Muse Spark Open 对比 Muse Wonder：一个可下载，一个只能租用

Meta 于 Muse Wonder2026 年 10 月 12 日将其推向市场，并于M​use Spark Open三天后的 10 月 15 日将其发布到 Hugging Face。它们并不是同一产品的两个版本。Muse Wonder 是一个封闭的前沿模型，需通过 API 或订阅访问；M​use Spark Open 则是一种需授权获取的下载，以 8160 亿参数的混合专家权重、一份许可证和一项硬件决策的形式提供。因此，在排行榜上比较二者是错误的起手式，因为排行榜衡量的是能力，而真正区分它们的是谁拥有机器。本文对两者逐一剖析——实测差距、每单位工作的成本，以及结论会反转的四种情形——所用数据均为实际公布的数字，并在某个数字属于厂商声明而非实测时加以注明。

相隔三天，而且不属于同一类别

发布顺序比发布日期更重要。Muse Wonder 首先以两个检查点的形式发布：muse-wonder-1.0，在 Meta 的 Model API 和 Muse Code 内提供服务；以及 muse-wonder-full-1.0，Meta 仅通过 Muse Code 订阅销售该模型，不将其作为 API 模型公开。Muse Spark Open 随后以单一制品的形式发布：一个 BF16 检查点和一个 NVFP4 构建，置于访问受控的仓库之后，并附带模型卡、技术报告和 Muse Model License。其中一个是服务，另一个是文件。

后续一切都由此而来。闭源模型的价格由供应商说了算，其能力也随时可能被供应商调整。开源模型的价格则是一个资本支出数字——GPU、电力、工程师——而其能力是你的服务栈能从中榨取出来的部分。因此，有用的比较不是“哪个得分更高”（这一点并不接近），而是“这两者中哪个能让你以更低成本达到所需能力”，而这完全取决于你已经拥有什么，以及你被允许对权重做什么。

两个模型都接收文本、图像、语音和视频，并输出文本，而且都宣称拥有 1,048,576 个 token 的上下文窗口。相似之处仅此而已。

今天的记分牌现状，而不是你记忆中的样子

Artificial Analysis 重构了其 Intelligence Index，当前版本为 v5.0.1，其中纳入了九项评估：AA-Briefcase v1.1、AutomationBench-AA、Terminal-Bench 4.0、FrontierCode-AA 2.0、AA-Omniscience v1.1、GDP.pdf、HLE-Diamond、CritPt v2（在其困难子集上）以及 Terminal-Bench-Science 0.1。这对本次比较很重要，因为在此次修订之前你读到的关于任一模型的任何数字，都与下面的数字不在同一尺度上。两个条目都在同一套件内重新评分，因此它们之间的差距具有可比性，尽管它们的绝对值无法与你可能见过的关于任一模型的旧数字相比较。

在那次修订中，M​use Spark Open (Xhigh) 得分为 25，而在规模相近的其他开放权重模型中位数为 23——高于平均水平，但高得不多。Muse Wonder (Max) 得分为 44，而在相近价格档位的模型中位数为 40。十九分的差距不是舍入误差，但也不是全部事实，因为这两个中位数描述的是两个不同的比较集合：一个是同尺寸开放模型的小类别，另一个是更广泛且更昂贵的档位。这一对结果清楚确立的是，每个模型都高于其自身的同类群体，这比排名更有用，也难得多被操纵。

每次评估对应的行以更高的细分程度表达同样的内容。下面每一行都在同一维度上、按相同顺序呈现双方，因此可以把它们当作一对来读，而不是当作两项各自独立的说法。

• Index，v5.0.1 — Muse Spark Open 25，在 Xhigh 努力程度下，对比类别中位数 23；Muse Wonder 44，在 Max 努力程度下，对比类别中位数 40

• AA-Briefcase v1.1（智能体知识工作，Elo）——M​use Spark Open 为 1,278.7；Muse Wonder 为 1,658.7

• AutomationBench-AA（智能体式 SaaS 工作流）——M​use Spark Open 为 0.497；Muse Wonder 为 0.681

• Terminal-Bench 4.0 — Muse Spark Open 为 0.081；Muse Wonder 为 0.520

• FrontierCode-AA 2.0 — M​use Spark Open 为 0.076；Muse Wonder 为 0.240

• HLE-Diamond — Muse Spark Open 为 0.263；Muse Wonder 为 0.390

• CritPt v2，困难子集 — Muse Spark Open 为 0.295；Muse Wonder 为 0.505

• GDP.pdf，全通过 — M​use Spark Open 为 0.186；Muse Wonder 为 0.306

• Terminal-Bench-Science 0.1 — Muse Spark Open 为 0.019；Muse Wonder 为 0.257

• AA-Omniscience v1.1 准确率——M​use Spark Open 为 25.8；Muse Wonder 为 25.1，而幻觉率则相反：M​use Spark Open 为 28.0%，Muse Wonder 为 20.9%

有两行值得各用一句话说明。Terminal-Bench-Science 的 0.019 对 0.257 是表中比例差距最大的一项，而 Terminal-Bench 4.0 的 0.081 对 0.520 则是两款模型实际主打的工作负载——运行命令的智能体——上差距最大的一项。如果这是你的用例，这几乎就是全部论据。Omniscience 这一对是更便宜的模型唯一能守住阵地的地方：在知识准确性上，两者相差不到一个百分点，而区分它们的不是知识量多少，而是它们在不知道时有多容易编造答案——M​use Spark Open 约为每 3.6 次回复中有 1 次，Muse Wonder 则为每 4.8 次中有 1 次。

对这一切有一点需要说明。这些是评测方的数字，而不是厂商的数字，这使它们成为现有两类证据中更强的一类。但它们仍然只是某个实验室在一套本周期自身经过修订的基准套件上的测试框架结果，而且其中若干评测足够新，评分还会继续变化。把方向视为可靠，把小数点后第三位视为噪声。

参数数量，以及记录就此中断的地方

Muse Spark Open 将自身规模作为开放的一部分予以公开：总参数为 8160 亿，每个 token 约有 420 亿活跃参数，包含 62 个解码器层，每个专家混合层有 256 个专家，每个 token 选择其中 8 个；在已发布的量化构建中，专家以 4 位 NVFP4 保存，部分层则保留为 bf16。420 亿活跃参数这一数字对服务部署至关重要，因为它决定了每生成一个 token 需要读取多少权重，也正是该模型能够仅用八块 GPU 提供服务的原因。

对于 Muse Wonder，相应数字并不在我们能够核实的记录中。Artificial Analysis 将其标记为专有，其技术规格面板列出了推理、输入模态、输出模态和上下文——但完全没有总参数或激活参数行。我们不会根据价格或基准测试来推断参数数量，也不会重复一个我们无法指出的数字。可以说的是方向性的：一个按 $4/$20 价目表收费、指数为 44 的闭源模型，所服务的模型规模明显大于一个激活参数为 420 亿的开源模型，而它承担的每一项服务成本都是别人的资本，而不是你的。

便宜的那款模型同时也是速度快的，这才是令人意外的地方。

价格与速度通常是此消彼长的。而在这里，它们却同向而行，这是两个页面上对决策最有参考价值的发现。

• 输出速度 — M​use Spark Open 为每秒 169 个 token；Muse Wonder 为每秒 118 个 token

• 首个回答 token 的耗时 — Muse Spark Open 为 13.81 秒；Muse Wonder 为 25.19 秒

• 每个 Index 任务耗时 — M​use Spark Open 为 6.6 分钟；Muse Wonder 为 13.6 分钟

• Index 运行中使用的输出 token 数——M​use Spark Open 为 9060 万；Muse Wonder 为 1.13 亿，而同类模型的中位数为 7280 万

把最后两行放在一起读，机制就很明显。Muse Wonder 是严格意义上的推理模型：它运行更久、生成更多 token，并且每个任务大约要花费两倍的实际耗时。在 Xhigh effort 下，M​use Spark Open 更精简——它生成的输出 token 少于同类可比模型的中位数，这对推理配置来说并不寻常，也确实构成对“思考越多能力越强”这一假设的有力反证。169 对 118 这个数字是包含首 token 时间的托管端点测量结果，因此它说明的是部署端点的情况，而不是任一模型底层芯片的情况。

实际后果是，价格差距比价目表所显示的更大，因为你是按 token 付费，而 Muse Wonder 每项任务输出的 token 更多。这就引出了唯一能在不同价格和不同输出冗长度下公平比较两个模型的数字：每任务成本。

每项任务实际要花费多少

Artificial Analysis 计算运行其整套评估套件的成本，再除以任务数量，并按每项评估对 Index 的贡献进行加权。这样得出的是一个同口径的可比数字，且已经吸收了冗长程度上的差异。

• 每个 Index 任务的成本 — Muse Spark Open 为 2.02 美元；Muse Wonder 为 6.95 美元

• 混合标价，输入与输出比例为 3:1——Muse Spark Open 每百万个 token 2.00 美元；Muse Wonder 每百万个 token 8.00 美元

• 缓存读取 — M​use Spark Open 每百万令牌 $0.15，享 88% 折扣；Muse Wonder 每百万令牌 $0.20，享 95% 折扣

标价费率卡是输入 $1.25、输出 $4.25，对比输入 $4.00、输出 $20.00，因此输出价格相差 4.7 倍，输入价格相差 3.2 倍。实际每任务成本相差 3.4 倍而非 4.7 倍，这正是冗长程度和缓存效应在发挥作用：Muse Wonder 的 95% 缓存折扣比 M​use Spark Open 的 88% 更大，而大量缓存将其有效成本拉回到更便宜模型的水平。如果你的工作负载对缓存友好——共享的长系统提示、重复文档——费率卡会夸大差距。如果不是，每任务数字才是应当据以规划的，而费率卡并没有低估任何东西。

将每项任务的成本除以其 Index 得分，就得到了第三个数字——这个数字是我算的，而非评测方给出的：Muse Spark Open 约为每指数点八美分，而 Muse Wonder 约为每指数点十六美分。这是对这场权衡最清晰的表述。也就是说，就每单位实测能力而言，闭源模型的花费大约是前者的两倍，而你用这笔溢价换来的是十九个指数点以及更低的幻觉率。

许可证是费率卡所隐藏的一项成本。

Muse Spark Open 的条款是 Muse Model License，其中两项条款改变了“free weights”在商业计划中的含义。

第一条是模型即服务条款。如果你通过 API 以产品或服务形式向第三方提供对该模型的访问权限，并且你在任意连续十二个月期间从中获得的总收入超过两千万美元，你必须通知 Meta，并在继续之前签订一份单独的书面协议。将模型嵌入你自己的产品属于例外情形；转售则不属于。一个打算基于这些权重成为推理服务提供商的团队，应该在编写架构文档之前阅读该条款，而不是之后。

第二项是署名：该许可证要求，任何使用该模型或其衍生产品的产品，都必须在其界面的显著位置，或在其文档、网站或设置中展示"Built with Muse Spark Open"。这是一笔小小的代价，而且是无条件的，它恰好出现在产品决策发生的地方——"关于"界面。

许可明确赋予的内容，正是让下载变得合理的那部分：微调、蒸馏、合并、发布、再许可和销售衍生作品，而 Meta 声称不拥有输出内容的所有权。Muse Wonder 这些都不提供。你无法微调托管的检查点，无法将其合并到领域模型中，无法在隔离环境中运行它，也无法通过重新训练来修复某种行为。你为 Muse Wonder 支付的溢价买来了能力，也让你免于运营负担；但它同样让你失去了所有需要接触权重才能实现的选项。

有一个容易让人栽跟头的操作细节：下载本身是设了门槛的。该仓库实行访问控制，申请表要求填写法定姓名、出生日期，以及带有企业标识的所属机构，且提交后无法修改。请按“排队等待”来预留时间，别指望点一下就能完成。

巨型内核在何处改变算术

在这项对比中还有第三个数字，两份费率卡都没有包含它，而它昨天从 Meta 之外传来。2026 年 11 月 11 日，SGLang 团队发布了面向 M​use Spark Open 的 megakernel——每层一个常驻内核，而不是每个解码步骤约 1,450 次启动——并测得在八块 GB300 上，解码速度从每秒 517 个 token 提升到 1,109 个 token。在相同权重、相同精度和相同数值行为下，这实现了 2.1× 的提升，而且完全是在软件层面实现的。

把这一点和托管服务的数字放在一起看，这个决策的格局就变了。租用的端点以每秒 169 个 token 的速度作答；一台手工搭建、运行研究用内核的八 GPU 堆栈则以每秒 1,109 个 token 作答。第二个数字是批大小为 1、单个 GSM8K 请求、20 步的中位数，而且作者之外没有人复现过它——所以它是你可能达到的上限，而不是能写进容量规划的吞吐量数字。但它确立了定义这对模型的不对称性：闭源模型的服务效率由 Meta 来改进，你只能等待；而开源模型的服务效率则是你可以用自家工程师去攻克的变量。

对于已经购置了 GPU 的团队来说，在开源模型表现接近的工作负载中，这种不对称性的价值超过十九个指数点。而对于没有这些 GPU 的团队来说，它一文不值，因为 1,109 这个数字是附在一台你不得不购买的八卡 GPU 节点上的。

四种情况，四种不同的答案

一旦你点明约束条件，比较就能干净利落地得出结论，而约束条件几乎从来都不是基准。

如果你本季度要发布产品，而工作属于高难度推理、长周期智能体任务，或者你的问题形态就是终端基准差距为 0.081 对 0.520，那么答案就是 Muse Wonder，而且优势毫无悬念。你为每项任务支付 6.95 美元，换来的是一个能完成任务的模型；另一种选择是每项任务支付 2.02 美元，换来的却是一个经常完不成任务的模型。

如果你正在运行高吞吐量、对延迟敏感的工作负载，并且可以接受每秒 169 个 token、首个 token 用时 13.8 秒的答案，却不能接受每秒 118 个 token、首个 token 用时 25.2 秒的答案，那么答案就是 M​use Spark Open——甚至在你考虑价格之前就是如此；而价格随后会让它成为便宜 3.4 倍的答案。28% 的幻觉率是需要围绕其进行设计的问题：为它提供依据、引用来源，或在上下游环节验证它。

如果你拥有不能离开自己基础设施的数据，或者有一位想查看权重的监管者，又或者某个领域中，用自己的语料做微调就是全部价值所在，那么比较已经结束。Muse Wonder 做不到这一点，再多指数分数也改变不了。M​use Spark Open 可以，而且许可证明确允许微调、合并和再分发。

如果你已经拥有一个配备 GB300 级节点的训练集群，那么开源模型的经济账根本不在价目表上——而在于你已摊销完毕的 GPU 的边际成本。正是在这种情况下，每秒 1,109 个 token 才有意义，megakernel 相关工作才可直接落地，而那笔两千万美元的“模型即服务”条款，才是横亘在一个副业项目与一门生意之间的唯一一份文书。

无法解决的那种情况，恰恰是人们问得最多的：一个小团队既想要前沿能力，又想要便宜。它无法从这一对模型里同时得到两者。它能拥有的是级联——用便宜模型处理大部分流量，用昂贵模型处理剩余部分——而这是路由决策，而非模型决策。

我们路由什么，以及不路由什么

这两个模型都不在 OrcaRouter 上。目录中既没有 meta/muse-wonder 条目，也没有 meta/muse-spark-open 条目，我们也不会将其中任何一个描述为可通过我们获取。Muse Spark Open 是一种下载项和一份许可；Muse Wonder 是 Meta 自有的端点，并且是一项订阅服务。

我们从同一实验室带来的，是 M​use Spark 产品线：Muse Spark 1.2 和 Muse Spark 1.1。这对上述四种情况中的一种才真正重要——级联。路由层正是“大多数流量用便宜模型、剩余流量用昂贵模型”这一答案不再只是架构图、而变成配置的地方：一个 API 覆盖 200+ 个模型，按供应商的目录价以 0% 加价透传，因此 Meta 的降价当天就会落到你的账单上，而不是等到下一次合同续签；并且自动故障转移，加上可通过配置在模型之间转移流量的路由 DSL，而不是通过代码变更和部署来实现。

在开放权重的那一半对比中，说实话，没有任何路由器能帮上忙。权重是你的，GPU 是你的，内核也是你的，而通往 1,109 这个数字的唯一途径，就是一位带着性能分析器的工程师。

当这个比较变得过时时

• Muse Wonder Full 接入 API。得分更高的检查点目前被订阅墙挡在里面，因此本次对比中的 Muse Wonder 是得分为 44 的 API 模型，而不是 Meta 单独报告的 Full 检查点。如果 Full 开放端点，能力差距就会扩大，级联论证也会更难成立。

• 对 megakernel 数值的独立复现。一个团队在批大小为 1 时取得的 2.1× 只是上限；第二个团队在真实批大小下达到同样水平，就把它变成了一个附带数据的自托管案例。

• 任何一方的价格变动。Muse Spark Open 的托管费率为 $1.25/$4.25，Muse Wonder 的为 $4.00/$20.00，而供应商的一则公告就可能压缩甚至逆转每任务 3.4 倍的差距。这是清单上改变成本最低、也最有可能改变的一项。

• 一次弥合差距的微调。对于衍生模型而言，要追回十九个指数点是一个很大的劣势，而开放模型的许可证正是让这一尝试合法的原因。如果针对 M​use Spark Open 的领域微调在你产品关心的特定评估上接近 Muse Wonder 所在类别的中位数，那么对该产品来说，溢价就不再合理。

在其中某一项举措发生之前，总结都很简短。Muse Wonder 是能力更强的模型，你按 token 租用它。M​use Spark Open 是能力较弱的模型，但你彻底拥有它，连同 GPU、许可证条款、幻觉率，以及——截至本月——一份能让它速度提升一倍的公开配方。