมิน Terminal-Bench v2.1 แบบอิสระของพวกเขา คะแนนสูงสุดอยู่ที่ประมาณ 89.5% สำหรับ GPT-5.6 Sol ขณะที่เพดานบนลีดเดอร์บอร์ดสาธารณะอยู่ที่ 83.8% ไม่มีฝ่ายใดโกหก แถวใน Terminal-Bench คือคะแนนของชุดประกอบ (harness) บวกกับโมเดล บวกกับการตั้งค่าความพยายาม (effort) บวกกับงบประมาณการคำนวณ และการเปลี่ยนเพียงหนึ่งในปัจจัยเหล่านั้นก็ทำให้ผลลัพธ์แตกต่างไปมากกว่าช่วงห่างทั้งหมดที่ Meta อ้างว่าเป็นความต่างระหว่างรุ่น

ด้วยเหตุนี้ ตัวเลขที่น่าสนใจบนกระดานสาธารณะจึงไม่ใช่คอลัมน์ความแม่นยำ แต่เป็นคอลัมน์ต้นทุน Muse Spark 1.1 ทำคะแนนได้ 76.2% ในราคา $198.05. Claude Code ที่ใช้ Claude Fable 5 ได้ผลงาน 83.8% ในราคา $552.67 และ Codex ที่ใช้ GPT-5.5 จ่าย $2,059.19 เพื่อให้ได้ 83.1% นั่นคือความแม่นยำที่เพิ่มขึ้น 7.6 จุดโดยจ่ายเงินเพิ่ม 2.8 เท่าในกรณีแรก และประมาณ 10 เท่าในกรณีที่สอง — ซึ่งวัดโดยผู้ดำเนินการเดียวกัน ในงานเดียวกัน ภายใต้กฎเดียวกัน ซึ่งเป็นการเปรียบเทียบที่ตรงไปตรงมาที่กราฟของ Meta ไม่ได้ให้คุณ กระดานยังหักคะแนนสำหรับงานที่แก้ปัญหาโดยใช้ช่องโหว่ของสภาพแวดล้อม ผลงานของ Muse Spark 1.1 ไม่มีการหักคะแนนดังกล่าว ในขณะที่ผลงานของ Cursor CLI ที่ใช้ Grok 4.5 ถูกหักไป 9 จุด

Meta ไม่ได้เปิดเผยตัวเลขต้นทุนสำหรับ 82.9% ของบริษัท

สิ่งที่ Muse Spark 1.1 ทำได้อยู่แล้ว แต่ Muse Code ทำไม่ได้

ข้อเสนอของ Muse Code คือ เอเจนต์ที่เทรนร่วมกันเอาชนะ "ตัวห่อหุ้มทั่วๆ ไปรอบโมเดลภายนอก" — ถ้อยคำของ Meta, ข้อกล่าวอ้างของ Meta, ที่ยังไม่มีใครอื่นทดสอบ มันเป็นข้อกล่าวอ้างที่สมเหตุสมผล และยังมุ่งเป้าไปที่ช่องว่างที่ Muse Spark 1.1 ถูกสร้างขึ้นมาเพื่อปิดโดยเฉพาะ

Muse Spark 1.1 รองรับ Model Context Protocol โดยกำเนิด จัดการการเชื่อมต่อ MCP ของตัวเองโดยไม่ต้องอาศัยเฟรมเวิร์กภายนอก ประสานงานบทบาท primary-agent และ subagent ภายในตัวเอง และปรับใช้แบบ zero-shot กับเครื่องมือใหม่และทักษะที่กำหนดเองได้ ตัวเลขที่ Meta เปิดตัวสำหรับรุ่นนี้คือตัวเลขการใช้งานเครื่องมือ: 88.1 บน MCP Atlas สำหรับการใช้งานเครื่องมือในวงกว้าง — สูงกว่า 82.2 ที่รายงานสำหรับ Claude Opus 4.8 และ 75.3 สำหรับ GPT-5.5 — และ 54.7 บน JobBench ทั้งหมดเป็นตัวเลขที่ผู้ผลิตรายงาน ทั้งหมดมาจากเดือนกรกฎาคม และไม่มีการทำซ้ำโดยอิสระ ไม่ว่าจะอย่างไร ประเด็นยังคงอยู่: 1.1 ไม่ใช่โมเดลแชตที่มีคนเอาเอเจนต์มาต่อพ่วง ใส่ลงใน OpenCode, Cline หรือ CLI ใดๆ ที่รองรับ custom endpoint แล้วคุณก็ได้เอเจนต์ทันที

แล้วยังมีทุกสิ่งที่ Muse Code ไม่สามารถแตะต้องได้ในเชิงโครงสร้าง Muse Spark 1.1 ให้เหตุผลกับรูปภาพ วิดีโอ เสียง และไฟล์ PDF ในหน้าต่างบริบทเดียว เอเจนต์เขียนโค้ดแบบเทอร์มินัลไม่มีประโยชน์สำหรับพื้นผิวนั้น และไม่มีทางที่จะเปิดเผยมัน หากภาระงานของคุณคือการเปลี่ยนโมเดลดีไซน์ให้เป็นคอมโพเนนต์ การถอดเสียงและคัดแยกสายสนับสนุน หรือการอ้างอิงสเปก 400 หน้ากับการนำไปใช้งานจริง สิ่งที่ใหม่กว่ากลับมีความสามารถน้อยกว่า — และการวางตำแหน่งของ Meta สำหรับเจเนอเรชัน 1.2 ได้เปลี่ยนจาก "การวิจัยเชิงลึกแบบมัลติโหมดบนสื่อผสม" ไปเป็นการรีแฟกเตอร์หลายไฟล์และการสร้างทั้งรีโพซิทอรี โดยไม่มีผลลัพธ์วิดีโอหรือเสียงสำหรับ 1.2 ที่เผยแพร่จากใครเลย

ความไม่สมมาตรที่แท้จริงกลับเป็นไปในทิศทางตรงกันข้าม และมันเป็นคุณสมบัติเชิงรันไทม์ ไม่ใช่ขีดความสามารถ Muse Code ผนวกการเรียกโมเดล การรันเครื่องมือ การอนุมัติ และการแก้ไขทุกครั้งลงในบันทึกเหตุการณ์ในเครื่อง ซึ่ง Meta กล่าวว่าทำให้เซสชันสามารถเล่นซ้ำได้อย่างแม่นยำและปลอดภัยต่อการรีสตาร์ท: หากเกิดข้อขัดข้อง เอเจนต์จะกลับมาทำงานต่อจากจุดที่หยุดไว้ แทนที่จะต้องสร้างบริบทขึ้นมาใหม่ เอเจนต์เบื้องหลังของมันยังคงอยู่ตลอดทั้งเซสชัน แทนที่จะถูกสร้างและทำลายลงในแต่ละงานย่อย หลักฐานของ Meta คือกรณีศึกษาเพียงกรณีเดียว นั่นคือการรันที่ใช้เวลา 24 ชั่วโมง โดยมีการเรียกเครื่องมือมากกว่า 1,000 ครั้ง เพื่อปรับแต่ง GPU kernels บนฮาร์ดแวร์ NVIDIA Hopper ไม่มีการเผยแพร่ตัวเลขความเร็วที่เพิ่มขึ้น ดังนั้นสิ่งที่ถูกอ้างจึงเป็นเพียงเรื่องของระยะเวลา หากคุณเคยสูญเสียการย้ายข้อมูลที่กินเวลาเก้าชั่วโมงเพราะแฮร์เนสลืมสิ่งที่มันทำอยู่ที่ขั้นตอนที่ 300 นั่นคือสิ่งที่คุณต้องการจริง ๆ และการรองรับ MCP ในโมเดลไม่ว่าจะมากแค่ไหนก็ไม่สามารถให้สิ่งนั้นแก่คุณได้

ราคาปลีกเท่ากัน จนกว่าคุณจะอ่านระดับที่สอง

เนื่องจากระดับมาตรฐานเหมือนกันทั้งสองฝ่าย ข้อโต้แย้งด้านราคาในการเปรียบเทียบนี้จึงอยู่ที่ระดับที่ Meta เปิดตัวพร้อมกับ Muse Code. ระดับผู้มีส่วนร่วม คิดค่าบริการ $0.10 ต่อล้าน input tokens, $0.002 สำหรับ cached input และ $0.20 สำหรับ output — ถูกกว่า 12.5 เท่าในส่วน input, 21 เท่าในส่วน output, 75 เท่าในส่วน cached input — เพื่อแลกกับการอนุญาตอย่างชัดแจ้งให้ใช้ prompts และ completions ของคุณเพื่อฝึกฝนโมเดล Meta ในอนาคต ส่วนการใช้งานในระดับมาตรฐาน Meta ระบุว่าไม่ได้ถูกนำไปใช้ในลักษณะนั้น

รันขั้นตอนเอเจนต์ตามจริงผ่านมัน — บริบทคลังที่เก็บ 60,000 โทเคนขาเข้า แผนและแพตช์ 3,000 โทเคนขาออก — และหนึ่งพันขั้นตอนมีค่าใช้จ่าย 87.75 ดอลลาร์ในระดับมาตรฐานแบบเย็น 21.75 ดอลลาร์เมื่อบริบทคลังที่เก็บชนแคช 6.60 ดอลลาร์ในระดับผู้มีส่วนร่วมแบบเย็น และ 0.72 ดอลลาร์ในระดับผู้มีส่วนร่วมกับแคชอุ่น การรันเคอร์เนล 24 ชั่วโมงของ Meta เองอยู่ที่ประมาณเก้าสิบดอลลาร์ในระดับที่ปกป้องโค้ดของคุณ และต่ำกว่าหนึ่งดอลลาร์ในระดับที่ไม่ปกป้อง

นั่นไม่ใช่การตัดสินใจเรื่องการเรียกเก็บเงิน พรอมป์ต์ของเอเจนต์เขียนโค้ดคือโค้ดเบสของคุณ — API ภายใน, ความคิดเห็นที่อธิบายว่าเหตุใดจึงมีวิธีแก้ไขชั่วคราว, อะไรก็ตามที่อยู่ในไฟล์ทดสอบของคุณ บนทรีโอเพนซอร์ส ระดับผู้มีส่วนร่วมแทบจะเป็นเงินฟรี บนคลังโค้ดส่วนบุคคล มันคือการตัดสินใจด้านการอนุญาตใช้ข้อมูลที่ปลอมตัวเป็นส่วนลด และมันควรถูกนำเสนอต่อผู้ที่อนุมัติการจัดการข้อมูล มากกว่าผู้ที่ดูบิลคลาวด์ Meta ตั้งส่วนลดไว้ที่ 12 เท่า เพราะข้อมูลมีมูลค่าไม่ต่ำกว่านั้นสำหรับ Meta.

การยังคงใช้ Muse Spark 1.1 หลีกเลี่ยงคำถามนี้โดยสิ้นเชิง และมันก็คุ้มค่าที่จะรู้แน่ชัดว่าการทำเช่นนั้นมีต้นทุนเท่าใดและตรงจุดใด Muse Spark 1.1 อยู่ในแค็ตตาล็อก OrcaRouter ในราคา $1.25 และ $4.25 — ราคาขายปลีกของ Meta ตรงถึงเซนต์ เพราะเราไม่เพิ่มมาร์กอัปและส่งต่อราคาจากผู้ให้บริการโดยตรง ซึ่งเป็นเหตุผลว่าทำไมการเปลี่ยนแปลงอัตราของ Meta จึงแสดงในฝ่ายของเราในวันที่ Meta เปลี่ยนแปลง แทนที่จะเป็นหลังรอบสัญญา เทเลเมทรีการผลิตเจ็ดวันของเราสำหรับรุ่นนี้แสดง p50 ของ time-to-first-token ที่ 1.84 วินาที และ p95 ที่ 6.00 วินาที ซึ่งเป็นความคาดหวังที่มีประโยชน์กว่ามากเมื่อเทียบกับที่ชุดทดสอบมาตรฐานใด ๆ จะให้คุณ Muse Spark 1.2 ไม่อยู่ในแค็ตตาล็อกของเรา; รุ่นนี้ให้บริการโดย Meta โดยตรงเท่านั้น และไม่มีที่อื่นใด ดังนั้นครึ่งที่ใหม่กว่าของการเปรียบเทียบนี้ในปัจจุบันจึงมีผู้ให้บริการเพียงรายเดียว และไม่มีเส้นทางเฟลโอเวอร์โดยโครงสร้าง หากคุณกำลังประเมินรุ่นนี้ การพึ่งพาผู้ให้บริการรายเดียวนั้นเป็นส่วนหนึ่งของสิ่งที่คุณกำลังประเมิน

การแลกเปลี่ยนเรื่องความหน่วงที่ไม่มีใครพูดถึงในการรายงานข่าวการเปิดตัว

Artificial Analysis ซึ่งวัดอย่างอิสระที่ระดับความพยายามในการใช้เหตุผลสูงสุดของแต่ละโมเดล ระบุเวลาจนถึงโทเคนแรกของ Muse Spark 1.1 ได้ที่ 2.90 วินาที และของ Muse Spark 1.2 อยู่ที่ 26.12 วินาที. ความเร็วเอาต์พุตลดลงจาก 213.5 เป็น 165 โทเคนต่อวินาที สิ่งที่ได้มาคือคะแนน Intelligence Index เพิ่มขึ้นสามจุด จาก 51 เป็น 54 และขยับอันดับจากอันดับที่ 22 ขึ้นเป็นอันดับที่ 13 จาก 185 โมเดล

เมื่ออ่านในฐานะการปล่อยโมเดลเอนกประสงค์ นี่คือข้อแลกเปลี่ยนที่แย่ — รอนานขึ้นเก้าเท่าเพื่อแลกกับสามคะแนน เมื่ออ่านในฐานะเอนจินของเอเจนต์เขียนโค้ด มันคือตัวเลือกที่ถูกต้องอย่างชัดเจน เพราะไม่มีใครที่รอการรีแฟกเตอร์สิบสองไฟล์จะสังเกตเห็นการวางแผนยี่สิบหกวินาที แต่ทุกคนที่รอการตอบกลับจากแชทจะสังเกตเห็นมันทั้งหมด นั่นคือคำประกาศที่ชัดเจนที่สุดว่าแต่ละฝ่ายของการเปรียบเทียบนี้มีไว้สำหรับใคร และมันถูกวัดโดยบุคคลที่สาม ไม่ใช่ถูกกล่าวอ้างโดย Meta

อีกทั้งยังหมายความว่าการสลับไปมานั้นไม่ฟรี แม้ว่าคุณจะสนใจเฉพาะโค้ดก็ตาม สิ่งที่มีการโต้ตอบใดๆ ที่คุณเคยชี้ไปที่ Muse Spark 1.1 — ไม่ว่าจะเป็นการเติมโค้ดแบบอินไลน์ บอทตรวจสอบ หรือพื้นผิวแชทบนเอกสารของคุณ — จะแย่ลงอย่างมีนัยสำคัญ หากคุณย้ายไปยังรุ่น 1.2 ด้วยความพยายามสูง การอัปเกรดนี้ถูกกำหนดเป้าหมาย และการกำหนดเป้าหมายก็มีทิศทาง

อันไหนที่คุณควรจะรันจริงๆ

อยู่กับ Muse Spark 1.1 หากงานของคุณไม่ใช่ repository.ไปป์ไลน์มัลติโหมด, การวิเคราะห์บริบทยาว, การวิจัยสื่อผสม, อะไรก็ตามที่โต้ตอบได้, อะไรก็ตามบน Windows, อะไรก็ตามที่เชื่อมต่อผ่าน MCP และทำงานได้อยู่แล้ว. ไม่มีอะไรในการเปิดตัว Muse Code ที่ปรับปรุงสิ่งเหล่านั้น และการวัด latency ทำให้อย่างน้อยหนึ่งในนั้นแย่ลง.

ลองใช้ Muse Code หากรูปแบบความล้มเหลวของคุณคือเรื่องระยะเวลา.การโยกย้าย monorepo การอัปเกรด dependency การรีแฟกเตอร์ที่กินเวลานานเป็นสัปดาห์ — งานที่คุณต้องคอยดูแลอยู่ตอนนี้เพราะเอเจนต์หลุดประเด็น. บันทึกเหตุการณ์และเอเจนต์พื้นหลังที่ทำงานต่อเนื่องถูกออกแบบมาเพื่อจัดการกับเรื่องนี้โดยเฉพาะ และการขาดคะแนน benchmark ไปไม่กี่จุดก็มีความสำคัญน้อยที่สุดเมื่อการรันยาวนานที่สุด. เป็นเวอร์ชันเบต้า ให้ลองกับ clone ที่ไม่สำคัญ บน repository ที่คุณไม่เสียดายถ้าหายไป.

หากคุณกำลังพยายามตัดสินใจเลือกโมเดล ลองทำการทดลองอย่างตรงไปตรงมาดู คงโครงสร้างการทดสอบของคุณไว้ แล้วสลับ Muse Spark 1.1 เป็น Muse Spark 1.2 ข้างใต้ วิธีนี้จะแยกตัวแปรเดียวที่ Meta รวมไว้ในแผนภูมิของตน และเป็นวิธีเดียวที่จะรู้ว่าส่วนเพิ่มจากการเทรนร่วมกันนั้นมีจริงหรือไม่ หรือว่า 1.2 เป็นเพียงโมเดลเขียนโค้ดที่มีความสามารถไม่ว่าคุณจะนำไปใช้ที่ไหน เกตเวย์เดียวทำให้เรื่องนี้เป็นเพียงการเปลี่ยนสตริง ไม่ใช่การจัดซื้อจัดจ้าง — Muse Spark 1.1, Claude Opus 5, GPT-5.6 Terra, Grok 4.5 และ Claude Fable 5 ทั้งหมดอยู่เบื้องหลังคีย์ OrcaRouter เดียวกันในราคารายการ พร้อมการสลับอัตโนมัติข้ามผู้ให้บริการ ดังนั้นชุดเปรียบเทียบนี้จึงไม่เสียค่าใช้จ่ายใดๆ ในการเตรียมไว้ Muse Spark 1.2 เป็นข้อยกเว้นและต้องมาจาก Meta

คำถามที่ควรถามก่อนที่จะติดตั้งสิ่งใดก็ตาม

ฉันสามารถชี้ Muse Code ไปที่ Muse Spark 1.1 แทน 1.2 ได้ไหม

เอกสารเปิดตัวของ Meta ไม่ได้กล่าวถึงเรื่องนี้ และทั้งคู่ถูกจัดส่งเป็นคู่ที่ฝึกฝนร่วมกัน ซึ่งเป็นข้อโต้แย้งว่ามันได้รับการสนับสนุนหรือมีประโยชน์ อย่างไรก็ตาม ทิศทางย้อนกลับได้รับการบันทึกไว้อย่างดี: Muse Spark 1.1 ทำงานได้กับเอเจนต์ใดก็ตามที่ยอมรับปลายทางที่กำหนดเอง ซึ่งเป็นวิธีที่คนส่วนใหญ่ใช้งานมันเป็นเอเจนต์อยู่ทุกวันนี้ หากเป้าหมายของคุณคือการเปรียบเทียบอย่างมีการควบคุม จงรัน 1.1 และ 1.2 ใน ของคุณ ซึ่งก็คือสายการทดสอบ แทนที่จะพยายามดัดแปลงของ Meta.

ระดับผู้สนับสนุนใช้กับ Muse Spark 1.1 ด้วยหรือไม่?

Meta เปิดตัวโครงสร้างสองระดับพร้อมการเปิดตัว Muse Code และ Muse Spark 1.2 และเรตการ์ดที่เผยแพร่ได้แนบราคาสำหรับผู้สนับสนุนไว้กับการเปิดตัวครั้งนั้น ให้ถือว่าส่วนลด 12x เป็นข้อเสนอของเจนเนอเรชัน 1.2 จนกว่า Meta จะประกาศเป็นอย่างอื่น และตั้งราคาเวิร์กโหลด 1.1 ที่ 1.25 ดอลลาร์และ 4.25 ดอลลาร์ หากคุณใช้ OrcaRouter แสดงว่าคุณอยู่ในราคารายการโดยนิยาม จึงไม่มีระดับการแบ่งปันข้อมูลให้เลือกเข้าร่วมหรือถอนตัว

แล้วข้อกล่าวอ้างเรื่อง 6.7 คะแนนผิดหรือเปล่า?

ไม่ — มันไม่ได้รับการตรวจสอบและระบุรายละเอียดไม่ครบถ้วน ซึ่งเป็นคนละเรื่องกัน Meta อาจรัน baseline 1.1 ในสภาพแวดล้อมการทดสอบที่เทียบเคียงได้กับของ Muse Code ก็ได้ ในกรณีนั้นตัวเลขที่เพิ่มขึ้นก็เป็นการเปรียบเทียบระหว่างโมเดลล้วนๆ ที่ชัดเจน แต่ไม่มีระเบียบวิธีที่เผยแพร่ baseline โดยนัยตกลงพอดีกับคะแนนของโครงสร้างภายนอกที่เรียบง่ายที่สุด และ benchmark เดียวกันให้มาตราส่วนที่แตกต่างกันสามแบบ ขึ้นอยู่กับว่าใครเป็นคนรัน ให้ถือว่า +6.7 เป็นแค่ทิศทาง และหาตัวเลขของคุณเองก่อนที่จะวางแผนอ้างอิงมัน

อะไรจะยุติเรื่องนี้ได้

การส่งหนึ่งครั้ง หาก Meta ใส่ Muse Code ลงในลีดเดอร์บอร์ดสาธารณะของ Terminal-Bench 2.1 ภายใต้กฎเดียวกันกับที่ทุกคนส่งเข้าแข่งขัน — ไม่มีการปรับเปลี่ยนเวลาหรือทรัพยากร, คอลัมน์ต้นทุนถูกกรอก, การหักคะแนนจากการแฮ็กถูกนำมาใช้ — 82.9% จะเทียบได้กับ 76.2% ที่อยู่ข้างชื่อ Muse Spark 1.1 และ 83.8% ที่อยู่ด้านบน และข้อโต้แย้งทั้งหมดนี้จะยุติลงภายในบ่ายวันเดียว จนกว่าจะถึงตอนนั้น ตัวเลขเดียวที่ได้รับการยืนยันอย่างอิสระในการแข่งขันครั้งนี้เป็นของรุ่นเก่า และมันบอกว่า Muse Spark 1.1 แก้โจทย์ Terminal-Bench 2.1 ได้สามในสี่ ภายในสแกฟโฟลด์ที่เล็กพอที่จะอ่านจบได้ในนั่งเดียว ด้วยงบไม่ถึงสองร้อยดอลลาร์

สิ่งที่น่าจับตามองเป็นลำดับที่สองมีขอบเขตแคบกว่าและเกิดขึ้นเร็วกว่า นั่นคือ Artificial Analysis จะเผยแพร่คะแนนย่อยด้านการเขียนโค้ดและด้าน agentic สำหรับเจนเนอเรชัน 1.2 ซึ่งได้เผยแพร่สำหรับ 1.1 อยู่แล้วหรือไม่ ประสิทธิภาพด้าน agentic เป็นมิติที่อ่อนแอที่สุดในบรรดามิติที่เผยแพร่ของ 1.1 อย่างขาดลอย เป็นตัวเลขที่ Meta อ้างว่าแก้ไขแล้วอย่างแม่นยำ และเป็นตัวเลขที่ยังไม่มีใครนอก Meta วัดได้เลย