Meta Muse Spark 1.3

Muse Spark 1.3, wydany 2 września 2026 r., to najnowszy model Meta do pracy agentowej i programowania, trzecia premiera linii Spark w dwa miesiące. Argument sprzedażowy jest nietypowy jak na premierę modelu czołowego: na pierwszym miejscu nie stoi rekord w teście, tylko oszczędność. W porównaniach prowadzonych przez inżynierów Meta wobec Muse Spark 1.2 nowy model ma być wyraźnie szybszy przy około 20% mniejszej liczbie wywołań narzędzi i około 25% mniejszym zużyciu tokenów — rzadziej zawraca tam, gdzie nie trzeba, i pisze mniej rozwlekły kod. Meta opublikowała tym razem pełną tabelę wyników z liczbami, co warto odnotować, bo poprzednie wydania Sparka dostały same wykresy. Czytana uczciwie, jest to wynik podzielony. W programowaniu model prowadzi w swojej stawce: DeepSWE v1.1 75,4 (Muse Spark 1.2: 55,0; Opus 5: 74,0), SWEAtlas CodeBase QnA 59,4 (46,2; 52,7) oraz Terminal-Bench 2.1 88,8, na równi z GPT 5.6 Sol. W wyszukiwaniu w długim kontekście przewaga jest miażdżąca: MRCR 256K-512K 98,5 wobec 66,3 dla własnego poprzednika i 91,5 dla GPT 5.6 Sol, a MRCR 512K-1M 98,1 wobec 55,5 i 73,8. W wierszach agentowych model przegrywa jednak najczęściej z Opus 5 od Anthropic — GDPVal-AA v2 1754 wobec 1824, JobBench 64,9 wobec 65,7, AutomationBench 49,6 wobec 50,3 — a z GPT 5.6 Sol przegrywa w przeglądaniu sieci (DeepSearchQA 90,3 wobec 93,1) i w wykonywaniu instrukcji (Agentic IF Index 57,8 wobec 60,5). Jedyny wiersz agentowy wygrany na czysto to wynik binarny w OSWorld 2.0, czyli obsłudze komputera: 32,0 wobec 31,4. Jedno zastrzeżenie wynika z samych nagłówków tabeli Meta: wersję 1.3 zmierzono przy maksymalnym poziomie rozumowania, a 1.2 przy poziomie xhigh, więc kolumny nie są ustawione tak samo. Poza liczbami Meta opisuje raczej wyuczone zachowania niż surowe zdolności: model dopytuje przy niejednoznacznym poleceniu, prosi użytkownika o pomoc, gdy utknie, potwierdza działania o poważnych skutkach i został wytrenowany, by rozpoznawać własne granice zamiast zmyślać wynik. Prace nad bezpieczeństwem szły tym samym torem — odporność na wstrzykiwanie poleceń i lepsze wyczucie, które działania są nieodwracalne. Model jest dostępny w Muse Code i w Meta Model API; firma zapowiada wydanie Muse Spark z otwartymi wagami i większe modele, ale dla tej wersji nie podała liczby parametrów ani architektury. Meta nie podała ceny w komunikacie premierowym, ale podaje ją dokumentacja dla programistów — i rozdziela ją na dwoje. W tierze Standard, w którym firma deklaruje, że nie trenuje na zapytaniach i odpowiedziach użytkownika, model kosztuje 1,25 USD za milion tokenów wejściowych i 4,25 USD za milion wyjściowych, a wejście z pamięci podręcznej 0,15 USD. Szeroko cytowane stawki 0,10 i 0,20 USD należą do osobnego identyfikatora modelu — muse-spark-1.3-contributor — który jest tańszy właśnie w zamian za zgodę na trenowanie na twoich zapytaniach i odpowiedziach. Dwa dalsze szczegóły z tej samej dokumentacji: okno kontekstu to dokładnie 1 048 576 tokenów, a maksymalny poziom rozumowania, przy którym Meta zmierzyła model we własnej tabeli, działa wyłącznie w tierze Standard. Firma ostrzega też, że rozumienie audio w wersji 1.3 nie jest w pełni wspierane i jakość może być gorsza — do zadań z dźwiękiem odsyła z powrotem do Muse Spark 1.2.

▸Wideo

Brak materiałów wideo.

▸Recenzje