Muse Code 對比 Muse Spark 1.1：Meta 的 6.7 分升級究竟在衡量什麼

先做減法。Meta 為 Muse Code（其於 2026 年 8 月 5 日推出的終端編碼代理）發布的簡報顯示，它在 Terminal-Bench 2.1 上獲得 82.9%，並將此視為比Muse Spark 1.1高出 6.7 個百分點的進步——而 Muse Spark 1.1 正是大多數閱讀本文的人已經在付費使用的模型。從 82.9 減去 6.7，得到 76.2；這不是 Meta 公布的數字，但恰好就是公開的 Terminal-Bench 2.1 排行榜上 Muse Spark 1.1 在 xhigh effort 設定下的成績，該成績於七月提交，由普林斯頓大學的 mini-SWE-agent harness 執行。

這個巧合是這項比較中最有用的事實，因為 mini-SWE-agent 是刻意精簡的骨架——只有幾百行程式碼、沒有常駐子代理、沒有事件日誌、沒有規劃能力。Meta 的 82.9% 是Muse Spark 1.2運行在 Meta 與模型共同訓練的專用代理之中。如果這 6.7 分正是那兩行之間的跨度，那麼標題所稱的世代性進步就是模型升級與框架升級合併成一個數字，而 Meta 沒有發表任何能將兩者分開的資料。

Meta 並未說明其 1.1 基準使用了哪種測試框架，因此這場對決僅具暗示性，而非經證實的結果。但這重新架構了目前透過 API 呼叫 Muse Spark 1.1 的所有人面前所面臨的抉擇，而這正是這場對決最誠實的版本：你並不是在兩個模型之間做選擇。你是在「你自己驅動的模型」與「替你驅動更新模型的代理」之間做選擇，而這兩者之中，只有其中一個曾由 Meta 以外的人進行過評測。

這些不是同一類別，規格表上也如此說明。

這個配對之所以讓人有半數困惑，來自於把 Muse Code 當作模型版本。它不是。它是 CLI，而 Muse Spark 1.2 才是它所稱呼的。

• 這是什麼—— Muse Code 是一款終端代理程式，只需一行指令即可安裝（curl -fsSL https://dev.meta.ai/install.sh | bash）；Muse Spark 1.1 是一個模型端點，您可以從自己的程式碼、自己的 Agent 框架，或任何接受自訂 Base URL 的 CLI 中呼叫。

• 底層模型 — Muse Code 運行 Muse Spark 1.2，與代理協同訓練；Muse Spark 1.1 為 7 月世代，仍提供服務且仍列於清單中。

• 執行環境：Muse Code 僅支援 macOS 和 Linux，只能在終端機執行，無 GUI，無 IDE 擴充功能；Muse Spark 1.1 則可在任何支援 HTTPS 的環境中執行，包括 Windows。

• 輸入 — Muse Code 接收儲存庫與提示詞；Muse Spark 1.1 可在單一 1,048,576 token 的上下文中接受文字、圖片、影片、音訊與 PDF 文件，並回傳文字。

• 狀態 — Muse Code 是公開測試版，並已如此標示；Muse Spark 1.1 自 2026 年 7 月起正式推出，並承載真實的生產流量。

• 標價 — 兩者皆透過 Meta Model API 計費，標準層級每百萬輸入 token 為 $1.25，快取輸入為 $0.15，輸出為 $4.25。費率表相同。

最後一行才是讓人意外的地方，它也推翻了顯而易見的假設。採用 Muse Code 每個 token 的成本，並不會比您目前運行的方案更高。它所付出的代價是以其他貨幣衡量——平台支援、延遲、模態，以及在低價方案中，您的原始碼。這四個維度才是值得爭論的。

在接上測試治具的狀態下，讀取它們出現分歧的基準點。

Meta 發布了相對於 Muse Spark 1.1 的兩個世代差異：+6.7 分（Terminal-Bench 2.1） 和 +6.3 分（DeepSWE 1.1）。兩者皆由供應商自行報告，皆出自以圖片形式發布、未附方法學說明的圖表，且皆未經第三方重現。若將這些數字剔除，Meta 所隱含的 1.1 基準約為 76.2% 和 53.0%。

現在，把 Meta 的 82.9% 拿來與它未引用的排行榜並列對照。在撰寫本文時，公開的 Terminal-Bench 2.1 排行榜顯示 Claude Code 搭配 Claude Fable 5 為 83.8% ± 1.2%，Codex 搭配 GPT-5.5 為 83.1% ± 1.1%，Terminus 2 搭配 Claude Fable 5 為 80.4%，Cursor CLI 搭配 Grok 4.5 為 79.3%，而 mini-SWE-agent 搭配 Muse Spark 1.1 以 76.2% 排名第八。Muse Code 自報的 82.9% 將排入第三——低於兩個在 Meta 簡報中完全沒出現的 agent-model 組合；Meta 的簡報反而是拿 Claude Opus 5 的 86.7%、GPT-5.6 Terra 的 81.8% 以及 Grok 4.5 的 81.6% 來比較（皆在最大努力的個別執行中）。

兩塊榜單、同一項基準，數字卻對不上——而如果去看Artificial Analysis，則完全是第三種尺度：其獨立的Terminal-Bench v2.1評測最高約為GPT-5.6 Sol的89.5%，而公開排行榜的天花板是83.8%。這些參與方都沒有說謊。Terminal-Bench上的一列成績，是某個評測框架、某個模型、某個effort設定、加上某個算力配額的綜合結果；只要替換其中任何一項，結果的變動就會超過Meta對其整個世代所宣稱的差距。

這就是為什麼公開排行榜上值得關注的欄位不是準確度，而是成本。Muse Spark 1.1 以 76.2% 的準確率完成運行，花費$198.05。Claude Code 搭配 Claude Fable 5 以 $552.67 獲得 83.8% 的準確率，而 Codex 搭配 GPT-5.5 則支付 $2,059.19 獲得 83.1%。這在第一種情況下是 7.6 個百分點的準確度提升，卻多花 2.8 倍的錢；第二種情況則約為 10 倍——由同一操作者、在同一任務、同一規則下衡量，這正是 Meta 的圖表無法提供的公平比較。排行榜也會對透過鑽環境漏洞解決的任務扣分；Muse Spark 1.1 的提交沒有此類扣分，而 Cursor CLI 的 Grok 4.5 運行則被扣了 9 分。

Meta 未公布其 82.9% 的成本數字。

Muse Spark 1.1 已經能做到而 Muse Code 無法做到的事

Muse Code 的賣點在於，共同訓練的代理勝過「圍繞外部模型的通用包裝」——這是 Meta 的說法、Meta 的主張，未經其他任何人驗證。這是個合理的說法。它也瞄準了 Muse Spark 1.1 特別為了填補而打造的缺口。

Muse Spark 1.1 原生支援 Model Context Protocol，無需外部框架即可自行管理 MCP 連線，內部編排主代理與子代理角色，且能零樣本泛化到新工具與自訂技能。Meta 自家發布的數據是工具使用數據：MCP Atlas 上 88.1 分，用於大規模工具使用——領先其公布的 Claude Opus 4.8 的 82.2 分與 GPT-5.5 的 75.3 分——JobBench 則為 54.7 分。這些成績均為廠商自行發布、全部來自七月、且皆未經獨立複現。但重點依然成立：1.1 不是一款事後硬掛上代理的聊天模型。把它放入 OpenCode、Cline 或任何接受自訂端點的 CLI，你今天就有一個可用的代理。

此外，還有 Muse Code 在結構上無法觸及的一切。Muse Spark 1.1 能在單一上下文視窗中對圖片、影片、音訊和 PDF 進行推理。終端編碼代理程式對這種介面毫無用武之地，也無從將其呈現。如果你的工作負載是將設計稿轉換成元件、將客服通話轉錄並分流，或是將 400 頁的規格書與實作內容交叉比對，那麼比較新的東西反而是能力較差的那個——而 Meta 對 1.2 世代的定位已從「跨混合媒體的多模態深度研究」轉向多檔案重構與整個程式碼庫的生成，而且至今沒有任何人在 1.2 上發表過影片或音訊成果。

真正的非對稱性其實是反過來的，而且它是執行期屬性，而非能力屬性。Muse Code 會將每一次模型呼叫、工具執行、核准與編輯動作附加到本機事件紀錄中，Meta 表示這讓工作階段可以完全重播且能安全重啟：就算當機，代理程式也會從中斷處繼續執行，而不是重新推導其上下文。它的背景代理程式在整個工作階段期間持續存在，而非每次子任務都重新建立再銷毀。Meta 提出的證據只有單一案例研究——在 NVIDIA Hopper 硬體上執行長達 24 小時、超過 1,000 次工具呼叫的 GPU 核心最佳化任務。他們沒有公布任何加速數據，所以執行時間本身就是其宣稱的成果。如果你曾經因為執行框架在第 300 步時忘了自己在做什麼，而失去一個九小時的遷移任務，你就會知道這是真正值得擁有的功能，而無論模型支援多少 MCP，都無法給你這項能力。

相同牌價，直到你讀到第二層級

由於標準層級在兩邊完全相同，因此在這場對比中，價格論點完全在於 Meta 隨 Muse Code 一同推出的層級。貢獻者層級的價格為每百萬輸入 token 0.10 美元、每百萬快取輸入 0.002 美元及每百萬輸出 0.20 美元——輸入便宜 12.5 倍、輸出便宜 21 倍、快取輸入便宜 75 倍——但交換條件是你明確允許 Meta 使用你的提示詞和輸出內容來訓練未來的 Meta 模型。Meta 表示，標準層級的流量不會被這樣使用。

用真實的代理程式步驟跑一遍——輸入 60,000 個 token 的儲存庫上下文，輸出 3,000 個 token 的計畫與修補——一千步的費用在標準層級冷啟動時為 $87.75，儲存庫上下文命中快取時為 $21.75，貢獻者層級冷啟動時為 $6.60，貢獻者層級搭配暖快取時為 $0.72。Meta 自己進行的 24 小時核心執行，在保護你程式碼的層級上花費接近九十美元，而在不保護的層級上則低於一美元。

這不是計費選擇。編碼代理的提示詞就是你的程式碼庫——內部 API、解釋變通方案為何存在的註解，以及你的測試夾具碰巧包含的任何內容。在開源的程式碼樹上，貢獻者等級幾乎等於免費。在專有儲存庫上，這是一個披著折扣外衣的資料授權決策，而且應該交給負責資料處理簽核的人，而不是交給盯著雲端帳單的人。Meta 將折扣設定為 12x，因為這些資料對 Meta 而言至少值那麼多。

繼續使用 Muse Spark 1.1 完全迴避了這個問題，而且值得確切知道這會付出什麼代價、代價在哪裡。Muse Spark 1.1 在 OrcaRouter 目錄中的價格是 $1.25 和 $4.25——與 Meta 的牌價分毫不差，因為我們加價 0%，直接轉傳供應商定價；這也說明了為什麼 Meta 調整價格的當天，我們這邊就會同步反映，而不是等到合約週期結束。我們對它進行的七天生產環境遙測顯示，p50 首次輸出 token 時間為 1.84 秒，p95 為 6.00 秒，這比任何基準測試工具呈現的數字都要實用得多。Muse Spark 1.2 不在我們的目錄中；它由 Meta 直接提供，別無其他來源，因此這項比較中較新的這一端，目前從結構上來說就只有單一供應商，沒有故障轉移路徑。如果你正在評估它，這種單一供應商的風險，正是你評估的一部分。

發佈報導中無人提及的延遲取捨

Artificial Analysis 在每個模型的最大推理努力下獨立測量，測得 Muse Spark 1.1 的首個 token 輸出時間為2.90 秒，而 Muse Spark 1.2 的則為26.12 秒。輸出速度從每秒 213.5 個 token 降至 165 個 token。所獲得的成果是 Intelligence Index 上升了 3 分（從 51 到 54），並在 185 個模型中從第 22 名躍升至第 13 名。

若將其視為通用模型的發布，這是筆糟糕的交易——九倍的等待，只換來三分。若將其視為編碼代理的引擎，則顯然是正確選擇，因為等待十二個檔案重構的人不會注意到二十六秒的規劃時間，而等待聊天完成的人則會注意到所有延遲。這最清楚地說明了這項比較中每一方各自是為誰而設的，而且這是第三方實測的結果，而非Meta單方面的宣稱。

這也意味著，即使你只在乎程式碼，轉換也不是免費的。任何你原本指向 Muse Spark 1.1 的互動式功能——行內補全、審查機器人、文件上的聊天介面——如果費力將其遷移到 1.2 世代，都會明顯變得更糟。這次升級是有針對性的，而有針對性是有方向的。

你實際上應該執行哪一個

如果您的作業不是儲存庫，請繼續使用 Muse Spark 1.1。多模態管線、長上下文分析、混合媒體研究、任何互動式工作、任何在 Windows 上的工作、任何已透過 MCP 串接且正常運作的工作。Muse Code 的推出並未改善這些項目，而延遲量測至少會讓其中一項變得更糟。

如果你的失敗模式是執行時間過長，請試試 Muse Code。 Monorepo 遷移、相依套件升級、長達一週的重構——這些你目前必須全程盯場的工作，因為代理會失去方向。事件日誌與持續運作的背景代理正是針對這點而設計；在執行時間最長的情境中，基準測試落後幾分的影響也最小。Beta 版，請在可拋棄的克隆（scratch clone）上、選一個你丟掉也不心疼的儲存庫來試。

如果你正想決定該選哪個模型，就做這個誠實的實驗吧。 將你的評估框架（harness）保持不變，把底層的 Muse Spark 1.1 換成 Muse Spark 1.2。這樣就能隔離出 Meta 圖表混在一起的那一個變數，也是唯一能確認共同訓練溢價是否真實、或者 1.2 只是無論放在哪裡都表現稱職的程式碼模型的方法。有了單一閘道，這只是改個字串的事，而不是一場採購作業——Muse Spark 1.1、Claude Opus 5、GPT-5.6 Terra、Grok 4.5 和 Claude Fable 5 全都位於同一把 OrcaRouter 金鑰之後，按定價計費，並在供應商之間自動故障轉移，所以這組對照組合維持待命完全不花你任何成本。Muse Spark 1.2 則是例外，必須從 Meta 取得。

在安裝任何東西之前，值得先問的問題

我可以將 Muse Code 指向 Muse Spark 1.1 而不是 1.2 嗎？

Meta 的發布資料並未說明這點，而且兩者是作為共同訓練的配對一起發布的，這反而說明了它並不受支援，也並不實用。不過反向的情況則有充分記載：Muse Spark 1.1 可於任何接受自訂端點的代理程式中運作，而這正是目前大多數人將它作為代理程式執行的方式。如果你的目標是進行受控比較，請在你的測試框架中執行 1.1 和 1.2，而不是試圖遷就 Meta 的框架。

貢獻者層級是否也適用於 Muse Spark 1.1？

Meta 在推出 Muse Code 與 Muse Spark 1.2 時引入了雙層結構，其公布的價目表將貢獻者定價綁定至該版本。在 Meta 另有說明之前，請假定 12 倍折扣為 1.2 世代的方案，並將任何 1.1 工作負載定價為 1.25 美元與 4.25 美元。如果你使用的是 OrcaRouter，依定義即屬於目錄價格，因此沒有需要選擇加入或退出的資料共享層級。

那麼，6.7個百分點的說法是錯的嗎？

不——它未經審計且規格不足，這是不同的。Meta 很可能在與 Muse Code 類似的測試環境中運行其 1.1 基線，若是如此，這個增益就是乾淨的模型對模型結果。但沒有發布方法論，隱含的基線恰好落在第三方最小框架的分數上，而且同一個基準會因執行者不同而產生三種不同的量尺。請將 +6.7 視為方向性指標，並在據此規劃之前先取得你自己的數據。

「什麼能解決這件事？」

一次提交。如果 Meta 按照其他所有人提交時的相同規則——沒有修改逾時或資源、成本欄位已填寫、已套用漏洞利用扣分——將 Muse Code 放到公開的 Terminal-Bench 2.1 排行榜上，那麼 82.9% 就可以與 Muse Spark 1.1 名字旁的 76.2% 以及榜首的 83.8% 相比較，而整個爭論一個下午就能解決。在那之前，這場對決中唯一經獨立驗證的數字屬於較舊的模型，而它顯示 Muse Spark 1.1 在一個小到可以一次讀完的 scaffold 內，以不到兩百美元的成本，解決了 Terminal-Bench 2.1 的四分之三。

{{1}}第二件值得關注的事更為狹義，且來得更快：{{/1}}{{2}}亦即人工分析是否會像對 1.1 那樣，發布 1.2 世代的程式編寫與代理性子項分數。{{/2}}{{3}}代理性表現是 1.1 各項已發布指標中明顯最弱的一環。{{/3}}{{4}}這正是 Meta 聲稱已修復的數字，{{/4}}{{5}}也正是 Meta 以外尚無人測量過的數字。{{/5}}