Meta 推出 Muse Spark 1.3：開源霸主轉向專屬 API，效能逼近 Frontier 但開放承諾成謎

Meta 在 9 月 3 日正式發布 Muse Spark 1.3——該公司最新的前沿 AI 模型。Meta CEO Mark Zuckerberg 在 X 平台上稱之為「Meta 在編碼和代理工作上最大的一次躍進」，並形容其效能「幾乎便宜到無法計量」。然而，這款模型的發布背後隱藏著一個更複雜的故事：最好的效能來自尚未全面開放的配置，而 Meta 對開放權重的承諾也變得更不明確。

根據 VentureBeat 的報導，Muse Spark 1.3 在 Artificial Analysis 的 Intelligence Index 上，其 xhigh 配置得分 61，與 GPT-5.6 Sol max 和 Claude Opus 5 high 持平，僅次於 Claude Fable 5.1 的 66 分和 Claude Opus 5 max 的 63 分。

兩個版本的差距：什麼是「可以用的」vs「最好的」

Muse Spark 1.3 最引人注目的特點是其 max 推理配置達到了真正的 Frontier 級別——在 OSWorld 2.0 上得分 66.9（xhigh 為 57.2）、GDPval-AA v2 上得分 1,754 Elo（xhigh 為 1,709）、JobBench 上得分 64.9（xhigh 為 61.2）。但 max 配置目前僅向 Meta 的合作夥伴提供有限預覽，API 提供者列表中甚至沒有列出任何供應商。

Meta 表示 max 配置「仍在完成額外的安全測試」，將在「不久後」發布。這意味著開發者和企業目前只能使用 xhigh 配置——雖然仍然強大，但與 Anthropic 等競爭對手的最佳模型仍有差距。

不過，即便只是 xhigh 版本，Muse Spark 1.3 也帶來了顯著的實用性提升。Meta 稱該模型在內部測試中，相比 1.2 版本工具調用減少了約 20%，token 使用量減少了 25%——對於需要運行數千甚至數百萬個代理循環的企業而言，這些行為改進可能比基準分數上的微小提升更具實際價值。

價格戰中的「不降價」策略

Muse Spark 1.3 沒有降價。它維持了與 1.2 相同的標準 API 定價：每百萬輸入 token 1.25 美元，每百萬輸出 token 4.25 美元。這與 Google 同日發布的 Gemini 3.8 Flash（每百萬輸入 0.75 美元，每百萬輸出 3.75 美元）相比價格較高。

但 Artificial Analysis 的數據顯示了一個更細微的故事：在 Intelligence Index 上，Muse Spark 1.3 xhigh 每任務成本 0.55 美元，而 Gemini 3.8 Flash high 為 0.58 美元——Meta 在 Intelligence Index 上領先 2 分，同時每任務成本還低了 3 美分。Zuckerberg 所謂的「幾乎便宜到無法計量」，指的其實是每個代理任務的綜合成本，而不是單純的 token 單價。

然而，Google 在吞吐量上大幅領先：Gemini 3.8 Flash 達到每秒約 305 個輸出 token，而 Muse Spark 1.3 僅為每秒 235 個——速度快了大約 30%。

這一比較生動地展示了前沿模型經濟學已變得何等緊湊：兩分 Intelligence Index 的差距和三分錢的每任務成本差異，正在定義這個時代最強 AI 模型的競爭格局。

開源路線的模糊化

對於許多關注 Meta AI 策略的開發者而言，Muse Spark 1.3 的發布帶來了一個更根本的問題：Meta 是否正在背離其開放 AI 的承諾？

8 月 10 日，Meta 才以 Apache 2.0 許可證發布了 Muse Glimmer（30B 參數），Zuckerberg 同時承諾「在未來數週內，我們也將開放 Muse Spark 1.2 的權重」。然而，現在 Meta 發布的卻是 Muse Spark 1.3——另一款專屬 API 產品。

Meta 的最新公告不再提及 Muse Spark 1.2。它現在說的路線圖是「Muse Spark 開放權重發布」，但沒有指定版本號、發布日期、模型大小或許可證。Zuckerberg 在 X 上也只是模糊地表示「Muse Spark 開放權重版本」即將到來。

對於那些因為 Llama 的可下載權重而選擇標準化 Meta 生態的團隊來說——意味著可以自行託管、微調和控制推理經濟——這種模糊性比基準分數的變化更值得關注。開放權重不只是哲學問題，它直接影響企業的部署靈活性和長期成本結構。

對企業與在職人士的啟示

第一，AI 模型選擇已從「誰最好」轉向「誰最適合」。 Muse Spark 1.3 與 Gemini 3.8 Flash 的對比清楚地表明：在 Frontier 級別，不同模型在不同維度各有優勢——Meta 在 Intelligence Index 上略勝一籌，Google 在速度上大幅領先，而 Anthropic 仍佔據榜首。對香港企業而言，建立多模型評估框架比押注單一供應商更為明智。了解不同模型在推理深度、速度、成本和功能整合方面的差異，是有效 AI 部署的前提。

第二，API 專屬模型的供應商鎖定風險正在上升。 隨著 Meta 從開放權重轉向 API 專屬產品，企業需重新評估對單一平台的依賴。確保工作流程可移植——使用抽象層（如 LangChain、OpenAI 兼容接口）在不同模型和供應商之間切換——可以降低長期鎖定風險。

第三，「代理效率」比「模型智商」更重要。 Muse Spark 1.3 在工具調用和 token 使用上的優化提醒我們：對於實際的代理工作負載，減少不必要的工具調用和 token 消耗可能比提升基準分數更具商業價值。企業在評估模型時，應在標準化基準測試之外，加入針對自身業務場景的實用性評估，特別關注實際運行的總成本。

第四，跟進開源 AI 的動態至關重要。 Meta 的策略搖擺——從 Llama 的開放權重到 Muse 的專屬 API，再回到開放承諾——反映了整個行業的矛盾心態。香港企業應密切關注這一動態，因為開放權重模型的可用性直接影響到企業的部署選項和成本結構。同時，保持對其他開放模型生態（如 DeepSeek、Qwen、GLM）的關注，可以為策略調整提供更多緩衝。

第五，善用 Contributor 定價層但注意數據治理。 Meta 提供極便宜的 Contributor 層（每百萬輸入 0.10 美元、每百萬輸出 0.20 美元），但代價是允許 Meta 使用提示和完成內容進行訓練。對於處理專有代碼或敏感內部資訊的企業，這可能造成不可接受的數據治理風險。在這類場景中，選擇標準定價層或自行託管模型是更安全的選擇。

Muse Spark 1.3 展示了 Meta 迭代前沿模型的速度之驚人——這是五個月內的第四次 Muse Spark 發布。但對企業來說，更重要的問題是：Meta 能否將這種速度轉化為企業可以規劃的路線圖——包括讓其最佳能力廣泛可用，以及兌現開放權重模型的承諾。