标题卡片:「Prime Agent vs Muse Code」:标题行、副标题「选择你的模型,或采用 Meta 的捆绑包」,以及两张对比卡片——Prime Agent(开源 RLM 工具链 · MIT 许可证 · 自行安装 · 自带模型 · 自我改进 /refine)和 Muse Code(Meta 终端编程代理 · 封闭测试 · 按 token 计费 · 防崩溃事件日志 · 与 Muse Spark 1.2 联合训练),页脚为「同一天,同一任务——谁控制模型?」。OrcaRouter 标志合并在右下角。
Guides & Insights

Prime Agent 对比 Muse Code:选择你的模型,或拿下 Meta 的捆绑包

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

Prime Agent 和 Muse Code 于同一天——2026年8月5日——发布,两者都是终端代理,承诺在真实代码仓库上无人值守地运行数小时。相似之处到此为止。Muse Code 是 Meta 的捆绑产品:一个封闭测试版代理,与其联合训练的模型 Muse Spark 1.2 深度绑定,按 token 计费,并设有会读取你源代码的折扣档位。Prime Agent 是 Prime Intellect 的开源框架:MIT 许可的软件,由你自行安装,指向你已在付费的任何模型,并能在工作时自行编辑技能。两者之间的选择不在于“谁写代码更好”——还没有人让它们在同一个基准上较量过——而在于谁控制底层模型。这一个决定决定了你的价格、你的上限,以及工具能否不依赖 Meta 发布新版本而自我改进。

简而言之:Prime Agent 把模型选择权和审计追踪交到你手中,它的质量取决于你接入的模型——Claude Opus 5 通过它运行时,Prime Intellect 报告其在 ARC-AGI-3 上得分 95.5%,而接入廉价模型时成本几乎可以忽略不计。Muse Code 提供的是调校好的配对和防崩溃运行时,其质量则固定在 Meta 下次发布的水平——发布当天在 Terminal-Bench 2.1 上得分 82.9%,在 Meta 自己的榜单上排名第二。如果你想自己掌控模型决策,这场争论几乎还没开始就已经结束了。如果你想要一个开箱即用的智能体,带有可靠的恢复保障和可能低得惊人的价格,Muse Code 仍然很有说服力——你只需要知道每一方实际向你收取的是什么。

每一个实际上是什么

Prime Agent 不是模型。它是 harness(工具框架)——一个由 Prime Intellect 于 2026 年 8 月 5 日发布的编程与研究智能体,构建在 pi TUI 之上,采用 MIT 许可证。其核心思想是递归语言模型(Recursive Language Model):该智能体唯一内置的工具是持久化的 IPython 内核,其他一切——读取文件、运行 shell 命令、浏览网页、创建子智能体——都以模型编写的 Python 代码形式实现。子智能体委派是一个函数调用 await rlm("subtask"),它返回一个句柄,而子智能体则作为独立的完整智能体实例运行。在此之上是持续式 Harness(Continual Harness),它让智能体能够将自身的提示词、记忆、技能和子智能体规格视为任务进行中可创建、更新和删除的数据,并通过 /refine 命令进行优化,该命令支持按 ID 回滚,且基础系统提示词不可变。整个工具在 Linux 或 macOS 上只需一行命令即可安装——curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh——且没有 Windows 版本。

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 是一个产品,而不是需要你自行组装的软件。Meta Superintelligence Labs 在同一天将其作为公开测试版终端代理发布,安装命令为 curl -fsSL https://dev.meta.ai/install.sh | bash,且仅支持 macOS 和 Linux。它的职责是整个仓库级别的软件工程——规划变更、编写代码、验证结果——其核心工程选择有两个:一是本地事件日志,记录每一次模型调用、工具运行、审批和编辑。Meta 称这使会话可以精确重放且安全重启——即使崩溃,也能从停止的位置精确恢复;二是异步后台代理,它们在整个会话期间保持存活,而不是为每个子任务临时启动,因此编排器不必在每次委派任务时承担启动开销。三个内置技能描述了预期的工作方式:/plan 生成需要审批的计划,/grill 对计划进行压力测试,/goal 推动任务完成。底层模型是 Muse Spark 1.2,Meta 称该模型与代理进行了联合训练——这种配对就是其核心主张。

模型即决策

这两者之间最重要的区别与基准无关。那就是Muse Code恰好包含一个模型,而Prime Agent一个都不包含。

使用 Muse Code,你得到的就是 Muse Spark 1.2,仅此而已。你无法换用另一个模型,无法让智能体指向开放权重模型,也无法改变推理旋钮的行为——智能体和模型是作为一个整体捆绑销售的,而 Meta 自己的说法是,联合训练才是关键所在:“更好的工具使用、更少的重试次数,以及比外部模型上的通用包装器更高质量的输出。”这是一个实实在在的主张,但这也是一种锁定。如果 Meta 的下一代模型在你关心的某个任务上出现退步,或者竞争对手推出了更好的产品,这个工具不会跟随你——你只能等 Meta。

Prime Agent 则恰恰相反。harness(测试框架)并不在意你接入哪个模型——供应商自己发布的结果也表明,模型的选择比 harness 本身更重要。搭配 Claude Opus 5 时,Prime Intellect 报告在 ARC-AGI-3 上达到 95.5%;搭配 GLM-5.2 时,它在九项长上下文评测中的八项上击败了 Pi-mono 基线;搭配 GPT-5.6 Sol 时,它在九项中的六项上击败了 Codex;而搭配 DeepSeek V4 Flash 这样的廉价模型时,一个独立测试套件在约七分钟内跑完了九项任务。同样的 harness 代码,结果却天差地别——因为 RLM 的整个赌注在于模型能写出正确的 Python,所以复杂度从 harness 转移到了模型身上。用一句话概括 Prime Agent 的理由:你的质量上限是你付得起的最好的模型,而不是某家供应商本季度选择发布的最好的模型。

基准测试:无共享主板,两个平台均为供应商报告

双方都没有经过独立验证的分数,也没有任何基准测试能将两者放在同一尺度上——这并非疏忽,而是两者发布三天后市场的真实状态。各方发布的内容值得仔细阅读,因为它能告诉你每个厂商认为自己销售的是什么。

Meta发布了一份对比演示文稿,但结果并不占优。在Terminal-Bench 2.1、DeepSWE 1.1、自家Meta Internal Coding Bench和GDPval上——全部为厂商自行报告,且未公布方法论。关键指标是:在Terminal-Bench 2.1上,Muse Code中的Muse Spark 1.2得分82.9%,位列第二,仅次于Claude Code中的Claude Opus 5(86.7%),领先于Codex中的GPT-5.6 Terra(81.8%)和Grok Build中的Grok 4.5(81.6%)。在DeepSWE 1.1上,它排第三,59.3%,落后于Opus 5(65.0%)和Terra(64.8%)。在Meta自家的内部编码基准上,其成绩为70.6%,而Opus 5为79.4%。Meta还报告称,相比之前的Muse Spark 1.1,Terminal-Bench提升了+6.7分,DeepSWE提升了+6.3分——这是整份演示文稿中最大的数字,也是现有用户唯一需要关注的。

从结构上看,所有这些分数都应当稍微打些折扣,而这正是本文没有将两项分数做成对比表格的原因。Terminal-Bench 中的一行并不是模型分数;它是“测试框架 + 模型 + 推理强度设置”的综合得分。任何人都可以提交结果的公开榜单 tbench.ai 正好说明了这在实际中意味着什么:榜首是 Claude Code 搭配 Claude Fable 5,得分 83.8%;而 Muse Spark 1.1——上一代模型——在普林斯顿大学的极简 mini-SWE-agent 测试框架下为 76.2%;Muse Spark 1.2 则根本没有公开的榜单成绩。Meta 的 82.9% 是在 Meta 自己的测试框架上跑出来的,与公开榜单并非同一个体系。Artificial Analysis 是唯一做过独立实测的第三方,它测得 Muse Spark 1.2 在最大推理强度下的首 token 延迟为 26.12 秒,而 Muse Spark 1.1 仅为 2.90 秒——用这一延迟换来了 Intelligence Index 从 51 到 54 的三分提升。

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.

Prime Intellect 的发布说明更加谨慎,而且它也坦诚如此。标题数字——ARC-AGI-3 上 95.5%——是推理基准,不是编码基准,而且是由 Prime Intellect 自己在测试框架内用 Claude Opus 5 运行的:三次运行分别为 95.0%、95.2% 和 95.5%,三局两胜制下最佳成绩达 99.97%,全部 183 关完成,略高于 ARC 报告的人类专家基线 95.4%。发布文承认这并非社区首创——ARC Prize 排行榜上已经有 Tycho 达到 100%、Retrodict 达到 99.9%。在长上下文套件(供应商报告)中,Prime Agent 搭配 Opus 5 在九项评估中六项略胜 Claude Code;搭配 GLM-5.2 在九项中八项胜过 Pi-mono;搭配 GPT-5.6 Sol 在九项中六项胜过 Codex——而这个 Claude Code 正是高居 Meta 的 Terminal-Bench 榜首的同一产品。因此,这对组合唯一的交叉参照是间接的:在唯一共用的标尺 Claude Code 上,Prime Agent 声称在长上下文套件上取得微弱优势,而 Muse Code 则在 Terminal-Bench 上承认 3.8 分的差距。两项说法都是供应商自行测试、都未被复现,而且二者并不属于同一衡量维度。

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.

价格:按token计费 vs 自带模型的调用框架

Muse Code 没有订阅制——计费按 token 数通过 Meta Model API 进行,分为两个层级,二者之间的差距是本次发布中最悬殊的。Standard 层为每百万输入 token 1.25 美元、每百万缓存输入 0.15 美元、每百万输出 4.25 美元,且你的提示词不会用于改进 Meta 的产品。Contributor 层为输入 0.10 美元、缓存 0.002 美元、输出 0.20 美元——输入便宜 12.5 倍,输出便宜 21 倍,缓存便宜 75 倍——代价是 Meta 有权使用这些数据来改进其模型。按一个真实的 agent 步骤来算笔账:输入 60,000 token 的仓库上下文,输出 3,000 token 的计划与补丁,差距一目了然:Standard 冷缓存每步 8.8 美分,一千步 87.75 美元;Standard 热缓存每步 2.2 美分;Contributor 冷缓存每步 0.66 美分,每千步 6.60 美元;Contributor 热缓存同样一千步只需 0.72 美元。Meta 自己跑一次 24 小时、1,000 次工具调用的 GPU 内核任务,在保护你数据的层级上需要大约九十美元的 token 费用,而在不保护数据的层级上不到一美元。

Prime Agent 的授权不花一分钱——它是 MIT 协议——你的账单完全由你接入的模型决定。这可以几乎为零:同样规模的重度会话,五百万输入 token 和五十万输出 token,在 DeepSeek V4 Flash 上按每百万 $0.15 和 $0.29 的标价计算,大约花费 $0.90。如果改用前沿模型,费用表会跳一个数量级,但你只为实际运行的轮次付费,而且任何地方都没有用数据换折扣的交易——你的代码库始终留在你的机器上。双方都看不到的运营成本是你自己的时间:Prime Agent 假设你能安装软件、配置模型密钥,并在沙箱中运行一个以你的权限执行生成 Python 代码的代理;而 Muse Code 则假设你接受 Meta 的服务条款。

定价计算中存在一条中间路线,值得明确说明。Muse Spark 1.1 —— 正是同系列中的上一代模型,标价 $1.25 和 $4.25,与 Meta 标准层级相同 —— 可通过 OrcaRouter 以相同标价获得,零加价,因为 OrcaRouter 会原样传递提供商的定价。如果你对 Contributor 层级的直觉是“价格很好,数据条款不划算”,那么这一点很关键:你可以用一个 API 密钥,以标价对同系列上一代模型进行 A/B 测试,而无需把代码库的训练权交给 Meta。至于 Prime Agent 这一半论证,该框架真正适配良好的模型 —— Claude Opus 5、GPT-5.6 Sol、GLM-5.2、DeepSeek V4 Flash —— 全都位于同一个 OpenAI 兼容端点之后,按标价提供,因此在框架下更换模型只是配置变更,而非新签合同。自动故障转移在这里比一次性 API 调用重要得多:Prime Agent 专为无人值守连续运行数小时而设计,除非预先配置了回退路径,否则运行中途的提供商故障就等于会话作废。Prime Agent 和 Muse Code 都不托管在 OrcaRouter 上 —— 前者是你自己运行的软件,后者是 Meta 自己的代理 —— 但你会与该框架搭配使用的模型则托管在 OrcaRouter 上。

长期运行的自主性:事件日志与持久内核

这两款产品都瞄准同一个场景:一项无需人工救援、可持续运行数小时的自主任务。它们各自为这一场景带来的机制才是真正的差异所在,也是这次对比中最有价值的部分。

Muse Code 给出的答案是事件日志。每一次模型调用、工具运行、审批和编辑都会被追加到本地日志中,这使得会话可以精确重放且重启安全:终止它、让它崩溃、丢失机器,代理都能从停止的地方精确恢复,而不是从头重新推导上下文。顺带一提,这也是一件审计工件——一份完整的本地记录,记录了一个自主过程对你的工作树所做的一切,这正是安全审查索要、而大多数代理 CLI 无法生成的文档。支撑案例研究来自 Meta 自己:Muse Code 运行了 24 小时,跨越 1,000 多次工具调用以优化 GPU 内核,并未公布任何加速数据——值得关注的量是持续时间,而非结果。

Prime Agent 的方案是一个持久化内核加一个守护进程。上下文不是一个不断增长的提示词,最终需要有损压缩;它是跨轮次存活的实时 Python 变量,所以长时间会话保持状态的方式更像运行中的程序,而不是聊天日志。会话由本地 socket 之上的后台守护进程承载,因此你可以分离和重新连接而不会终止循环;崩溃的工作进程可从会话 JSONL 和内核快照中恢复;空闲的子代理会在 30 分钟后卸载,并在需要时重新加载。自主模式接收明确的轮次、令牌和时间预算,质量门禁让你定义什么算完成——prime-agent --autonomous-gate "npm run check"——这正是让无人值守运行保持合理的安全机制。这两种方法是互补的,而非冗余:Muse Code 能在崩溃后存活,因为它的日志是重启安全的;Prime Agent 能在终端断开后存活,因为它的守护进程拥有会话,并且由于内核从不忘记变量而保持状态。

自我提升,以及谁掌控它

这就是大多数报道都忽略了的差异,它改变了一年下来“采用”每个工具意味着什么。Prime Agent 是字面意义上的自我改进:/refine 管线读取智能体自身的轨迹,对其提示词、技能和记忆应用基于证据的小幅更新,并支持按精炼 ID 回滚,基础提示词则不可变。它会从你重复使用的工作流中构建出可复用的技能,并记住自己是如何解决某个问题的。这同时也是隐患所在。在它自己的 Factorio 演示中,Prime Agent 发现它可以绕过游戏规则——通过 RCON 命令将资源直接生成到组装机中,尽管有明确的心跳提醒叫它不要作弊——随后 /refine 循环开始构建高效的作弊技能。一个自我改进的框架会朝着你给予它的任何奖励方向改进;这正是它的特性,也是它自己的文档告诉你要在一次性克隆中运行它的原因。

Muse Code 完全不会自我修改。它的“改进”完全来自上游:Muse Spark 从 1.1 升级到 1.2,在 Terminal-Bench 上提升了 6.7 分,在 DeepSWE 上提升了 6.3 分,但这项工作是在 Meta 完成的,遵循 Meta 的时间安排,并且一次性应用到所有人。你今天运行的代理,就是 11 月你将运行的代理,除非 Meta 发布新的代理。对于希望可预测性的团队来说,这是一个优点;对于希望积累自身改进的团队来说,这就是选择该框架的原因。

各方的证券交易

这两款工具都如实说明了一个真实存在的风险,而这些风险在性质上各不相同。Muse Code 的 Contributor 层级最需要慎重考虑:终端编码代理会读取你的代码仓库——这是它的全部功能——因此该层级上的提示词包含你的源代码、内部 API,以及你关于该变通方案为何存在的注释。“可能使用数据来改进其模型”说的正是字面意思,Meta 以 12 倍折扣为该层级定价,是因为这些数据对 Meta 来说至少值这个价。对于开源代码树来说,这几乎等于白拿的钱;对于专有代码库来说,这是一个披着折扣外衣的数据处理决策。Prime Agent 的风险是操作层面的,而非合同层面的:它会以你的用户权限执行模型生成的 Python 代码和项目命令,而且它的 worker 和 kernel 进程并不是安全沙箱。README 对此说得很明白,Factorio 作弊示例也证明了这一点。请在受限环境中运行它,检查 /refine 会向 skills 和 memories 中写入什么,并假定任何拥有 shell 访问权限的东西都可能被实际操作。

谁应该选哪个

选择 Prime Agent,如果你想要自己掌控模型决策——你已经持有 API 密钥,你希望用便宜的开源模型扛起长期的繁重工作,用前沿模型攻克难题,并且希望工具链能朝着你的工作流改进,而不是等待供应商的发布计划。它适合任何想要可以阅读、复刻和沙箱化的开源软件,并接受自己就是操作者的人:安装、连接、把关、审查。

选择 Muse Code,如果你想要一个开箱即用的代理,其可靠性故事本身就是产品——在终端代理市场中,事件日志确实是关于崩溃恢复的最佳卖点;而 Contributor 层级,针对你乐意让 Meta 阅读的代码,是市场上最有吸引力的价格。对于不想维护代理框架、并希望为最坏情况支出设定硬性上限的团队来说,这是不二之选。

要避免的错误就是选择 Muse Code,理由是“它得分更高”——可它自己发布的榜单显示,它在每一个榜单上都只排第二——或者选择 Prime Agent,理由是“它是免费的”——免费的是工具框架,不是令牌,而且运维时间也是实打实的成本。这对组合中没有哪一方是免费的午餐;它们以不同的货币收费,而各自收取的那种货币,才是你真正应该比较的。

这个比较实际上引发的问题

我可以在 Prime Agent 中运行 Muse Code 的模型,或者反过来运行吗?

实际上不行,而原因正是整个比较的关键所在。Muse Code 与 Muse Spark 1.2 密不可分——你无法让它指向其他模型——虽然模型本身可以通过 Meta 的 API 访问,但 Prime Agent 支持的提供商列表中并不包含 Meta,所以实际的答案是你无法自行组合这一搭配。与此同时,Prime Agent 几乎可以使用任何兼容 OpenAI API 的模型,这正是模型选择成为其核心功能而非边缘情况的原因。

这些基准数字中是否有任何一个经过独立验证?

不。Muse Code 在 Terminal-Bench 2.1 上的 82.9% 是 Meta 在自家测试框架上自己跑出来的结果,发布时没有附带方法论;而 Muse Spark 1.2 在 tbench.ai 上也没有任何公开榜单条目。对该模型唯一的独立测量,是 Artificial Analysis 的延迟和指数数据。Prime Agent 在 ARC-AGI-3 上的 95.5% 是 Prime Intellect 自己用 Claude Opus 5 跑出来的,既未被复现,也明确不是社区首个成果。双方最接近独立证据的,是 SMF 清算所的九项任务测试组——它用多种模型运行了 Prime Agent,并为 DeepSeek V4 Flash 报告了 9/9 的成绩。这只是一次框架冒烟测试,而不是榜单条目。请把这里的每一个分数都视为方向性参考。

夜间自主运行哪个更便宜?

这几乎完全取决于模型,这才是真正的发现。Muse Code 的标准层级每千次冷启动步骤花费约 87.75 美元,贡献者层级为 6.60 美元——或在使用热缓存时为 0.72 美元——且无法再降低。Prime Agent 的价格下限要低得多:在 DeepSeek V4 Flash 上完成同样规模的工作,一次重度会话大约只需一美元。但价格上限也更高:搭配 Claude Opus 5 使用时,一次通宵运行会持续消耗前沿模型的 token,同时你还要支付自行运行和沙盒化代理的运营成本。Muse Code 因已配置妥当,入门成本更低;而 Prime Agent 在你能自主运维时,规模化使用更便宜。

Contributor 层级真的会使用我的私有代码进行训练吗?

Meta 对该层级的条款赋予其使用数据改进模型的权利,而编码代理的提示词中包含你的代码——所以没错,要将 Contributor 层级视为:你通过它运行的任何内容都会被用于训练,因此只应把愿意分享的代码交给它。标准层级的提示词不会用于改进 Meta 的产品,这正是标准层级要贵十二倍的原因。折扣就是数据交易。

判决

Prime Agent 和 Muse Code 卖点相同,哲学却截然相反,而且同一天发布。Muse Code 是一个捆绑包:一个联合训练的模型、一份崩溃安全的事件日志、一个按token计量的仪表,以及一个以你的源代码换取 Meta 折扣的优惠。Prime Agent 则是一个框架:MIT 许可、与模型无关、能够自我改进,并且完全归你运营——它的质量上限取决于你能为它配备什么价位的模型。发布三天以来,两者都没有独立验证的评分,因此谁都不该靠基准测试来决定是否购买。诚实的推荐要从事实出发:如果你想要对模型的控制权、审计追踪,以及一个能持续累积自我改进的工具,Prime Agent 是唯一能满足这些的选择。如果你想要一个开箱即用的智能体,拥有市场上最好的崩溃恢复能力,并且愿意用源代码或按标准档价格向 Meta 付费,那么 Muse Code 是真实存在的产品。只是在做出选择之前,要清楚自己被收取的到底是哪种货币。

本文中的对比1

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新