Muse Spark 對決 DeepSeek V4.1 Pro：一個下載已上線，一個從未發布

有三個名字決定了這場對決，而其中只有兩個是你能實際握在手中的東西。Muse Spark Open 於 2026 年 10 月 15 日成為真正可下載的項目，當時 Meta 發布了其開放成員的權重、配置與授權條款，該成員屬於其 Meta Muse Spark 系列。DeepSeek V4.1 Pro 從未發布：這個層級只被命名過一次，就在 9 月 10 日的一則更新日誌條目裡，該條目描述了一項它隨即撤回的路由方案，此後便未發布任何模型卡、價格列、儲存庫或日期。第三個名字才是讓這個標題得以被回答的關鍵，因為它正是讀者實際上會拿來比較的旗艦—— DeepSeek V4 Pro，這款 1.6 兆參數、以 MIT 授權的旗艦自 2026 年 8 月 13 日起即可下載與呼叫，並有 DeepSeek V4.1 Flash 位居其下，作為同一產品線中便宜、快速、具影像讀取能力的成員。

這樣說來，有趣的問題並不是哪個模型更聰明。而是：對於以權重而非端點為基礎來開發的人而言，情況有什麼改變——這場比較的其中一方，昨天取得了一份你可以閱讀、也可以與之爭論的授權；另一方則從未有過；而每任務價格的算法，和每 token 價格的算法，方向正好相反。

標題的兩半並不是同一種物件

這組配對的形態相當不尋常，值得在任何數字之前先說明。通常一個「vs」頁面會有版本問題——兩個模型名稱各自藏著三個檢查點。這裡則是一方有版本問題，另一方有存在性問題。

Meta 這一方的說法清楚明瞭。Muse Spark 是一個系列，而非單一次發表：這條產品線於 2026 年 4 月 8 日推出，此後已重新調整方向四次。Muse Spark 1.1 於 2026 年 7 月 16 日登場，Muse Spark 1.2 於 8 月 5 日推出，而 Muse Spark 1.3 則於 9 月 2 日亮相；1.3 的「max」推理等級在額外安全測試後，於兩天後的 9 月 4 日開放。Muse Spark Open 是這個名稱下的第五個成品，也是唯一一個你能自行託管的版本。

DeepSeek 這一邊完全無法成立。DeepSeek V4.1 Pro 是個背後空無一物的層級名稱，而它與確實存在的那四款 DeepSeek 模型之間的差異，正是本頁非得指名替代方案不可的全部原因。誠實的解讀是，搜尋這個對決的讀者心中其實同時帶著兩個不同問題——Meta 剛把什麼放上了磁碟，以及那個已被承諾的 DeepSeek 層級究竟何時才會真正存在。

實際上落下來的是什麼，以及它已經在那裡待了多久

Muse Spark Open 既不是驚喜突發發布，也不是傳統意義上的發布，而這兩種描述之間的落差，正是這次發布最耐人尋味之處。那個 Hugging Face 儲存庫——一個 BF16 檢查點，以及一個獨立的 NVFP4 版本，名稱是 Muse-Spark-Open-816B-A42B——其建立時間戳記為 2026-09-15。接著它就在那裡擱了一個月，受閘門管制且未對外公告，而存取表單內的授權條款與使用政策卻仍標著自己的日期：2026 年 10 月 15 日。這個產物默默存在；文書則在一個月後才追上。

中繼資料與 Meta 自家的發布貼文，在無須任何人進行基準測試的情況下，所確立的是：

• 規模 — 總參數約 8,160 億，每個 token 約有 420 億活躍參數；這是一個稀疏專家混合模型，橫跨 62 層，每個 MoE 層有 256 個專家，每個 token 選取其中 8 個。

• 上下文 — 一個 1,048,576 token 的視窗，由所有模態共享，而非在它們之間分割。

• 模態 — 輸入文字、圖像、影片與音訊；輸出文字。Artificial Analysis 的獨立清單記錄了相同的輸入列，描述一個接受文字、圖像、語音與影片的模型。

• 推理 — 一種推理強度設定，具有低、中、高與 xhigh 等級，且無法完全關閉推理。

• 存取權 — 需經審核。申請表要求填寫完整法定姓名、出生日期，以及含企業識別碼的組織，且提交後無法編輯。若有人把這當成一鍵下載，最好預期得排隊等候。

那是紀錄中已定案的部分。尚未定案的部分是測量，而值得精確說明哪個是哪個——請見下方的數字章節。

deepseek-ai 組織，以及不在其中的名稱

關於 DeepSeek V4.1 Pro 的所有已發布資訊，用 DeepSeek 自家更新日誌裡的一句話就能概括——那則日期標為 2026-09-10、隨 DeepSeek V4.1 Flash 一同發布的說明。內容指出，自 9 月 14 日 04:00 UTC 起，送往 deepseek-v4-pro 的請求將被路由至新發布的 Flash 模型，並依 Flash 的費率計費，且此做法將持續「直到 V4.1-Pro 正式推出」。開發者群起反對，認為在毫無遷移緩衝期的情況下，就把他們正在使用的正式環境模型暗中替換掉；而同一則更新日誌也記錄了這項決定的逆轉：DeepSeek 決定在 9 月 14 日之後繼續提供 DeepSeek V4 Pro，且計費維持不變。

路由計畫告終了。名字卻留存下來，而那一條款便是公開紀錄的全部。已於 2026 年 10 月 16 日依據一手資料查證：

• DeepSeek 的「模型與定價」頁面僅提供兩個模型名稱——deepseek-flash 與 deepseek-v4-pro，分別對應至 DeepSeek-V4.1-Flash 和 DeepSeek-V4-Pro-0813。其中沒有 V4.1 Pro 的欄、列或價格。

• DeepSeek 的更新日誌完全沒有任何十月份的條目，而它最近期的條目是 2026-09-10、2026-08-21 和 2026-08-13。

• Hugging Face 上的 deepseek-ai 組織沒有名為 V4.1 Pro 的儲存庫。其最新的模型儲存庫是 DeepSeek-V4.1-Flash，建立於 2026-09-10。

一個未經證實的訊號值得記錄，但也僅止於此。10 月 15 日上午，一名追蹤者回報某個 DeepSeek 端點在服務中斷結束後行為有所不同——通過了一道 DeepSeek-V4-Pro-0813 與 V4.1 世代都未能通過的關係推理提示，並在四個樣本中重現，速度約為每秒 180 個 token——並猜測其名稱為 V4.1 Pro。其背後沒有模型卡、沒有權重檔，也沒有廠商聲明，而對現有服務組態進行無聲重建，從外表看來也會完全相同。把它當作值得留意的理由，而不是一次發布。

V4.1 Pro 幾乎必然會繼承什麼，值得單獨說明，因為這屬於推論，而不是報導。V4 與 V4.1 系列中已推出的每一款 DeepSeek 模型——DeepSeek-V4-Pro-0813、DeepSeek-V4-Flash、DeepSeek-V4-Flash-0731 以及 DeepSeek-V4.1-Flash——其模型卡上都標示 license:mit，而提供的規格範圍也一直一致：輸入 1M tokens，輸出最高 384K。該系列中的 Pro 層級預期也會兩者都比照。目前尚未有任何已發布的內容如此表明。

沒有任何記分板承載的軸：許可證

這就是兩個開放權重選項真正分道揚鑣的地方，而對任何要推出產品、而非跑基準測試的人來說，這一節就決定了整篇文章的走向。Artificial Analysis 對 Muse Spark Open 的條目將授權問題回答為「允許商業使用，但附有限制」，而原因就在 Meta 自己的文本中。

Muse Model License 並非 OSI 授權，也不是 MIT 授權。有兩項條款改變了「開放權重」在實務上的意義，而這兩項都不在標題中。

• 「模型即服務」條款。第 3 條要求，若你或你的關係企業透過 API 以產品或服務形式讓第三方取用該模型，且你的合計總收入在任何連續十二個月期間內超過兩千萬美元，你必須在經營該業務之前通知 Meta，並另行簽訂書面協議。將該模型建置於你自己的產品中屬於除外情形；轉售該模型則不屬。

• 姓名標示條款。被授權人必須在使用該模型或衍生作品之任何產品的介面中，或於隨附文件、網站或設定選單中，顯著標示「Built with Muse Spark Open」。

相較之下，DeepSeek 整條已推出的產品線都採用 MIT 授權——DeepSeek V4 Pro、DeepSeek V4.1 Flash 及其前代版本全都如此，既沒有營收門檻，沒有通知義務，也沒有姓名標示要求。實際後果並不隱晦。如果你的計畫是把該模型架設在 API 背後供他人使用，Meta 的授權設有營收觸發線，而 DeepSeek 的沒有。如果你的計畫是推出以這些權重打造的消費性產品，Meta 的授權要求你顯示一段文字，而 DeepSeek 的則什麼都不必顯示。

Muse Model License 明確授予的兩件事，值得特別說明，因為它們正是開放權重的真正重點：你可以微調、蒸餾、合併、發布、再授權與販售衍生作品，而 Meta 對輸出主張不擁有任何所有權。限制很窄，授予則很廣。但如果你是在法律審查上、而非能力上，在這兩者之間做選擇，這個選擇毫無懸念，而且這是這場對決在任一模型生成任何 token 之前就已給出的答案。

那些數字，還有那條向後延伸的線

Artificial Analysis 是唯一為兩個陣營都有公開排名的第三方，而它不會把它們放在同一個分類裡——開放權重模型會與相同規模級別的開放權重模型相比，這在此處不會造成太大扭曲，因為所討論的一切都是開放權重模型。以下是它的量測結果，既不是廠商的說法，也不是我們的。

• Muse Spark Open (xhigh) — Intelligence Index 39，在同類 118 個項目中排名第九，遠高於同類中位數 19；每百萬個 token 輸入 $1.25、輸出 $4.25；每完成一項指數任務 $0.84；輸出速度為每秒 103.4 個 token；首個 token 時間 0.65 秒；指數測試期間產生 1.1 億個輸出 token，中位數為 1.3 億；總參數 8,160 億、活躍參數 420 億；Muse Model License。

• DeepSeek V4 Pro 0813 (max) — 智慧指數 36；每百萬個 token 輸入 $1.32、輸出 $3.96；每項智慧指數任務 $0.67；每秒 92 個 token；首個 token 時間 1.66 秒；輸出 token 1.6 億，高於中位數；總參數 1.6T、活躍參數 49B；MIT 授權。

• DeepSeek V4.1 Flash (max) —— 實用的第三欄，也是讓整個比較重新洗牌的那一欄。智慧指數 39 —— 與 Muse Spark Open 同分 —— 每百萬 token 輸入 $0.30、輸出 $1.20，每項指數任務 $0.27，每秒 179 個 token，首個 token 時間 1.15 秒，而輸出 token 達 2.5 億，是該級別中最冗長的量測。

把這三者放在一起讀，反轉才是重點。DeepSeek 的模型在每個任務上更為冗長——輸出 token 分別為 160M 和 250M，而 Muse Spark Open 為 110M——但每完成一個任務的成本卻更低，因為每 token 的價格低得多。在這裡，每 token 成本與每任務成本指向相反方向，任何只根據表面上的輸入/輸出費率來比較的人，都會對哪一個營運成本更低得出錯誤結論。

兩個會實質改變計算結果的定價注意事項。首先，DeepSeek 自家的價目表在離峰時段將費率減半，而尖峰時段是一個很窄的時段——UTC 週一至週五 01:00–04:00 與 06:00–10:00，不含中國國定假日，週末與假日則完全屬於離峰。上述的 $1.32 / $3.96 與 $0.30 / $1.20 數字是 DeepSeek 公布的尖峰費率；離峰費率為 DeepSeek V4 Pro 的 $0.66 / $1.98，以及 DeepSeek V4.1 Flash 的 $0.15 / $0.60。一週中的大部分時間都屬於離峰。其次，Meta 完全沒有公布 Muse Spark Open 的價格——$1.25 / $4.25 那一列是 Artificial Analysis 所測量的託管途徑，回報的是提供該模型服務的供應商之間的中位數，而不是針對模型權重的廠商標價。你自己託管的權重沒有按 token 計價的價格；它們有的是硬體帳單。

Muse Spark 這邊還有一個老實的但書。上述的 39 屬於在 xhigh 下的 Muse Spark Open，而那不是這個系列最好的數字。Muse Spark 1.3 在 max 下於同一指數得分 48——高出九分——而大多數開發者一直以來所呼叫的檢查點 Muse Spark 1.2 則得分 40。從開放檢查點推斷這個系列的能力，會低估它；把開放檢查點的授權條款套到封閉產品線上，則是範疇錯誤，因為兩者受不同條款規範。

在兩者完全不是替代品的情況下

39 與 36 之間的指標差距很小，小到足以落在每個測試工具執行方式所產生的雜訊範圍內，這就是為什麼在兩者之間做選擇時，下方的規格會比分數更重要。

• 模態 — 這根本沒得比。Muse Spark Open 能讀取文字、圖像、影片與音訊。DeepSeek V4 Pro 只讀文字，別無其他；DeepSeek 自家的價目表在它的視覺欄位標註「不支援」，Artificial Analysis 的紀錄也是如此。如果你的流程會把螢幕錄影、影片或語音送進模型，那這場比較到此結束。

• 背景 — 兩者都是 1M tokens，沒有什麼需要區分的。Muse Spark Open 將該預算分配給各種模態；DeepSeek 的則從構造上僅限文字。

• 最大輸出 — DeepSeek 公布 DeepSeek V4 Pro 與 DeepSeek V4.1 Flash 的輸出上限為 384K 詞元。Meta 並未公布任何我們能查證的 Muse Spark Open 最大輸出數字。若你會在一次呼叫中生成冗長的產出物，那麼未公開的輸出上限是需要實測、而非逕自假設的風險。

• 首個 token 延遲時間 — 這是 Muse Spark Open 明確勝出的唯一一項延遲指標，為 0.65 秒，相較之下 DeepSeek V4 Pro 為 1.66 秒、DeepSeek V4.1 Flash 為 1.15 秒。對於以首個 token 決定下一次工具呼叫的互動式或代理迴圈而言，這是實質的差異，而且即使指數差距較小，這項優勢依然成立。

• 吞吐量——DeepSeek V4.1 Flash 是三者中最快的，每秒 179 個 token；Muse Spark Open 為 103.4，DeepSeek V4 Pro 為 92。值得注意的是，封閉版 Muse Spark 1.2 測得每秒 361 個 token——開源檢查點是不同的部署，具有不同的速度特性，不應假定它會繼承封閉產品線的數據。

• 整個系列的延遲差異很大——值得用一行說明，因為這是個陷阱。Muse Spark 1.3 在最高推理強度下測得的首個 token 時間為 54.06 秒，而同類產品的中位數約為 3.7。偏重推理的設定，可能在首個 token 出現前就耗掉將近一分鐘。無論你從 Muse Spark 的哪一列資料得出什麼結論，都要確認它是由哪個檢查點與哪個努力程度所產生的。

執行比較，而不是閱讀它

這則標題的兩邊都無法靠爭論來解決，因為牽涉到的兩件事——39 對 36 在你的流量上究竟有沒有意義，以及 Muse Spark Open 的吞吐量和延遲在另一套服務堆疊上是否站得住腳——只有在你自己的請求中才看得出來。最省事的確認方法，就是讓兩者跑同一組提示詞。

這正是我們的用途。OrcaRouter 把這裡四個擁有端點的模型——Muse Spark 1.2、Muse Spark 1.1，deepseek-v4-pro 以及 deepseek/deepseek-v4.1-flash——放在橫跨 200+ 個模型的單一 API之後，以各供應商的定價原價提供、0% 加價直接轉嫁，因此供應商降價當天我們這邊就會同步生效。兩個系列共用同一把金鑰：不用第二份合約、不用第二個 SDK、不用為了讓兩者互相對測而進行移轉，還有自動容錯移轉，讓路由實驗出問題時會降級到另一個模型，而不是降級到錯誤頁面。

誠實的部分比推銷更重要，所以：Muse Spark Open 並不在我們的目錄中，我們也不會暗示相反的情況。一個整體賣點就是你可以下載它的模型，就是你自己跑的模型，而 816B 檢查點是一項硬體決策——Meta 自家的 BF16 配方將它分散到四個節點、每個節點八張 H200 上。DeepSeek V4.1 Pro 同樣不在我們的目錄中，因為它並不存在。現今可用的路由測試所跑的，是確實存在的檢查點：一邊是 Muse Spark 1.2 與 Muse Spark 1.1，另一邊是 DeepSeek V4 Pro 與 DeepSeek V4.1 Flash。

誰應該選哪個

如果你需要多模態能力，就選 Meta 的。Muse Spark Open 能在單一 100 萬 token 的額度內讀取影片、圖像、音訊和文字，並以文字作答，而 DeepSeek 已推出的產品線中沒有任何一款做得到這點。DeepSeek V4.1 Flash 能讀取圖像，性價比明顯高出一大截，但它不是影片或音訊模型，而 DeepSeek V4 Pro 則僅支援文字。

如果你需要每項完成任務的最低成本，或者你需要一個無須法律審查就能據以建立事業的授權，那就選 DeepSeek 的。根據 Artificial Analysis 的測量，DeepSeek V4.1 Flash 以約為三分之一的每項任務成本，達到與 Muse Spark Open 相同的指數分數；而 DeepSeek V4 Pro 雖然是更為冗長的模型，卻在每項任務成本上勝過它。整條已出貨產品線皆採用 MIT 授權，意味著沒有營收門檻，也沒有署名要求。

如果你需要互動迴圈中最快的首個 token，Muse Spark Open 的 0.65 秒在這項比較中是最好的數字，領先幅度達兩倍，而這也是唯一一個較小的指數分數顯然無關緊要的面向。

而如果你帶到這裡的問題是「我該不該等 DeepSeek V4.1 Pro」，那今天的答案是：沒有什麼有明確日期的東西值得等。你現在能呼叫的兩款 DeepSeek 模型，本來就是這份比較必須拿來對照的對象，而其中一款——DeepSeek V4.1 Flash——得分還高過那個層級名稱理應凌駕其上的旗艦款。真正該留意的不是層級編號，而是這張表上 DeepSeek 這一側究竟會不會有任何變動：DeepSeek 更新日誌裡出現一筆十月的紀錄、deepseek-ai 組織底下多出一個儲存庫，或是 Models & Pricing 頁面上多出第四列計價項目。在上述任何一項出現之前，更有意思的動態其實在 Meta 這一側的帳面上——在那裡，一份授權條款、一筆硬體帳單，以及 110M 詞元的冗長度數字，如今都是讀者真正查證得到的東西。

對於一個失效模式仍未被記錄的模型來說，有用的對照資料是其他地方已經出錯的紀錄：這類模型的已記錄 AI 事件與代理失效，都收錄在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。