Muse Spark 1.2 对比 Muse Spark 1.1：你该升级吗？

Meta 于 Muse Spark 1.1 替换为 Muse Spark 1.2，2026年8月5日，且未改变价格、上下文窗口、模态列表、支持的参数或推理档位。因此，这次迁移看起来是免费的——相同的模型字符串家族、相同的计费方式，无需重新谈判。但并非免费。独立测量显示，新版本的首令牌时间为26.12秒，而旧版本为2.90秒；持续输出为每秒165个令牌，而旧版本为213.5个。你买到了三个实测智能点数，却要等大约九倍的时间才能收到任何返回内容。

这件事是否值得做，几乎完全取决于你的任务运行时长。以下是实际不同的地方、保持不变的地方，以及还没有人能告诉你的内容。

四行内的决定

• 智能指数：51 → 54，该数据由 Artificial Analysis 在各版本的 xhigh 设置下独立测量得出。

• 首个 token 生成时间：2.90s → 26.12s，相同来源，相同条件。

• 运行相同基准测试套件的成本：$548.07 → $637.85，按相同的token单价计费。额外的16%纯粹是浪费token。

• 采购表格所询问的一切内容：保持不变。

什么才是真正相同的

这一点值得详细说明，因为它正是迁移在纸面上看似轻而易举的原因，也因为一个不存在的差异正是你无需测试的差异。

• 价格 — 每百万输入 tokens 1.25 美元，每百万输出 4.25 美元，缓存命中时每百万 0.15 美元，每千次内置网络搜索 2.50 美元。这些数字在两个版本上都是一样的。

• 上下文 — 两者均支持 1,048,576 个 token，且均无长上下文额外收费。

• 模态 — 文本、图像、视频、音频和PDF输入；文本输出。两个列表都宣称支持相同的五种输入类型。

• 推理旋钮 — 两者均强制要求，五个级别（最低、低、中、高、最高），两者默认均为中。两个版本都没有关闭思考的设置。

• 参数 — tools、tool_choice、structured_outputs、response_format、reasoning_effort、include_reasoning、max_tokens、temperature、top_p、top_k、repetition_penalty。列表完全相同。

• 服务——两边均为同一提供商 Meta 本身。没有第三方主机，没有量化变体。

• 混合价格——Artificial Analysis 按综合加权计算，两者均为每百万个 token 0.78 美元，鉴于费率卡完全相同，这一结果符合预期。

如果你原本指望这次升级会带来更大的上下文窗口、完成长度保障，或者更便宜的缓存，那么并没有。这只是一次权重和后训练层面的发布，价格表是从上一版直接复制粘贴过来的。

到底是什么移动了

Artificial Analysis 目前是唯一对这两个版本都进行了评估的独立机构，而且对两者进行评估时均采用了最高推理强度，因此这一比较是同类对等的。

• 智能指数 — 从 1.1 的 51 分（185 个中排名第 22）到 1.2 的 54 分（排名第 13）。在同类中位数为 32 的榜单上提升了 9 个名次，因此这一提升带来的是实际排位，而不只是一个小数变化。

• 首个token生成时间—— 从2.90秒到26.12秒。这是首要的性能回退，而且幅度不小。

• 输出速度 — 每秒 213.5 至 165.0 个 token。在 185 个模型中仍排名第 16，仍被 Artificial Analysis 描述为“显著快速”，但比它所取代的模型慢 23%。

• 冗长度 — 完成索引需要 94M 个输出 token，而 95M 个。实际上没有变化，两者均比 65M 中位数高约 45%。

• 评估总支出 — 548.07美元至637.85美元。由于冗长程度几乎没有变化，价格也完全没有变动，这16%的增长来自可见输出之外的其他地方：更长的内部推理轨迹、更多的重试，或每个任务更多的工具调用轮次。

这个模式是连贯的。Meta并没有让模型变得更便宜、更快或更大。它只是让模型在最终确定答案之前花更长时间斟酌，而这种额外的斟酌表现为延迟增加、流式输出略微变慢，以及相同工作量下高出16%的账单。而这一切所换来的，只有三个指数点。

延迟到底有多糟糕

26.12秒这个数字会被断章取义地引用，所以请正确看待：它是在xhigh（五个努力级别中费用最高的一个）下，用一套特意设计得很难的基准测试套件测得的。API默认值为medium。

为了了解默认设置的实际体验，OrcaRouter 上的 Muse Spark 1.1——以用户请求的任何努力水平服务真实调用者——显示了一个 p50 首 token 时间为 1.84 秒，p95 为 6.00 秒，这是滚动一周内的数据。这是生产环境努力水平下的生产数据，比基准数字低了一个数量级以上。版本 1.2 还没有生产遥测数据。

所以，诚实的解读不是“1.2 用 26 秒来响应。”而是：在 1.2 赢得其额外三分的设置下，第一个 token 要花费你 26 秒，而在同一设置下，旧模型只花费你三秒。如果你本来就在以 xhigh 运行——这正是智能提升存在的配置——那么你继承的就是这个数字。如果你在 medium 或更低档位运行，你会看到短得多的时间，同时也会看到改进也少一些。

这种耦合才是这次升级中真正的陷阱。你无法只拿走智慧而不要深思，因为智慧正是源于深思。

数字背后的重新定位

Meta 没有为 1.2 发布启动文章——Muse Spark 的公告页面仍描述 1.1——但它重写了产品描述，而这次重写解释了其中的取舍。

Muse Spark 1.1 作为一款多模态推理模型推出，输入面异常广泛，旨在支持"多模态智能体、跨混合媒体的深度研究和长上下文分析"：长报告、媒体库、录音和视频，以及文本。

Muse Spark 1.2 的描述几乎完全摒弃了这些内容，转而强调软件工程——多文件重构、扩展调试会话、整个代码库生成——并且增加了一个明确的多智能体声明：该模型既可以充当主智能体，负责收集上下文、制定计划并委派任务，也可以充当在其下方并行执行的子智能体。它还声称，提示缓存可将有效成本降低60–80%，具体取决于调用之间上下文重复的程度。最后那个数字是Meta的估计，而非实测结果，不过0.15美元的缓存费率使其在计算上可信。

将延迟回归与那次重新定位对照来看，这就不像是一个错误。没有谁会为了重构十几个文件而在意26秒的规划时间。Meta选择了一个客户，但并不是1.1当初售出的那个客户。

1.1 仍具备 1.2 所没有的

四个星期的存在时间不足以积累可查证的成绩记录，而且在三个具体方面，旧型号目前是文档记载更完善的产品。

• 一项竞技场记录。Muse Spark 1.1 在设计竞技场拥有丰富的历史：游戏开发领域以 1334 Elo 位列第 5，UI 组件以 1334 位列第 7，ASCII 艺术以 1320 位列第 3，数据可视化 1318，通用代码类别 1309；此外还有完整的智能体竞技场阶梯，涵盖 Web 应用、HTML 幻灯片和 Godot 游戏开发。Muse Spark 1.2 则完全没有条目。在 Meta 目前最着力营销的维度上，新模型没有任何正面对比数据。

• 分项指数得分。Artificial Analysis 发布了1.1的编码指数为71.3，智能体指数为37.5。1.2没有对应的已发布数据。由于智能体得分是1.1最弱的维度，且差距明显，而智能体能力恰恰是1.2声称要改进的方面，因此这个数字本可一锤定音地解决是否升级的问题——但它目前尚不存在。

• 生产环境遥测。 1.1 已有一周的真实 p50 和 p95 延迟数据，以及 OrcaRouter 上 4.4M token 的实时流量。1.2 两者都没有；由于流量过低而无法采样，其端点目前完全没有报告延迟或吞吐量统计。

• 除 Meta 之外的租赁渠道。Muse Spark 1.1 已列入 OrcaRouter 目录，价格分别为 $1.25 和 $4.25 —— 即 Meta 自己的标价，以 0% 加价直接传递。Muse Spark 1.2 尚未列入目录，因此目前只能通过单一提供商直接集成 Meta，且没有故障转移路径。

这些都不意味着1.2更差。它意味着支持1.2的证据来自单一评估者的一项综合评分，而支持1.1的证据则是一个月的竞技场数据、子指数和实际流量。这种不对称性应该影响你如何分阶段进行迁移，而不应影响你是否尝试迁移。

一份真正简短的迁移清单

由于费率卡和参数面完全相同，因此交换只是模型字符串变更。工作重点在于验证确实发生变动的三个方面。

• 按照你自己的努力设置，测量你自己的首个 token 生成时间。不要接受 2.90 秒或 26.12 秒这两个数字。以任何 reasoning_effort（即你实际传入的值）运行你的真实提示词，并直接比较。这是唯一能直接终结迁移的数字。

• 检查你的超时和流式配置。在高强度下，首令牌延迟增加9倍将突破针对1.1调优的客户端超时，并使任何非流式集成看起来像挂起。

• 根据实测的 Token 数量重新计算成本，而不是依据费率卡。 价格相同，因此任何成本变化都是行为性的。Artificial Analysis 发现同样的工作花费增加了 16%；你是否看到这一点取决于你的任务组合。

• 首先验证缓存键的稳定性。在拥有稳定的 60,000 token 前缀时，无论哪个版本，典型的代理步骤成本都会从约 8.8 美分降至约 2.2 美分。这 75% 的降幅比版本变更带来的任何影响都更大，而且完全由您掌控。

• 明确重新测试音频和视频路径。两份列表都宣称相同的五种输入模态，但 Artificial Analysis 的 1.2 规格卡仅将文本和图像记录为已评估项。Meta 将宣传语改写为不再强调混合媒体工作。目前尚无独立方核实该能力是否仍然具备。

• 保持 1.1 可访问，作为回退方案。让两者共用一个 key 运行，回滚就只是配置变更，而不是一次事故；同时你还能在真实流量上对两者进行 A/B 测试，而不是为基准测试的结果争论不休。

谁现在行动，谁等待

立即行动，如果你以高推理强度运行长周期编码智能体。这类任务本就耗时数分钟，延迟惩罚完全被吸收；智能增益由第三方评估，而非Meta单方面宣称；而在这个梯队，三个指数点就是一次实质性的跨越——在185个模型的排行榜上跃升九个名次。

等等，如果你提供的任何内容是交互式的。没有任何配置能让 1.2 比 1.1 响应更快，强制推理意味着你无法通过禁用思考来换回响应速度。1.1 在每种努力水平下都仍然是更快的模型，而且成本完全相同。

等等如果你的工作负载是混合媒体分析——即 1.1 当初明确构建并推向市场的长报告、视频和音频用例。Meta 已停止宣传它，而对 1.2 的唯一独立评估只涵盖文本和图像。该能力很可能仍然完好；只是无论哪方面都没有证据，而 1.1 已有一个月的实际验证。

等等如果你需要 Arena 数据。一个以全仓库生成为卖点、在 Design Arena 没有任何条目、也未发布任何智能体子指数的模型，却要求你相信 Meta 对自己改动之事的说辞。等上三到四周，这种说法就不再成立——届时，做这个决定就容易得多，可以依据证据，而非单一的综合数字。