Muse Spark 1.2 對比 GLM 5.2：封閉的編碼者與開放的通用型

兩個都具備 100 萬 token 上下文視窗的模型，每百萬 token 的定價相差不到十五美分，同樣鎖定以寫程式為主的代理（agent）任務——但除此之外，兩者幾乎毫無共通點。Muse Spark 1.2由 Meta 於 2026 年 8 月 5 日與共同訓練的終端代理 Muse Code 一同發表，採用封閉權重，每個 token 的價格更低，在現行 Artificial Analysis Intelligence Index 中獲得 57 分，且須先推理才能回覆。GLM 5.2是 Z.ai 六月中旬推出的旗艦開放權重模型，採用 MIT 授權、可自行部署，產生第一個 token 的速度約快五倍，而且經由我們閘道傳送的真實流量仍是前者的四倍半——過去七天共 2.13 億個 token，對照 Muse Spark 1.2 的 4,600 萬個。分數較高、每個 token 也較便宜的模型，流量反而較少；真正被人們實際路由的，是開放的那一個。

這篇文章要講的是該事實的誠實版本。評分與定價的決定性，不如模型對你的流程管線的契合度來得高；而在每個決定契合度的軸線上，這兩者的選擇恰恰相反。凡有獨立數據存在，皆出自 Artificial Analysis；凡出自 Meta 或 Z.ai 者，皆標示為廠商自報；延遲與流量數據則為 OrcaRouter 自身的七天生產環境遙測資料。

規格對比，一次一個維度

• 價格 — Muse Spark 1.2 每百萬個 token 輸入 $1.25 / 輸出 $4.25，快取命中時 $0.15；GLM 5.2 輸入 $1.40 / 輸出 $4.40，快取時 $0.26。Meta 每一列都比較便宜。

• 上下文——皆為 1,048,576 個 token。最大輸出：Meta 記載 Muse Spark 1.2 的上限為 131,072 個 token；GLM 5.2 則宣告為 128,000。

• 推理 — Muse Spark 1.2 的推理為強制功能，涵蓋五種努力等級（minimal 至 xhigh，預設為 medium）；GLM 5.2 則以 high 或 max 的 reasoning_effort 執行混合推理，並預設開啟深度推理。

• 輸入 — Muse Spark 1.2 支援文字、圖片、影片、音訊及 PDF 輸入；GLM 5.2 則為文字輸入、文字輸出。

• 權重 — Muse Spark 1.2 是閉源的，沒有儲存庫，也沒有自架路徑；GLM 5.2 則以 MIT 授權釋出開放權重，這是一個 753B 參數的混合專家（Mixture-of-Experts）模型，每個 token 約有 40B 參數啟用。

• 年齡 — Muse Spark 1.2 在撰寫本文時才推出三天；GLM 5.2 自 6 月 13 日起已投入生產，累積八週的實戰經驗，並擁有圍繞其打造的完整主機與工具生態系統。

指數差距為四點。版本陷阱確實存在。

Artificial Analysis 目前的智慧指數（v4.1.1）將 Muse Spark 1.2 評為 57 分，在 185 個模型中排名第 12；GLM 5.2 則獲得 53 分——這是排行榜上開放權重模型的最高分，但仍落後四分。多數報導仍引用 Muse Spark 1.2 的 54 分，因為那是發布當日評測的數據；v4.1.1 重新評分為其增加了 2.7 分，是該次更新中所有模型裡增幅最大的。如果你在任何地方看到「54 對 51」或「54 對 53」，在把差距當真之前，請先確認每個數字各自屬於哪個指數版本。

值得說明四分的差距代表什麼、又不代表什麼。它代表在九項基準的綜合評比中，Meta 的封閉模型以相近的投入程度領先 Z.ai 的開放模型。它並不代表 Muse Spark 1.2 在所有方面都勝過 GLM 5.2，因為兩個模型是透過不同路徑取得分數的。GLM 5.2 在數學與推理方面表現異常突出——AIME 2026 達到 99.2——但眾所周知它相當冗長，弱點在於深入的儲存庫規模任務。Muse Spark 1.2 則呈現相反的樣貌：擅長終端機程式碼與多檔案任務，而且每次任務的評估成本大幅降低，因為它在思考過程中消耗的 token 少得多。

基準實際分歧之處

在 Terminal-Bench 2.1 上，兩者的差距比指數差距所顯示的更小，而且資料來源比平時更為重要。在同一個 Artificial Analysis 測試框架上，Muse Spark 1.2 得分 80.1，GLM 5.2 得分 77.9。Meta 聲稱 Muse Spark 1.2 在其自有測試框架上得分 82.9；Z.ai 報告的 GLM 5.2 最佳成績為 82.7，這使其成為該基準測試中首個得分超過 80 的開放權重模型。同一個基準測試，四個不同的數字——測試框架的搭配會讓這些分數上下移動數分，因此請將任何單一 Terminal-Bench 的宣稱視為一個區間。

值得關注的分歧在於 DeepSWE 1.1，這項基準測試考驗的是在長時間智慧體迴圈中進行深度、多檔案、儲存庫規模的推理能力。Meta 報告 Muse Spark 1.2 得分 59.3——這是廠商提供的數據，尚未有第三方複現。GLM 5.2 公布的 DeepSWE 得分為 46.2，而其前代 GLM-5.1 僅為 18.0，因此這是 Z.ai 進步最多卻仍居落後的面向。如果你的工作負載是「連貫地修改五十個檔案」，這個差距就是全部重點；如果你的工作負載是終端指令和搭建框架，那它幾乎無足輕重。

還有一項發現推翻了顯而易見的定論。獨立的 Vals AI 測試套件按領域執行代理工作負載，將 Muse Spark 1.2 的整體排名列為第五，得分 71.88%——並在 Finance Agent、TaxEval 和 Harvey's Legal Agent 基準測試中均名列第一，分別與 44、136 和 31 個模型比較——而 Terminal-Bench 2.1 只是它在五十個領域中排名第十四的領域。Meta 將這款模型定位為程式設計模型，但獨立評估者發現它在金融、稅務和法律文件代理方面最強。如果你的團隊撰寫合約或核對分類帳，那就是本文中最有用的一個數字。

「開放權重的問題才是真正的分岔點。」

以上所述皆關乎能力。而這個決定主要涉及所有權，在這一點上，兩者可說是大相逕庭。

GLM 5.2 是採用 MIT 授權的開放權重。這改變的不只是帳單，更是談判的籌碼：如果工作負載涉及敏感資料或用量龐大，你可以自行託管；因為權重屬於你，你可以在不同供應商之間轉移，無需重新整合；而任何提供路由服務的主機都必須在價格和延遲上競爭，這就是開放權重產品線會隨時間越來越便宜的原因。753B MoE 不是能在筆電上執行的模型——大多數團隊仍會選擇租用而非自行運行——但無論是選擇離開，還是以固定成本在內部運行相同權重，都為任何供應商能向你收取的價格設下了下限。

Muse Spark 1.2 選擇的是相反的配套方案。權重是封閉的，唯一的第一方途徑是 Meta 的 Model API，而我們現在也將其納入路由。作為交換，你拿到的是共同訓練的產品：Muse Code——隨模型一同推出的終端代理——以拒絕採樣產生的 harness 軌跡進行調校，並在重放精確的事件日誌執行環境中運行持久、可安全重啟的子代理，內建 /plan、/grill 和 /goal 技能。這與「你把一個好模型接進自己的 harness」是截然不同的事物——它是一個開箱即用的代理。代價是它只能以 Meta 的方式、在 Meta 的工具中、於 macOS 或 Linux 上運作，目前沒有 Windows 用戶端、沒有 MCP，也沒有 IDE 外掛程式。

每個令牌的價格，每個任務的價格

就每個 token 而言，Muse Spark 1.2 在輸入和輸出上都更便宜，而且由於它也是較不冗長的模型，因此每個任務的成本也較低。Artificial Analysis 測得 GLM 5.2 在推出時執行 Intelligence Index 就耗費了 1.41 億個輸出 token，其中 95% 是推理 token——是榜上最冗長的領先模型。Muse Spark 1.2 在同樣的測試中耗費了 9500 萬個 token，每個任務成本為 0.40 美元。更多 token 加上更高費率，代表 GLM 5.2 的每任務成本會以清單價格所隱藏的方式複合增長，而這才是比較推理模型的正確方式：為完成的任務定價，而不是為百萬 token 的費率定價。

還有第三種價格，只有這些型號中的一個有。Muse Spark 1.2 提供一個貢獻者層級，輸入 $0.10 / 輸出 $0.20 —— 比標準層級低一個數量級，也比 GLM 5.2 的牌價低類似的幅度。入場的代價是允許 Meta 使用你的流量來訓練未來的模型，加上每分鐘 60 次請求的上限，這排除了生產環境的扇出。把它視為附帶折扣的法律審查，而不是更便宜的 SKU；對於一個符合資格且在上限內運作的團隊，它讓價格比較不再接近。

延遲：這兩個模型反轉。

如果索引差距有利於 Meta，那麼在延遲表現上，GLM 5.2 在體感上獲得了決定性的勝利。在 OrcaRouter 上過去七天的真實流量中，Muse Spark 1.2 的首個 token 延遲 p50 為 8.13 秒，p95 為 10.00 秒，然後以每秒 576 個輸出 token 的速度飛馳，錯誤率為零。GLM 5.2 的 p50 為 1.55 秒——首個 token 快了五倍以上——但輸出速度僅有每秒 78.5 個 token，錯誤率為 0.16%。在實驗室以最大努力測試時，差距進一步擴大：Artificial Analysis 測得 Muse Spark 1.2 在 xhigh（其最昂貴的推理設定）下，首個 token 的延遲為 26 秒。

「所以，一種模型讓你等待之後快速回應；另一種則立即開始但慢慢來。只要是有人類在等待觀看的場景——例如一輪聊天、一個互動終端工作階段——GLM 5.2 的體驗更好，這就是為什麼它在我們閘道上的互動流量中佔主導地位。而對於長時間生成、大型修補程式或文件草稿，Muse Spark 1.2 一旦開始就會率先完成，因為它的輸出速率是 GLM 5.2 的七倍。如果你衡量了錯誤的數據，就會因為錯誤的理由選錯模型。」

無需第二份合約即可嘗試兩者

兩個型號都在 OrcaRouter 目錄中，以供應商目錄價格供應 — Muse Spark 1.2 為 $1.25 和 $4.25，GLM 5.2 為 $1.40 和 $4.40 — 因為 OrcaRouter 以 0% 加成的方式轉傳供應商價格。這使得上述定價部分是以發票為準，而非標價；也代表在兩者之間切換，只需在相同的金鑰之下變更模型字串中的一行，而不是重新進行整合。如果供應商調降價格，降幅會在當天反映在我們這邊。

路由層之所以在這裡能大顯身手，正是因為這兩個模型互為互補。Muse Spark 1.2 的弱點是首個 token 生成慢，且規模化後價格高昂；GLM 5.2 的弱點則是冗長囉嗦，以及深度儲存庫推理能力不足。一條路由規則，將規劃階段交給 Muse Spark 1.2，將並行 worker 的 fan-out 交給 GLM 5.2——或是在 Muse Code 端點變慢時自動故障轉移到 GLM 5.2——不需要額外成本，因為兩者都位於同一個端點之後。而對於一個誕生僅三天的模型，自動故障轉移正是讓你在不把生產路徑押注在它身上的前提下，試用它的方式。

該由誰來選擇哪一個

請選擇 Muse Spark 1.2，當工作單元是大型、連貫的工件，且有人可以等待幾秒鐘讓它啟動時：多檔案重構、整個儲存庫生成、長代理迴圈，以及——根據 Vals AI 的說法——金融、稅務和法律文件工作。DeepSWE 的領先地位、高輸出率和貢獻者等級都指向同一方向。您接受的是封閉權重、Meta 的工具和較慢的第一個 token，而且您應該將 Meta 的 82.9 和 59.3 視為主張，而非事實。

選擇GLM 5.2，當擁有權與操作感受比綜合分數更重要時：開放權重讓你可以自行託管或遷移、快速的首個 token 利於互動工作、已有可搭配使用的工具與生態系統，以及目前最強的開放權重通用能力。接受其冗長、46.2 DeepSWE，以及即使在計算 token 數量差異之前，每 token 定價就已更高的列表價格。

大多數團隊會發現，誠實的答案是兩者皆非。開放的那個是主力，你將大部分流量導向它；封閉的那個是專家，你用於深度任務與敏感文件。綜合指數上只差四個點，但在誰掌握權重上卻天差地遠——這才是選擇的關鍵，而且遠比分數來得清晰。