Muse Spark 1.3 Contributor 对比 Muse Spark 1.2：数据共享新秀 vs 上月全价旗舰

如果你的团队在 8 月统一采用了 Muse Spark 1.2，那么 9 月发布的 Muse Spark 1.3 Contributor 就抛出一个尴尬的问题：你是把编码智能体迁到最新的检查点，以每百万 token 输入 $0.10、输出 $0.20 的价格运行，还是留在 Muse Spark 1.2——这个你早已集成、早已针对自身代码库做过基准测试、并且已经在按每百万 token 支付 $1.25 和 $4.25 的模型？尴尬的是，这并非真正的新旧对比。Muse Spark 1.3 Contributor 是全新 Muse Spark 1.3 检查点的数据共享 SKU，其对 Muse Spark 1.2 的大部分价格优势来自合同，而非模型权重：只要将你的提示和补全内容经由它发送，Meta 就可能用这些数据来训练模型。因此，这个决定实际被拆解为两个鲜少被放在一起考虑的问题——1.3 检查点是否在你的工作中确实明显优于 1.2，以及你是否愿意接受数据条款加上 Contributor 层的运营限制，去换取 token 账单大约 20 倍的降幅。

各方实际上是什么

Muse Spark 1.2 于 8 月 5 日与 Muse Code（Meta 的终端编码智能体）一同发布，是该系列首款面向编码场景调优的版本。它是一款闭权重多模态推理模型，支持文本、图像、视频、音频和 PDF 输入并输出文本，上下文窗口达 1,048,576 token，输出上限为 131,072 token。其标准版定价为每百万输入 token 1.25 美元、每百万缓存 token 0.15 美元、每百万输出 token 4.25 美元，且没有任何条款授予 Meta 使用你数据的权利。它也是该系列中第三方平台实际接入的版本，因为 Meta 随之一同发布的 Contributor SKU 一直是拥有自身条款的独立上架条目。

Muse Spark 1.3 Contributor 与 Meta 于 9 月 2 日发布的 1.3 检查点相同，附带 Contributor 合同条款：输入每 100 万 token 0.10 美元，缓存输入每 100 万 token 0.002 美元，输出每 100 万 token 0.20 美元，作为交换需授予训练数据权利，并受到更严格的速率限制约束。其余一切——上下文窗口、输入模态、输出上限、权重封闭——都与标准版以及此前的 1.2 代相同。因此，本次对比中的两个模型在两个独立维度上存在差异：代际（1.2 与 1.3 权重）和层级（标准条款与 Contributor 条款）。将这两个维度分开看待，才是关键所在。

记分牌

• 发布 — Muse Spark 1.2：2026年8月5日。Muse Spark 1.3 Contributor：2026年9月2日。

• 上下文 / 输出 — 相同：输入 1,048,576 个 token，输出 131,072 个。

• 输入 — 相同：文本、图像、视频、音频、PDF；仅输出文本。

• 价格 — Muse Spark 1.2 标准版：入站 $1.25，出站 $4.25，缓存 $0.15。Muse Spark 1.3 Contributor：入站 $0.10，出站 $0.20，缓存 $0.002。

• 数据使用 — Muse Spark 1.2 标准版：无。Muse Spark 1.3 贡献者版：提示和补全可能用于训练 Meta 模型。

• 速率限制 — Muse Spark 1.2 标准版：3,000 请求/分钟，4M token/分钟。贡献者计划：60 请求/分钟，2.1M token/分钟。

• 可用性——Muse Spark 1.2 standard 是第三方路由平台上的家族成员；Muse Spark 1.3 Contributor 在 Meta 自有 API 以及 Meta 已为该层级签约的平台上可用。

据 Meta 所述，新的 checkpoint 有何变化？

Meta 的发布材料声称，在定义编程智能体的各项基准测试上，1.3 相比 1.2 实现了一次大步跨越。Terminal-Bench 2.1：1.3 得分为 88.8，而 Meta 报告 1.2 为 82.9——Meta 还指出，1.3 的分数追平了该榜单的榜首成绩。在长周期仓库基准 DeepSWE v1.1 上，1.3 得分为 75.4，Meta 称之为当前最先进水平。效率方面：Meta 的工程师报告称，在相同的工程工作流上，1.3 的工具调用次数减少约 20%，token 消耗减少约 25%——而在成本比较中，这项数据才是真正要紧的。以上均为厂商自行报告的结果，截至 9 月 3 日尚无任何一项被独立复现；目前唯一可用的独立参照是 1.2 本身：Artificial Analysis 测得它在 Terminal-Bench 2.1 上约为 80.1，智能指数（Intelligence Index）为 57——略低于 Meta 自家为该模型报告的 82.9，这也有助于提醒人们，厂商自评与第三方评测框架之间通常存在差距。早期社区反应对 1.3 相比 1.2 能否带来显著提升持怀疑态度，因此在认定这次升级幅度很大之前，最值得等待的就是独立的复测。

合同是更大的变数。

假设“少25%的token”这一说法大致成立，且1.3至少与1.2能力相当，那么其余差异都属于合同层面的，且对各有利弊。Contributor层级的每分钟60次请求上限，比标准SKU的3000次低了50倍——对交互式代理和单个工程师来说够用，但对于运行并行评估、批量扫描或fan-out大量请求的共享网关的团队而言，则是一个切实的瓶颈。Contributor可用性的地区限制，也是默认采用它之前需要核实的另一个运营事实。而数据条款叠加在这两者之上：通过Muse Spark 1.3 Contributor发送的每个仓库上下文、失败的测试日志和提示词，都可能是Meta用于训练的材料。对于独立开发者或没有专有代码库的初创公司来说，用这点换取20倍的折扣通常可以接受。但对于在客户保密协议下交付代码的团队，或正在构建自身就是护城河的产品来说，无论节省多少，该条款通常都不可接受。

每月的算术

{{1}}为一个每月运行3,000个智能体任务的团队算笔账：每个任务在Muse Spark 1.2上消耗200,000个输入上下文token和40,000个用于推理与工具调用的输出token。{{/1}}{{2}}按1.2标准定价，每个任务成本为0.42美元——1.25美元×0.2加上4.25美元×0.04——即每月约1,260美元。{{/2}}{{3}}将同样的工作负载迁移到Muse Spark 1.3 Contributor，按照Meta宣称的25% token缩减，每个任务的消耗降至150,000个输入token和30,000个输出token：0.10美元×0.15加上0.20美元×0.03，即每个任务约0.02美元，每月约63美元。{{/3}}{{4}}同样的逻辑工作负载，成本相差20倍——这正是Contributor SKU的全部商业卖点。{{/4}}{{5}}与之相制衡的不是模型质量——后者看起来旗鼓相当甚至更好——而是你的工作负载是否适配Contributor的速率范围，以及训练数据条款是否适用于你实际发送的内容。{{/5}}{{6}}只有这两个原因，让全价Muse Spark 1.2对某些团队而言仍是合理之选。{{/6}}

老实说，获取每一个的访问权限。

如今存在一种现实层面的不对称。Muse Spark 1.2 standard 是这一系列中被第三方平台路由的那一款——在 OrcaRouter 上，它已按 Meta 的标价上线：输入每百万 token 收费 $1.25，输出每百万 token 收费 $4.25，零加价；只需一个 API 密钥，没有最低用量，并且上游供应商拥堵时会自动故障转移。Muse Spark 1.3 Contributor 尚未由我们路由；它运行在 Meta 自己的 API，以及 Meta 为该层级签约的平台上。这意味着，想将这两种模型并排做 A/B 测试的团队，目前需要为新模型开通 Meta 账户，为旧模型准备路由密钥。这种割裂只是暂时的，这是市场属性使然——一旦某个已路由的供应商接入 1.3 系列，其两个 SKU 当天就会以标价出现在 OrcaRouter 上，因为供应商费率是被直接传递的，而不是加价的。在那之前，评估 1.3 Contributor 最便宜也最透明的途径是使用 Meta 自己的 API；而要让你现有的 1.2 集成继续运行，最便宜的方式就是你已有的那把密钥。

三支队伍，三个答案

这个决策可以清晰地分为三种情况。没有专有代码、也没有突发性吞吐需求的独立开发者或早期团队：现在就升级到 Muse Spark 1.3 Contributor——节省 20 倍是实打实的，数据条款对你也几乎不构成代价。在保密协议（NDA）下交付、或代码库本身就是产品的团队：不要采用 Contributor 层级；正确的升级路线是按标准条款使用 Muse Spark 1.3，而在独立基准测试证实 1.3 的飞跃之前，暂时留在 Muse Spark 1.2 也是站得住脚的。拥有高请求吞吐量或共享网关的团队：Contributor 的上限使其成为糟糕的默认选择，两代产品的标准 SKU 才是务实之选。换言之，"1.3 Contributor 还是 1.2"的答案很少取决于哪个模型更好——两代产品都很强。真正的问题在于，这个折扣在与你的速率限制和数据策略碰撞之后，是否还能幸存下来。