Muse Code so với Muse Spark 1.1: Bản nâng cấp 6,7 điểm của Meta thực sự đang đo lường điều gì?

Hãy làm phép trừ trước. Bộ tài liệu ra mắt của Meta cho Muse Code, tác tử viết mã trên terminal mà Meta đã phát hành vào ngày 5 tháng 8 năm 2026, báo cáo đạt 82.9% trên Terminal-Bench 2.1 và coi đó là mức tăng 6.7 điểm so với Muse Spark 1.1, mô hình mà hầu hết những người đang đọc bài này đã phải trả phí để sử dụng. Lấy 82.9 trừ đi 6.7, bạn sẽ được 76.2 — con số này không phải do Meta công bố, nhưng lại chính là điểm số đang nằm trên bảng xếp hạng công khai Terminal-Bench 2.1 của Muse Spark 1.1 ở mức nỗ lực xhigh, được gửi vào tháng 7, chạy bằng khung mini-SWE-agent của Princeton.

Sự trùng hợp đó là dữ kiện hữu ích nhất trong bài so sánh này, vì mini-SWE-agent là một bộ khung tối giản có chủ ý — chỉ vài trăm dòng, không có subagent thường trực, không có nhật ký sự kiện, không có kỹ năng lập kế hoạch. Con số 82,9% của Meta là Muse Spark 1.2 chạy bên trong một agent chuyên dụng mà Meta đã huấn luyện chung với mô hình. Nếu chênh lệch 6,7 điểm nằm giữa hai hàng đó, thì mức cải thiện qua các thế hệ được nhấn mạnh là một nâng cấp mô hình và một nâng cấp harness được gộp chung vào một con số, và Meta đã không công bố điều gì để tách riêng chúng ra.

Meta không nêu rõ loại harness nào họ đã sử dụng cho đường cơ sở 1.1 của mình, nên sự trùng khớp chỉ mang tính gợi ý chứ chưa phải là bằng chứng. Nhưng điều đó tái định khung quyết định trước mắt bất kỳ ai hiện đang gọi Muse Spark 1.1 qua API, và đó mới là phiên bản trung thực của cuộc so sánh này: bạn không chọn giữa hai mô hình. Bạn đang chọn giữa một mô hình mà bạn tự vận hành và một tác nhân vận hành một mô hình mới hơn cho bạn, và chỉ một trong hai thứ đó đã được đo lường bởi một bên khác ngoài Meta.

Đây không phải cùng một danh mục, và bảng thông số kỹ thuật đã nói rõ điều đó.

Một nửa sự nhầm lẫn xung quanh sự kết hợp này đến từ việc coi Muse Code như một bản phát hành mô hình. Không phải vậy. Nó là một CLI, và Muse Spark 1.2 chính là thứ mà nó gọi.

• Nó là gì — Muse Code là một terminal agent được cài đặt bằng một dòng lệnh (curl -fsSL https://dev.meta.ai/install.sh | bash); Muse Spark 1.1 là một model endpoint mà bạn gọi từ mã của riêng bạn, khung agent của riêng bạn, hoặc bất kỳ CLI nào chấp nhận một base URL tùy chỉnh.

• Mô hình nền tảng — Muse Code chạy Muse Spark 1.2, được huấn luyện chung với tác nhân; Muse Spark 1.1 là thế hệ tháng 7, vẫn được phục vụ và vẫn được liệt kê.

• Nơi chạy — Muse Code chỉ hỗ trợ macOS và Linux, chỉ dùng qua terminal, không có GUI, không có tiện ích mở rộng IDE; Muse Spark 1.1 chạy ở bất kỳ đâu có HTTPS, bao gồm cả Windows.

• Đầu vào — Muse Code nhận một repository và một prompt; Muse Spark 1.1 chấp nhận văn bản, hình ảnh, video, âm thanh và tài liệu PDF trong một ngữ cảnh duy nhất với 1.048.576 token và trả về văn bản.

• Trạng thái — Muse Code là phiên bản beta công khai và được gắn nhãn như vậy; Muse Spark 1.1 đã được phát hành rộng rãi từ tháng 7 năm 2026 và đang xử lý lưu lượng sản xuất thực tế.

• Giá niêm yết — cả hai đều được tính phí qua Meta Model API ở mức 1,25 USD cho mỗi triệu token đầu vào, 0,15 USD cho đầu vào được lưu trong bộ nhớ đệm và 4,25 USD cho đầu ra ở gói tiêu chuẩn. Biểu giá vẫn là cùng một biểu giá.

### {{1}}Dòng cuối cùng là điều khiến mọi người bất ngờ, và nó phá bỏ giả định hiển nhiên.{{/1}} {{2}}Áp dụng {{KEEP}}Muse Code{{/KEEP}} không tốn thêm chi phí cho mỗi token so với những gì bạn đang chạy.{{/2}} {{3}}Cái giá phải trả được đo bằng những đơn vị khác — hỗ trợ nền tảng, độ trễ, phương thức, và ở gói rẻ hơn, mã nguồn của bạn.{{/3}} {{4}}Đó là bốn trục đáng để tranh luận.{{/4}}

Điểm chuẩn mà tại đó chúng phân kỳ, được đọc khi gắn bộ dây nối vào.

Meta đã công bố hai mức chênh lệch thế hệ so với Muse Spark 1.1: +6,7 điểm trên Terminal-Bench 2.1 và +6,3 trên DeepSWE 1.1. Cả hai đều do nhà cung cấp báo cáo, cả hai đều đến từ các biểu đồ được xuất bản dưới dạng hình ảnh mà không có bản mô tả phương pháp luận, và cả hai đều chưa được bên thứ ba tái lập. Nếu loại bỏ chúng, các mức cơ sở 1.1 ngụ ý của Meta là khoảng 76,2% và 53,0%.

Giờ hãy đặt con số 82,9% của Meta bên cạnh bảng xếp hạng mà họ không trích dẫn. Bảng xếp hạng công khai Terminal-Bench 2.1, tại thời điểm viết bài, cho thấy Claude Code được ghép cặp với Claude Fable 5 ở mức 83,8% ± 1,2%, Codex với GPT-5.5 ở mức 83,1% ± 1,1%, Terminus 2 với Claude Fable 5 ở mức 80,4%, Cursor CLI với Grok 4.5 ở mức 79,3%, và mini-SWE-agent với Muse Spark 1.1 ở mức 76,2%, xếp thứ tám. Mức 82,9% do Muse Code tự báo cáo sẽ lọt vào vị trí thứ ba — xếp dưới hai cặp tác nhân–mô hình không xuất hiện ở bất kỳ đâu trong bộ slide của Meta, vốn thay vào đó so sánh với Claude Opus 5 ở mức 86,7%, GPT-5.6 Terra ở mức 81,8% và Grok 4.5 ở mức 81,6% trong các lần chạy riêng biệt ở mức nỗ lực tối đa.

Hai bảng xếp hạng, một chuẩn đánh giá, những con số {{1}}không khớp nhau{{/1}} — và một {{2}}thang đo thứ ba hoàn toàn khác{{/2}} nếu nhìn vào Artificial Analysis, với {{3}}đánh giá Terminal-Bench v2.1 độc lập đạt đỉnh gần 89.5% cho GPT-5.6 Sol so với trần 83.8% trên bảng xếp hạng công khai{{/3}}. Không bên nào trong số này nói dối. Một hàng Terminal-Bench là điểm số cho {{4}}một bộ khung, cộng với một mô hình, cộng với một thiết lập mức nỗ lực, cộng với một hạn mức tính toán{{/4}}, và thay đổi bất kỳ một trong số đó sẽ làm kết quả chênh lệch nhiều hơn {{5}}toàn bộ khoảng cách mà Meta đang tuyên bố là một thế hệ{{/5}}.

Đó là lý do vì sao con số đáng chú ý trên bảng công khai không phải là cột độ chính xác, mà là cột chi phí. Muse Spark 1.1 hoàn thành lượt chạy 76.2% của mình với $198.05. Claude Code với Claude Fable 5 có được mức 83.8% với $552.67, còn Codex với GPT-5.5 trả $2,059.19 để đạt 83.1%. Đó là 7.6 điểm độ chính xác với mức chi phí gấp 2.8 lần trong trường hợp đầu và gần 10 lần trong trường hợp thứ hai — được đo bởi cùng một người vận hành, trên cùng các tác vụ, theo cùng các quy tắc, đây chính xác là phép so sánh công bằng mà biểu đồ của Meta không mang lại cho bạn. Bảng xếp hạng cũng trừ điểm đối với các tác vụ được giải quyết bằng cách lợi dụng môi trường; bài nộp của Muse Spark 1.1 không bị trừ điểm nào như vậy, trong khi lượt chạy Grok 4.5 của Cursor CLI bị trừ 9 điểm.

Meta không công bố con số chi phí nào cho mức 82,9% của mình.

Điều mà Muse Spark 1.1 đã làm được mà Muse Code không thể

Lời giới thiệu của Muse Code là một tác nhân được huấn luyện đồng bộ sẽ đánh bại "một lớp bọc chung chung quanh một mô hình bên ngoài" — cách diễn đạt của Meta, khẳng định của Meta, chưa ai khác kiểm chứng. Đây là một tuyên bố hợp lý. Nó cũng nhắm vào một khoảng trống mà Muse Spark 1.1 được xây dựng cụ thể để lấp đầy.

Muse Spark 1.1 hỗ trợ nguyên bản Model Context Protocol, tự xử lý các kết nối MCP của mình mà không cần framework bên ngoài, điều phối nội bộ vai trò tác tử chính và tác tử phụ, và tổng quát hóa zero-shot cho các công cụ mới và kỹ năng tùy chỉnh. Các con số ra mắt của chính Meta cho nó là các con số sử dụng công cụ: 88.1 trên MCP Atlas cho sử dụng công cụ quy mô lớn — vượt xa 82.2 mà họ báo cáo cho Claude Opus 4.8 và 75.3 cho GPT-5.5 — và 54.7 trên JobBench. Tất cả đều do nhà cung cấp báo cáo, tất cả từ tháng 7, không cái nào được tái lập độc lập. Dù vậy, luận điểm vẫn đúng: 1.1 không phải là mô hình chat mà ai đó gắn thêm một tác tử vào. Hãy đưa nó vào OpenCode, Cline, hoặc bất kỳ CLI nào chấp nhận endpoint tùy chỉnh và bạn sẽ có một tác tử ngay hôm nay.

Và rồi vẫn còn tất cả những thứ mà Muse Code về mặt cấu trúc không thể chạm tới. Muse Spark 1.1 suy luận trên hình ảnh, video, âm thanh và PDF trong một cửa sổ ngữ cảnh duy nhất. Một tác nhân mã hóa trên terminal chẳng có việc gì với bề mặt đó và cũng không có cách nào để phô bày nó. Nếu khối lượng công việc của bạn là một bản mockup thiết kế được biến thành các thành phần, một cuộc gọi hỗ trợ được phiên âm và phân loại, hoặc một bản đặc tả 400 trang được đối chiếu chéo với một bản triển khai, thì thứ mới hơn lại là thứ kém khả năng hơn — và định vị của Meta cho thế hệ 1.2 đã chuyển từ "nghiên cứu sâu đa phương thức trên phương tiện hỗn hợp" sang tái cấu trúc đa tệp và sinh toàn bộ kho mã nguồn, mà chưa một kết quả video hay âm thanh nào cho 1.2 được công bố từ bất kỳ ai.

Sự bất đối xứng thực sự nằm ở chiều ngược lại, và đó là một thuộc tính thời gian chạy chứ không phải một năng lực. Muse Code ghi mọi lời gọi mô hình, lần chạy công cụ, phê duyệt và chỉnh sửa vào một nhật ký sự kiện cục bộ; Meta cho biết nhờ đó phiên làm việc có thể phát lại chính xác và an toàn khi khởi động lại: làm sập hệ thống và tác nhân sẽ nối tiếp từ nơi nó dừng lại thay vì dựng lại ngữ cảnh từ đầu. Các tác nhân nền của nó tồn tại suốt phiên thay vì bị tạo ra rồi gỡ xuống cho từng tác vụ con. Bằng chứng của Meta chỉ là một nghiên cứu tình huống duy nhất — một lần chạy 24 giờ với hơn 1.000 lần gọi công cụ để tối ưu hoá nhân GPU trên phần cứng NVIDIA Hopper. Không có con số tăng tốc nào được công bố, nên thời lượng chính là tuyên bố. Nếu bạn từng mất một quá trình di chuyển kéo dài chín giờ vì khung tác nhân quên mất việc nó đang làm ở bước 300, thì đó là một điều đáng để mong muốn, và dù mô hình có hỗ trợ MCP đến đâu đi nữa cũng không mang lại điều đó cho bạn.

Cùng mức giá niêm yết, cho đến khi bạn đọc đến mức thứ hai.

Vì gói tiêu chuẩn giống hệt nhau ở cả hai bên, lập luận về giá trong cuộc so sánh này nằm hoàn toàn ở gói mà Meta giới thiệu cùng với Muse Code. Gói contributor có giá $0,10 cho mỗi triệu token đầu vào, $0,002 cho đầu vào được lưu trong bộ nhớ đệm và $0,20 cho đầu ra — rẻ hơn 12,5 lần cho đầu vào, 21 lần cho đầu ra, 75 lần cho đầu vào được lưu trong bộ nhớ đệm — đổi lại việc bạn cho phép rõ ràng sử dụng các prompt và phần hoàn thiện của bạn để huấn luyện các mô hình Meta trong tương lai. Theo Meta, lưu lượng truy cập ở gói tiêu chuẩn không được sử dụng theo cách đó.

Chạy một bước agent thực tế xuyên suốt quy trình — 60.000 token ngữ cảnh kho lưu trữ đầu vào, 3.000 token lập kế hoạch và vá lỗi đầu ra — và một nghìn bước sẽ tốn 87,75 đô la ở gói tiêu chuẩn khởi động nguội, 21,75 đô la khi ngữ cảnh kho lưu trữ trúng bộ nhớ đệm, 6,60 đô la ở gói cộng tác viên khởi động nguội, và 0,72 đô la ở gói cộng tác viên với bộ nhớ đệm ấm. Phiên chạy kernel 24 giờ của chính Meta tốn gần chín mươi đô la ở gói bảo vệ mã nguồn của bạn và dưới một đô la ở gói không bảo vệ.

Đó không phải là một quyết định về thanh toán. Các prompt của agent lập trình chính là codebase của bạn — các API nội bộ, bình luận giải thích vì sao workaround tồn tại, bất cứ thứ gì nằm trong fixtures của bạn. Với kho mã nguồn mở, gói đóng góp gần như là tiền miễn phí. Với repository độc quyền, đó là một quyết định cấp phép dữ liệu khoác áo chiết khấu, và nó phải được trình lên người phê duyệt xử lý dữ liệu chứ không phải người theo dõi hóa đơn đám mây. Meta đặt mức chiết khấu là 12x vì dữ liệu đó ít nhất cũng đáng giá ngần ấy đối với Meta.

Việc ở lại với Muse Spark 1.1 hoàn toàn né tránh câu hỏi, và bạn nên biết chính xác điều đó phải trả giá gì và ở đâu. Muse Spark 1.1 có trong danh mục OrcaRouter với giá $1.25 và $4.25 — đúng bằng giá niêm yết của Meta đến từng xu, vì chúng tôi cộng thêm 0% phụ phí và truyền thẳng giá nhà cung cấp, đó cũng là lý do thay đổi giá của Meta xuất hiện phía chúng tôi ngay trong ngày Meta điều chỉnh chứ không phải sau một chu kỳ hợp đồng. Dữ liệu telemetry sản xuất trong bảy ngày của chúng tôi cho thấy time-to-first-token p50 là 1,84 giây và p95 là 6,00 giây, một kỳ vọng hữu ích hơn nhiều so với bất kỳ bộ benchmark nào cung cấp. Muse Spark 1.2 không có trong danh mục của chúng tôi; nó được cung cấp trực tiếp bởi Meta và không nơi nào khác, vì vậy nửa mới hơn của sự so sánh này hiện chỉ có đúng một nhà cung cấp và không có đường dự phòng (failover) theo thiết kế. Nếu bạn đang đánh giá nó, sự phụ thuộc vào một nhà cung cấp duy nhất đó là một phần trong những gì bạn đang đánh giá.

Sự đánh đổi về độ trễ mà không ai nhắc đến trong bài phủ sóng ra mắt

Artificial Analysis, đo lường độc lập ở mức nỗ lực suy luận tối đa của mỗi mô hình, đã đo thời gian đến token đầu tiên của Muse Spark 1.1 là 2,90 giây và của Muse Spark 1.2 là 26,12 giây. Tốc độ đầu ra giảm từ 213,5 xuống 165 token mỗi giây. Thành quả là ba điểm của Intelligence Index, từ 51 lên 54, và một bước nhảy từ #22 lên #13 trong 185 mô hình.

Đọc như một bản phát hành mô hình đa dụng, đó là một thương vụ tồi — chờ đợi gấp chín lần chỉ để thêm ba điểm. Đọc như động cơ của một tác tử lập trình, rõ ràng nó là lựa chọn đúng, vì không ai đang chờ một cuộc tái cấu trúc mười hai tệp lại để ý đến hai mươi sáu giây lập kế hoạch, và tất cả những ai đang chờ một phản hồi trò chuyện đều nhận ra toàn bộ thời gian đó. Đó là tuyên bố rõ ràng nhất về việc mỗi bên của sự so sánh này dành cho ai, và nó được đo lường bởi một bên thứ ba chứ không phải do Meta khẳng định.

Điều đó cũng có nghĩa là việc chuyển đổi không hề miễn phí, ngay cả khi bạn chỉ quan tâm đến mã nguồn. Bất kỳ thứ gì mang tính tương tác mà bạn đã hướng tới Muse Spark 1.1 — hoàn thành nội tuyến, bot rà soát mã, giao diện trò chuyện trên tài liệu của bạn — sẽ trở nên tệ hơn đáng kể nếu bạn chuyển nó lên thế hệ 1.2 với nhiều công sức. Bản nâng cấp này có chủ đích, và chủ đích luôn có một hướng đi rõ ràng.

Bạn thực sự nên chạy cái nào

Hãy tiếp tục sử dụng Muse Spark 1.1 nếu công việc của bạn không phải là một kho lưu trữ. Đường ống đa phương thức, phân tích ngữ cảnh dài, nghiên cứu đa phương tiện, bất cứ thứ gì có tính tương tác, bất cứ thứ gì trên Windows, bất cứ thứ gì đã được kết nối qua MCP và đang hoạt động. Không có gì trong bản phát hành Muse Code cải thiện những điều đó, và phép đo độ trễ làm cho ít nhất một trong số chúng tệ hơn.

Hãy thử Muse Code nếu kiểu thất bại của bạn nằm ở thời lượng. Di chuyển monorepo, nâng cấp phụ thuộc, tái cấu trúc kéo dài cả tuần — những công việc bạn hiện đang phải trông chừng vì agent mất phương hướng. Nhật ký sự kiện và các agent nền thường trực nhắm chính xác vào điều đó, và mức chênh lệch vài điểm benchmark ít quan trọng nhất khi thời gian chạy dài nhất. Bản beta, trên bản clone tạm, trên repository mà bạn sẵn sàng chấp nhận mất.

Nếu bạn đang cố quyết định chọn mô hình, hãy thực hiện thử nghiệm một cách trung thực.Giữ nguyên bộ khung thử nghiệm của bạn và thay Muse Spark 1.1 bằng Muse Spark 1.2 bên dưới nó. Điều đó cô lập biến số duy nhất mà biểu đồ của Meta gộp chung, và đó là cách duy nhất để biết liệu mức phụ trội do huấn luyện chung có thật hay không, hay liệu 1.2 chỉ đơn giản là một mô hình viết mã có năng lực dù bạn đặt nó ở đâu. Một cổng kết nối duy nhất biến việc này thành một thay đổi chuỗi cấu hình thay vì một quy trình mua sắm — Muse Spark 1.1, Claude Opus 5, GPT-5.6 Terra, Grok 4.5 và Claude Fable 5 đều nằm sau một khóa OrcaRouter duy nhất với giá niêm yết và tự động chuyển đổi dự phòng giữa các nhà cung cấp, vì vậy bộ so sánh này không tốn của bạn chi phí gì để giữ sẵn. Muse Spark 1.2 là ngoại lệ và phải lấy từ Meta.

Những câu hỏi đáng đặt ra trước khi bạn cài đặt bất cứ thứ gì

Tôi có thể trỏ Muse Code đến Muse Spark 1.1 thay vì 1.2 không?

Tài liệu ra mắt của Meta không nói rõ, và hai phiên bản được phát hành như một cặp được huấn luyện cùng nhau, điều này là một lập luận chống lại việc nó được hỗ trợ hay hữu ích. Tuy nhiên, chiều ngược lại được ghi chép đầy đủ: Muse Spark 1.1 hoạt động trong bất kỳ agent nào chấp nhận một endpoint tùy chỉnh, đây là cách hầu hết mọi người đang chạy nó như một agent ngày nay. Nếu mục tiêu của bạn là một so sánh có kiểm soát, hãy chạy 1.1 và 1.2 trong của bạnbộ kiểm thử thay vì cố gắng làm theo cách của Meta.

Hạng mức đóng góp có áp dụng cho cả Muse Spark 1.1 không?

Meta đã giới thiệu cấu trúc hai tầng khi ra mắt Muse Code và Muse Spark 1.2, và bảng giá đã công bố của họ gắn giá dành cho nhà đóng góp với bản phát hành đó. Giả định rằng mức chiết khấu 12x là ưu đãi thế hệ 1.2 cho đến khi Meta có thông báo khác, và định giá mọi khối lượng công việc 1.1 ở mức $1.25 và $4.25. Nếu bạn đang dùng OrcaRouter, theo định nghĩa bạn đang ở mức giá niêm yết, vì vậy không có tầng chia sẻ dữ liệu nào để chọn tham gia hoặc rút lui.

Vậy tuyên bố 6,7 điểm có sai không?

Không — nó chưa được kiểm toán và thiếu đặc tả, điều đó khác biệt. Meta có thể đã chạy baseline 1.1 của họ trong một khung thử nghiệm tương đương với Muse Code, trong trường hợp đó mức tăng là một kết quả so sánh sạch giữa mô hình với mô hình. Nhưng không có phương pháp luận nào được công bố, baseline ngụ ý chạm chính xác vào điểm số của một bộ khung bên thứ ba tối thiểu, và cùng một benchmark cho ra ba thang điểm khác nhau tùy thuộc vào ai chạy nó. Hãy coi +6.7 chỉ mang tính định hướng và tự tính con số của riêng bạn trước khi lên kế hoạch dựa trên nó.

Điều gì sẽ giải quyết việc này?

Một bài nộp. Nếu Meta đưa Muse Code lên bảng xếp hạng công khai Terminal-Bench 2.1 theo cùng các quy tắc mà mọi người khác đã tuân thủ khi nộp bài — không điều chỉnh thời gian chờ hay tài nguyên, cột chi phí được điền đầy đủ, các khoản khấu trừ do hack được áp dụng — thì con số 82.9% sẽ trở nên có thể so sánh với 76.2% bên cạnh tên Muse Spark 1.1 và với 83.8% ở vị trí dẫn đầu, và toàn bộ tranh luận này sẽ được giải quyết chỉ trong một buổi chiều. Cho đến lúc đó, con số được xác minh độc lập duy nhất trong cuộc so tài này thuộc về mô hình cũ hơn, và nó cho thấy Muse Spark 1.1 đã giải được ba phần tư Terminal-Bench 2.1 trong một khung đủ nhỏ để đọc hết trong một lần ngồi, với chi phí dưới hai trăm đô la.

Điều thứ hai đáng theo dõi hẹp hơn và xảy ra sớm hơn: liệu Artificial Analysis có công bố điểm số phụ về lập trình và tác nhân cho thế hệ 1.2 mà họ đã công bố cho 1.1 hay không. Hiệu suất tác nhân là hạng mục được công bố yếu nhất của 1.1 với cách biệt lớn. Đó chính xác là con số Meta tuyên bố đã khắc phục, và cũng chính xác là con số chưa ai bên ngoài Meta đo lường được.