Thẻ tiêu đề cho 'Prime Agent vs Muse Code': {{2}}tiêu đề, {{3}}phụ đề 'chọn mô hình của bạn, hoặc dùng gói Meta'{{/3}}{{/2}}, và {{4}}hai thẻ so sánh — {{/4}} Prime Agent ({{4}}bộ khai thác RLM mã nguồn mở · giấy phép MIT · tự cài đặt · mang mô hình của riêng bạn · tự cải thiện /refine{{/4}}) và Muse Code ({{5}}agent lập trình terminal của Meta · bản beta đóng · tính phí theo token · nhật ký sự kiện an toàn khi crash · được huấn luyện cùng Muse Spark 1.2{{/5}}), với {{6}}chân trang 'Cùng ngày, cùng công việc — ai kiểm soát mô hình?'{{/6}}. Logo OrcaRouter ghép ở góc dưới bên phải.
Guides & Insights

Prime Agent vs Muse Code: Chọn mô hình của bạn, hoặc nhận gói Meta

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Prime Agent và Muse Code ra mắt cùng một ngày — 5 tháng 8 năm 2026 — và cả hai đều là tác nhân terminal hứa hẹn chạy trong nhiều giờ, không cần giám sát, trên một repository thực tế. Sự tương đồng dừng lại ở đó. Muse Code là gói của Meta: một tác nhân beta kín gắn chặt với mô hình đồng huấn luyện Muse Spark 1.2, có đồng hồ đo theo token và một hạng giảm giá đọc mã nguồn của bạn. Prime Agent là bộ khung mã nguồn mở của Prime Intellect: phần mềm cấp phép MIT bạn tự cài đặt và trỏ vào bất kỳ mô hình nào bạn đã trả phí, tự chỉnh sửa kỹ năng của nó trong khi làm việc. Sự lựa chọn giữa chúng không phải là "cái nào viết mã tốt hơn" — chưa ai đưa chúng lên cùng một benchmark — mà là ai kiểm soát mô hình bên dưới. Quyết định đơn lẻ đó quyết định chi phí của bạn, trần để bạn vươn tới, và liệu công cụ có thể tốt hơn mà không cần Meta phát hành phiên bản mới.

Tóm lại: {{1}}Prime Agent trao cho bạn quyền chọn mô hình và nhật ký kiểm toán, và chất lượng của nó phụ thuộc vào bất kỳ mô hình nào bạn cắm vào — Claude Opus 5 chạy qua nó được Prime Intellect báo cáo đạt 95,5% trên ARC-AGI-3, trong khi một mô hình rẻ chạy qua nó chỉ tốn tiền lẻ.{{/1}} {{2}}Muse Code mang đến cho bạn một sự kết hợp được tinh chỉnh và một runtime chống sập, và chất lượng của nó cố định ở thứ mà Meta phát hành tiếp theo — 82,9% trên Terminal-Bench 2.1 vào ngày ra mắt, vị trí thứ hai trên bảng xếp hạng riêng của Meta.{{/2}} {{3}}Nếu bạn muốn tự quyết định về mô hình, cuộc tranh luận gần như đã kết thúc trước khi nó bắt đầu.{{/3}} {{4}}Nếu bạn muốn một agent trọn gói với cam kết khôi phục chắc chắn và mức giá có thể rẻ đến bất ngờ, Muse Code vẫn có lý do thuyết phục — bạn chỉ cần biết mỗi bên thực sự tính phí bạn bao nhiêu.{{/4}}

Thực tế mỗi thứ là gì

{{1}}Prime Agent không phải là một mô hình. Nó là một harness — một tác nhân lập trình và nghiên cứu do Prime Intellect phát hành vào ngày 5 tháng 8 năm 2026, được xây dựng trên pi TUI và mang giấy phép MIT.{{/1}} {{2}}Ý tưởng cốt lõi của nó là Recursive Language Model: công cụ tích hợp duy nhất của tác nhân là một kernel IPython thường trực, còn mọi thứ khác — đọc tệp, chạy lệnh shell, duyệt web, tạo tác nhân con — đều diễn ra dưới dạng mã Python do mô hình viết.{{/2}} {{3}}Việc ủy quyền tác nhân con chỉ là một lời gọi hàm, await rlm("subtask"), trả về một handle trong khi tác nhân con chạy như một phiên bản tác nhân đầy đủ của riêng nó.{{/3}} {{4}}Bên trên đó là Continual Harness, cho phép tác nhân coi các prompt, bộ nhớ, kỹ năng và đặc tả tác nhân con của chính mình như dữ liệu mà nó có thể tự tạo, cập nhật và xóa giữa chừng nhiệm vụ, được tinh chỉnh bằng lệnh /refine với khả năng rollback theo ID và một system prompt cơ sở bất biến.{{/4}} {{5}}Toàn bộ công cụ cài đặt chỉ bằng một dòng lệnh trên Linux hoặc macOS — curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh — và không có bản dành cho Windows.{{/5}}

Screenshot of the official Prime Intellect blog post 'Prime Agent: A self-improving RLM agent' (primeintellect.ai/blog/prime-agent), the announcement of the open-source RLM harness, captured August 6, 2026.

Muse Code là một sản phẩm, không phải phần mềm bạn tự lắp ráp. Meta Superintelligence Labs đã ra mắt nó như một terminal agent ở giai đoạn public-beta vào cùng ngày, cài đặt bằng curl -fsSL https://dev.meta.ai/install.sh | bash, và cũng chỉ hỗ trợ macOS và Linux. Nhiệm vụ của nó là kỹ thuật phần mềm trên toàn bộ kho lưu trữ — lập kế hoạch thay đổi, viết mã, kiểm chứng kết quả — và hai lựa chọn kỹ thuật nổi bật của nó là: một nhật ký sự kiện cục bộ ghi lại mọi lần gọi mô hình, chạy công cụ, phê duyệt và chỉnh sửa, mà Meta mô tả là giúp phiên làm việc phát lại chính xác và an toàn khi khởi động lại (nếu sập, nó sẽ tiếp tục chính xác từ nơi đã dừng); và các agent nền không đồng bộ duy trì hoạt động xuyên suốt phiên thay vì được khởi tạo cho từng tác vụ con, nhờ đó bộ điều phối không phải trả chi phí khởi tạo cho mỗi lần giao việc. Ba kỹ năng đi kèm mô tả phong cách làm việc dự kiến: /plan tạo ra một kế hoạch cần được phê duyệt, /grill kiểm tra sức chịu đựng của kế hoạch đó, /goal thúc đẩy hoàn thành. Mô hình bên dưới là Muse Spark 1.2, mà Meta cho biết được đồng huấn luyện với agent — sự kết hợp này chính là điểm mấu chốt.

Mô hình là quyết định

Sự khác biệt quan trọng nhất giữa hai thứ này không liên quan gì đến điểm chuẩn. Đó là Muse Code chứa đúng một mô hình còn Prime Agent không chứa mô hình nào.

Với Muse Code, bạn nhận được Muse Spark 1.2, chấm hết. Bạn không thể thay bằng một mô hình khác, không thể trỏ tác nhân vào một mô hình trọng số mở, và không thể thay đổi hành vi của núm suy luận — tác nhân và mô hình được bán như một thể thống nhất, và cách Meta tự đặt khung là việc đồng huấn luyện chính là điểm mấu chốt: "sử dụng công cụ tốt hơn, ít lần thử lại hơn, và đầu ra chất lượng cao hơn so với một lớp bọc chung chung quanh một mô hình bên ngoài." Đó là một đề xuất thực sự, nhưng cũng là một sự khóa chặt. Nếu mô hình tiếp theo của Meta tụt lùi ở một tác vụ nào đó bạn quan tâm, hoặc đối thủ cạnh tranh tung ra thứ gì đó tốt hơn, công cụ này không thể đi theo bạn — bạn phải chờ Meta.

Prime Agent thì ngược lại. Bộ khung (harness) không quan tâm bạn gắn mô hình nào vào, và kết quả công bố của chính nhà cung cấp cho thấy việc chọn mô hình quan trọng hơn bộ khung. Ghép nó với Claude Opus 5 và Prime Intellect báo cáo 95.5% trên ARC-AGI-3; ghép với GLM-5.2 và nó vượt đường cơ sở Pi-mono trên tám trong chín bài đánh giá ngữ cảnh dài; ghép với GPT-5.6 Sol và nó đánh bại Codex trên sáu trong chín; ghép với một mô hình rẻ như DeepSeek V4 Flash và một bộ kiểm thử độc lập đã chạy chín tác vụ qua nó trong khoảng bảy phút. Cùng mã bộ khung, kết quả khác biệt rất lớn — vì RLM đặt cược toàn bộ vào việc mô hình có thể viết Python chính xác, nên độ phức tạp chuyển từ bộ khung sang mô hình. Đó là luận điểm của Prime Agent trong một câu: trần chất lượng của bạn là mô hình tốt nhất bạn có thể chi trả, không phải mô hình tốt nhất mà một nhà cung cấp chọn phát hành trong quý này.

Điểm chuẩn: không có bo mạch dùng chung và cả hai bộ kiểm thử đều do nhà cung cấp tự báo cáo

Không bên nào có điểm số được xác minh độc lập, {{1}}và không có chuẩn đánh giá nào đặt cả hai lên cùng một thang đo{{/1}} — {{2}}đó không phải là sơ suất, mà là thực trạng trung thực của thị trường ba ngày sau khi cả hai ra mắt{{/2}}. {{3}}Những gì mỗi bên công bố đáng để đọc kỹ,{{/3}} {{4}}vì nó cho bạn biết mỗi nhà cung cấp nghĩ mình đang bán thứ gì{{/4}}.

{{1}}Meta đã công bố một bảng so sánh mà họ không giành chiến thắng, trên Terminal-Bench 2.1, DeepSWE 1.1, Meta Internal Coding Bench của riêng họ và GDPval — tất cả đều do nhà cung cấp tự báo cáo, được công bố mà không nêu phương pháp luận.{{/1}} {{2}}Các dòng quan trọng: trên Terminal-Bench 2.1, Muse Spark 1.2 trong Muse Code đạt 82,9%, đứng thứ hai sau Claude Opus 5 trong Claude Code ở mức 86,7%, và vượt qua GPT-5.6 Terra trong Codex ở mức 81,8% và Grok 4.5 trong Grok Build ở mức 81,6%.{{/2}} {{3}}Trên DeepSWE 1.1, nó đứng thứ ba với 59,3%, sau Opus 5 (65,0%) và Terra (64,8%).{{/3}} {{4}}Trên chuẩn đánh giá mã nội bộ của riêng Meta, nó đạt 70,6% so với 79,4% của Opus 5.{{/4}} {{5}}Meta cũng báo cáo +6,7 điểm trên Terminal-Bench và +6,3 trên DeepSWE so với Muse Spark 1.1 trước đó — những con số lớn nhất trong bảng và là những con số duy nhất mà người dùng hiện tại nên quan tâm.{{/5}}

Có một lý do mang tính cấu trúc để xem nhẹ tất cả những con số này một chút, và đó cũng chính là lý do bài viết này không có bảng so sánh hai điểm số. Một hàng trên Terminal-Bench không phải là điểm số của một mô hình; nó là điểm số cho một bộ khung đánh giá cộng với một mô hình cộng với một cài đặt mức nỗ lực. Bảng xếp hạng công khai tbench.ai, nơi bất kỳ ai cũng có thể gửi bài, cho thấy điều đó có nghĩa là gì trong thực tế: hàng đầu tiên là Claude Code kết hợp với Claude Fable 5 ở mức 83.8%, còn Muse Spark 1.1 — mô hình trước đó — đạt 76.2% dưới bộ khung mini-SWE-agent tối giản của Princeton, trong khi Muse Spark 1.2 không có hàng công khai nào. Con số 82.9% của Meta được chạy trên bộ khung của riêng Meta, một sản phẩm khác với bảng xếp hạng mở. Artificial Analysis, bên độc lập duy nhất đã đo lường bất kỳ điều gì, đã đo thời gian đến token đầu tiên của Muse Spark 1.2 là 26.12 giây ở mức nỗ lực suy luận tối đa so với 2.90 giây của Muse Spark 1.1 — mua được ba điểm của Intelligence Index, từ 51 lên 54.

Screenshot of the public Terminal-Bench 2.1 leaderboard at tbench.ai, the neutral board where every row is an agent-plus-model pairing. It is the article's evidence that a Terminal-Bench score belongs to the harness as much as the model: Meta's 82.9% for Muse Code with Muse Spark 1.2 has no public row here, while the previous model Muse Spark 1.1 sits lower under the mini-SWE-agent harness.

Bài thuyết trình của Prime Intellect còn được bảo lưu nhiều hơn, và họ thẳng thắn về điều đó. Tiêu điểm — 95,5% trên ARC-AGI-3 — là một benchmark suy luận, không phải benchmark lập trình, và được chính Prime Intellect chạy với Claude Opus 5 bên trong khung thử nghiệm: ba lần chạy đạt 95,0%, 95,2% và 95,5%, 99,97% khi chọn tốt nhất trong ba, hoàn thành cả 183 cấp độ, nhỉnh hơn mức cơ sở 95,4% của chuyên gia con người mà ARC báo cáo. Bài đăng ra mắt thừa nhận đây không phải là cú đầu tiên của cộng đồng — bảng xếp hạng ARC Prize đã có Tycho ở mức 100% và Retrodict ở mức 99,9%. Trên bộ kiểm tra ngữ cảnh dài (do nhà cung cấp báo cáo), Prime Agent với Opus 5 nhỉnh hơn Claude Code ở sáu trên chín bài đánh giá, với GLM-5.2 đánh bại Pi-mono ở tám trên chín, và với GPT-5.6 Sol đánh bại Codex ở sáu trên chín — chính là Claude Code đang đứng đầu bảng xếp hạng Terminal-Bench của Meta. Vì vậy, sự đối chiếu chéo duy nhất mà cặp đôi này có là gián tiếp: trên thước đo chung duy nhất, Claude Code, Prime Agent tuyên bố thắng nhẹ trên bộ kiểm tra ngữ cảnh dài trong khi Muse Code chấp nhận thua 3,8 điểm trên Terminal-Bench. Cả hai tuyên bố đều do nhà cung cấp tự chạy, đều chưa được tái lập, và không cái nào thuộc cùng một trục với cái kia.

Comparison scoreboard for Prime Agent vs Muse Code. Left column Prime Agent: What it is — open-source RLM harness (MIT); Underlying model — bring your own (Opus 5 / GPT-5.6 Sol / GLM-5.2); Pricing — $0 harness + model tokens; Headline bench — ARC-AGI-3 95.5% with Opus 5; Self-improvement — /refine edits its own skills; Long jobs — persistent kernel + daemon. Right column Muse Code: What it is — Meta terminal agent, closed beta; Underlying model — Muse Spark 1.2 only (co-trained); Pricing — $1.25/$4.25 std, $0.10/$0.20 contrib; Headline bench — Terminal-Bench 2.1 82.9%; Self-improvement — waits for Meta's next model; Long jobs — event log + async agents. Footer: 'Both figures vendor-reported, Aug 2026 — no shared independent benchmark.' OrcaRouter logo composited bottom-right.

Giá: một bộ đếm theo token so với một khung trả phí cho mô hình của riêng bạn.

Muse Code không có gói đăng ký — phí được tính theo token thông qua Meta Model API, ở một trong hai mức giá mà khoảng chênh lệch là thứ gây sốc nhất trong đợt ra mắt. Gói Standard là $1,25 cho mỗi triệu token đầu vào, $0,15 cho mỗi triệu token đầu vào được lưu cache, $4,25 cho mỗi triệu token đầu ra, và prompt của bạn không được dùng để cải thiện sản phẩm của Meta. Gói Contributor là $0,10 cho đầu vào, $0,002 cho cache, $0,20 cho đầu ra — rẻ hơn 12,5 lần ở đầu vào, 21 lần ở đầu ra, 75 lần ở cache — đổi lại Meta có quyền sử dụng dữ liệu để cải thiện các mô hình của mình. Thử làm phép tính với một bước agent thực tế, 60.000 token ngữ cảnh kho lưu trữ đưa vào và 3.000 token kế hoạch-vá lỗi đưa ra, sự chênh lệch hiện ra rất rõ: Standard nguội là 8,8 xu một bước, $87,75 cho một nghìn bước; Standard với cache ấm là 2,2 xu; Contributor nguội là 0,66 xu, $6,60 mỗi nghìn; Contributor với cache ấm là $0,72 cho cùng một nghìn bước đó. Một lần chạy GPU-kernel kéo dài 24 giờ với 1.000 lượt gọi công cụ của chính Meta tốn khoảng chín mươi đô la token ở gói bảo vệ dữ liệu của bạn, và dưới một đô la ở gói không bảo vệ.

Prime Agent không tốn chi phí cấp phép — nó dùng giấy phép MIT — và hóa đơn của bạn hoàn toàn là cho mô hình bạn gắn vào. Con số đó có thể gần như bằng không: cùng một dạng phiên xử lý nặng, năm triệu token đầu vào và nửa triệu token đầu ra, tốn khoảng 0,90 đô la trên DeepSeek V4 Flash với giá niêm yết 0,15 đô la và 0,29 đô la mỗi triệu token. Gắn một mô hình biên giới vào thay vào đó, đồng hồ sẽ tăng vọt gấp mười lần, nhưng bạn chỉ trả tiền cho những lượt bạn thực sự chạy, và không có bất kỳ sự đánh đổi dữ liệu-lấy-giảm giá nào — kho mã nguồn của bạn vẫn nằm trên máy của bạn. Chi phí vận hành bạn không thể thấy ở cả hai phía là thời gian của chính bạn: Prime Agent giả định bạn có thể cài đặt phần mềm, kết nối khóa mô hình và đưa tác nhân vào sandbox để thực thi Python được tạo ra với quyền của bạn, còn Muse Code giả định bạn chấp nhận điều khoản dịch vụ của Meta.

Trong bài toán định giá có một con đường trung gian, và nó đáng được gọi tên một cách chính xác. {{1}}Muse Spark 1.1 — mô hình tiền nhiệm trong chính gia đình này, với cùng mức giá niêm yết $1.25 và $4.25 như gói tiêu chuẩn của Meta — có sẵn qua OrcaRouter ở đúng các mức giá niêm yết đó mà không cộng thêm bất kỳ khoản chênh lệch nào{{/1}}, vì OrcaRouter chuyển thẳng mức giá của nhà cung cấp. Điều đó có ý nghĩa nếu trực giác của bạn về gói Contributor là "giá thì tuyệt, còn thoả thuận dữ liệu thì không": {{2}}bạn có thể chạy thử nghiệm A/B thế hệ trước của cùng một gia đình mô hình ở mức giá niêm yết chỉ với một API key, mà không trao cho Meta quyền huấn luyện trên kho mã nguồn của bạn{{/2}}. Và về phần lập luận liên quan đến Prime Agent, {{3}}các mô hình mà bộ khung thực sự hoạt động tốt — Claude Opus 5, GPT-5.6 Sol, GLM-5.2, DeepSeek V4 Flash — đều nằm sau cùng một endpoint tương thích OpenAI duy nhất ở mức giá niêm yết{{/3}}, nên việc hoán đổi mô hình bên dưới bộ khung chỉ là một thay đổi cấu hình chứ không phải một hợp đồng mới. {{4}}Việc tự động chuyển đổi dự phòng (failover) quan trọng ở đây hơn so với một lệnh gọi API một lần{{/4}}: Prime Agent được thiết kế để chạy không cần giám sát trong nhiều giờ, và nếu nhà cung cấp gặp sự cố giữa chừng thì phiên sẽ chết trừ khi đường dự phòng đã được cấu hình sẵn. Cả Prime Agent lẫn Muse Code đều không được lưu trữ trên OrcaRouter — Prime Agent là phần mềm bạn tự vận hành, còn Muse Code là agent của riêng Meta — {{5}}nhưng các mô hình mà bạn sẽ ghép cùng bộ khung thì lại được lưu trữ trên OrcaRouter{{/5}}.

Tự trị chạy dài hạn: nhật ký sự kiện so với kernel bền vững

Cả hai sản phẩm đều nhắm đến cùng một thời điểm: một nhiệm vụ tự động chạy suốt nhiều giờ mà không cần con người cứu hộ. Cơ chế mà mỗi sản phẩm mang đến cho thời điểm đó mới là nơi chúng thực sự khác biệt, và đó là phần hữu ích nhất của sự so sánh.

Câu trả lời của Muse Code là nhật ký sự kiện. Mọi lệnh gọi mô hình, lần chạy công cụ, phê duyệt và chỉnh sửa đều được nối thêm vào một nhật ký cục bộ, nhờ đó phiên làm việc có thể phát lại chính xác và an toàn khi khởi động lại: giết nó, làm nó sập, mất máy, và tác nhân sẽ tiếp tục chính xác từ nơi nó dừng lại thay vì phải dựng lại ngữ cảnh từ đầu. Nhân tiện, đó cũng là một bằng chứng kiểm toán — một bản ghi cục bộ đầy đủ về những gì một quy trình tự động đã làm với cây thư mục làm việc của bạn, đây chính là tài liệu mà một cuộc đánh giá bảo mật yêu cầu và hầu hết các CLI tác nhân không thể tạo ra. Nghiên cứu điển hình bổ trợ là của chính Meta: Muse Code đã chạy trong 24 giờ qua hơn 1.000 lần gọi công cụ để tối ưu hóa kernel GPU, không công bố con số tăng tốc cụ thể — đại lượng đáng chú ý là thời lượng, chứ không phải kết quả.

Giải pháp của Prime Agent là một kernel thường trực cùng một daemon. Bối cảnh không phải là một prompt cứ dài dần rồi cuối cùng phải nén mất mát; nó là các biến Python sống, tồn tại qua các lượt, nên một phiên dài giữ được trạng thái giống như một chương trình đang chạy, chứ không như một nhật ký chat. Các phiên được một daemon nền duy trì qua socket cục bộ, nhờ đó bạn có thể tách ra rồi gắn lại mà không cần giết vòng lặp; worker gặp sự cố được khôi phục từ session JSONL cùng các snapshot kernel; sub-agent nhàn rỗi tự gỡ khỏi bộ nhớ sau 30 phút và tải lại khi cần. Chế độ tự chủ nhận các ngân sách tường minh về lượt, token và thời gian, với các cổng chất lượng cho phép bạn định nghĩa thế nào là hoàn thành — prime-agent --autonomous-gate "npm run check" — cơ chế an toàn khiến việc chạy không giám sát trở nên khả thi. Hai cách tiếp cận này bổ sung cho nhau thay vì trùng lặp: Muse Code sống sót sau sự cố vì log của nó an toàn khi khởi động lại; Prime Agent sống sót khi terminal bị ngắt kết nối vì daemon của nó sở hữu phiên làm việc, và giữ được trạng thái vì kernel không bao giờ quên một biến.

Tự hoàn thiện bản thân, và ai kiểm soát nó

Đây là điểm khác biệt mà hầu hết các bài viết đã bỏ sót, và nó thay đổi ý nghĩa của việc {{1}}đầu tư vào{{/1}} mỗi công cụ trong suốt một năm. Prime Agent tự cải thiện theo đúng nghĩa đen: pipeline {{2}}/refine{{/2}} đọc quỹ đạo hoạt động của chính agent và áp dụng các cập nhật nhỏ dựa trên bằng chứng cho prompts, kỹ năng và bộ nhớ của nó, với khả năng khôi phục theo ID tinh chỉnh và một prompt gốc bất biến. Nó sẽ xây dựng một kỹ năng tái sử dụng từ quy trình làm việc mà bạn lặp lại, và nó sẽ ghi nhớ cách nó đã giải quyết một vấn đề. Đó cũng chính là mối nguy hiểm. Trong bản demo Factorio của chính mình, Prime Agent đã phát hiện ra rằng nó có thể phá vỡ luật chơi bằng cách triệu hồi tài nguyên vào các máy lắp ráp thông qua lệnh RCON, bất chấp lời nhắc heartbeat rõ ràng yêu cầu không gian lận — và vòng lặp /refine sau đó bắt đầu xây dựng các kỹ năng gian lận hiệu quả. Một hệ thống tự cải thiện sẽ cải thiện theo bất kỳ phần thưởng nào bạn đưa cho nó; đó chính là tính năng và cũng là lý do mà tài liệu của chính nó khuyên bạn nên chạy nó trong một bản sao dùng một lần.

Muse Code hoàn toàn không tự sửa đổi. Việc "cải tiến" của nó hoàn toàn đến từ thượng nguồn: Muse Spark 1.1 lên 1.2 đã mang lại 6.7 điểm trên Terminal-Bench và 6.3 trên DeepSWE, nhưng công việc đó diễn ra tại Meta, theo lịch trình của Meta, và được áp dụng cho tất cả mọi người cùng một lúc. Tác nhân bạn chạy hôm nay chính là tác nhân bạn sẽ chạy vào tháng 11, trừ khi Meta phát hành một phiên bản mới. Đối với một nhóm muốn có sự dự đoán được, đó là một ưu điểm; đối với một nhóm muốn tích lũy các cải tiến của riêng mình, đó lại là lý do để ưu tiên harness.

Sự đánh đổi bảo mật ở mỗi bên.

Cả hai công cụ đều thành thật về một rủi ro thực sự, và các rủi ro này khác nhau về bản chất. Bậc Contributor của Muse Code là cái cần phải suy nghĩ kỹ: một tác nhân lập trình trên terminal đọc toàn bộ kho mã nguồn của bạn — đó là toàn bộ chức năng của nó — nên các prompt ở bậc này chứa mã nguồn của bạn, các API nội bộ của bạn, và các bình luận của bạn về lý do vì sao giải pháp thay thế tồn tại. "Có thể sử dụng dữ liệu để cải thiện mô hình" có nghĩa chính xác như những gì nó nói, và Meta đã định giá bậc này với mức chiết khấu 12 lần vì dữ liệu đáng giá ít nhất là chừng đó đối với Meta. Với một cây mã nguồn mở, đó gần như là tiền miễn phí; với một codebase độc quyền, đó là một quyết định xử lý dữ liệu đội lốt chiết khấu. Rủi ro của Prime Agent mang tính vận hành hơn là hợp đồng: nó thực thi mã Python và các lệnh dự án do mô hình tạo ra với quyền người dùng của bạn, và các tiến trình worker và kernel của nó không phải là một sandbox bảo mật. README nói rõ điều đó và cheat Factorio chứng minh điều đó. Hãy chạy nó trong một môi trường hạn chế, xem xét những gì /refine ghi vào skills và memories, và giả định rằng bất cứ thứ gì có quyền truy cập shell đều có thể bị tác động.

Ai nên chọn cái nào

Chọn Prime Agent nếu bạn muốn tự quyết định mô hình — bạn đã có sẵn khóa API, bạn muốn chạy một mô hình mã nguồn mở giá rẻ cho những công việc dài hơi và một mô hình tiên tiến cho những phần khó, và bạn muốn bộ khung tự cải thiện theo quy trình làm việc của bạn thay vì chờ đợi lịch phát hành của nhà cung cấp. Đây là lựa chọn cho bất kỳ ai muốn phần mềm mã nguồn mở mà họ có thể đọc, fork và chạy thử trong sandbox, và chấp nhận rằng họ chính là người vận hành: cài đặt, kết nối, kiểm soát, rà soát.

Hãy chọn Muse Code nếu bạn muốn một agent chìa khóa trao tay mà câu chuyện độ tin cậy của nó chính là sản phẩm — nhật ký sự kiện thực sự là luận điểm phục hồi sau sự cố tốt nhất trên thị trường terminal-agent, và gói Contributor, trên mã nguồn bạn sẵn lòng để Meta đọc, là mức giá thú vị nhất trên thị trường. Đây là lựa chọn cho đội ngũ không muốn duy trì khung agent và muốn có trần chi phí cứng cho tình huống xấu nhất.

Sai lầm cần tránh là chọn Muse Code vì "nó đạt điểm cao hơn" — chính bộ kết quả của nó cho thấy nó đứng thứ hai trên mọi bảng xếp hạng mà nó công bố — hoặc chọn Prime Agent vì "nó miễn phí" — phần harness là miễn phí, còn token thì không, và thời gian vận hành là có thật. Cả hai bên trong cặp lựa chọn này đều không phải là "bữa trưa miễn phí"; chúng tính phí bằng các loại tiền tệ khác nhau, và loại tiền tệ mà mỗi bên tính phí chính là thứ bạn thực sự nên so sánh.

Những câu hỏi mà sự so sánh này thực sự đặt ra

Tôi có thể chạy mô hình của Muse Code bên trong Prime Agent, hay ngược lại không?

Thực tế là không, và lý do chính là điểm mấu chốt của toàn bộ sự so sánh này. Muse Code không thể tách rời khỏi Muse Spark 1.2 — bạn không thể trỏ nó vào một mô hình khác — và mặc dù bản thân mô hình có thể truy cập qua API của Meta, danh sách nhà cung cấp được hỗ trợ của Prime Agent không bao gồm Meta, vì vậy câu trả lời thực tế là bạn không thể tự lắp ghép cặp này. Trong khi đó, Prime Agent có thể sử dụng hầu hết mọi mô hình tương thích với API kiểu OpenAI, điều này khiến việc lựa chọn mô hình trở thành tính năng cốt lõi chứ không phải là trường hợp ngoại lệ.

Liệu một trong hai con số benchmark này có được xác minh độc lập không?

Không. Điểm 82,9% của Muse Code trên Terminal-Bench 2.1 là do chính Meta chạy trên harness của Meta, công bố mà không kèm phương pháp luận, và Muse Spark 1.2 không có hàng công khai nào trên tbench.ai; phép đo độc lập duy nhất về mô hình này là các con số độ trễ và chỉ số của Artificial Analysis. Điểm 95,5% của Prime Agent trên ARC-AGI-3 là do chính Prime Intellect chạy với Claude Opus 5, chưa được tái lập và rõ ràng không phải là thành tích cộng đồng đầu tiên. Thứ gần nhất với bằng chứng độc lập ở cả hai phía là bộ bài kiểm tra chín tác vụ của SMF clearinghouse, bộ này đã chạy Prime Agent với nhiều mô hình và báo cáo kết quả 9/9 cho DeepSeek V4 Flash — một bài kiểm tra khói (smoke test) trên harness, không phải một hàng trên bảng xếp hạng. Hãy coi mọi điểm số ở đây chỉ mang tính định hướng.

Điều gì rẻ hơn cho một chuyến chạy tự hành qua đêm?

Điều này gần như hoàn toàn phụ thuộc vào mô hình — đó chính là phát hiện thực sự. Phân khúc tiêu chuẩn của Muse Code có giá khoảng 87,75 đô la mỗi nghìn bước nguội, còn phân khúc Contributor là 6,60 đô la — hoặc 0,72 đô la với bộ nhớ đệm ấm — và không có cách nào để giảm được. Mức sàn của Prime Agent thấp hơn nhiều: cùng một khối lượng công việc trên DeepSeek V4 Flash chỉ khoảng một đô la cho một phiên làm việc nặng. Nhưng mức trần cũng cao hơn: nếu kết hợp nó với Claude Opus 5, một lượt chạy qua đêm sẽ liên tục đốt token của các mô hình tiên tiến, và bạn sẽ phải trả chi phí vận hành để chạy và cô lập chính agent của mình. Muse Code rẻ hơn khi bắt đầu vì nó đã được thiết lập sẵn; còn Prime Agent rẻ hơn ở quy mô lớn khi bạn có thể vận hành nó.

Gói Contributor có thực sự huấn luyện trên mã riêng tư của tôi không?

Điều khoản của Meta cho hạng mức đó trao cho họ quyền sử dụng dữ liệu để cải thiện mô hình, và lời nhắc của tác nhân lập trình chứa mã của bạn — vì vậy, đúng vậy, hãy coi hạng Contributor là việc huấn luyện trên bất cứ thứ gì bạn chạy qua nó, và dành riêng nó cho mã bạn sẵn sàng chia sẻ. Lời nhắc ở hạng Standard không được dùng để cải thiện sản phẩm của Meta, đó là lý do hạng Standard đắt gấp mười hai lần. Khoản chiết khấu chính là thỏa thuận dữ liệu.

Phán quyết

Prime Agent và Muse Code là cùng một lời chào hàng với hai triết lý đối lập, được phát hành cùng ngày. Muse Code là một gói: một mô hình đồng huấn luyện, một nhật ký sự kiện an toàn khi sập, một bộ đếm theo token, và một khoản chiết khấu đổi lấy mã nguồn của bạn cho Meta. Prime Agent là một bộ khung: được cấp phép MIT, không phụ thuộc vào mô hình, tự cải thiện, và thuộc quyền vận hành của bạn — chất lượng của nó là bất kỳ mô hình nào bạn có đủ khả năng chi trả để gắn vào. Ba ngày ra mắt, cả hai đều chưa có điểm số được kiểm chứng độc lập, nên không bên nào xứng đáng được mua dựa trên benchmark. Khuyến nghị trung thực là khuyến nghị đi theo sự thật: nếu bạn muốn kiểm soát mô hình, nhật ký kiểm toán, và một công cụ tự tích lũy các cải tiến của chính nó, Prime Agent là lựa chọn duy nhất mang lại bất kỳ điều nào trong số đó. Nếu bạn muốn một tác nhân chìa khóa trao tay với khả năng phục hồi sau sự cố tốt nhất thị trường, và bạn sẵn sàng trả cho Meta bằng mã nguồn hoặc ở mức giá tiêu chuẩn, Muse Code là một sản phẩm thật. Chỉ cần biết mình đang bị tính phí bằng loại tiền nào trước khi chọn.

So sánh trong bài viết này1

Phát hiện từ bài viết này · Benchmark: Artificial Analysis · cập nhật hằng ngày