Meta 推出 Muse Code：以数据换低价，编码成本从美元降至美分
Meta 对于愿意让公司从他们的工作中学习的开发者，将把编码成本从美元降至美分。
最新消息：Meta 正式推出命令行式代理智能体编码框架 Muse Code，及其核心模型 Muse Spark 1.2。该模型以高能力、低单任务成本为特点，旨在通过“贡献者档位”大幅降低开发者的使用成本。
✴ 输入/输出：支持文本、图片、视频和 PDF 输入（最高 1,048,576 token），仅输出文本。
✴ 核心功能：提供多级推理强度（none 至 xhigh）、工具调用、结构化输出、网页搜索、上下文缓存及可跨会话保留的后台子智能体。
✴ 性能表现：在 Artificial Analysis Intelligence Index 得分为 57 分；在 Vals AI Finance Agent v2 及 AA-LCR 基准测试中均位列第一。
✴ 价格体系：Muse Code 目前处于 macOS/Linux Beta 阶段。标准档位价格为输入/缓存/输出每百万 token 分别 1.25/0.15/4.25 美元（数据不用于训练）；贡献者档位价格骤降至 0.10/0.002/0.20 美元（数据授权用于训练）；网页搜索额外收费 2.50 美元/千次。
✴ 未披露信息：参数量、具体架构、知识截止时间及详细训练方法。
工作原理
Muse Code 在终端运行，接收任务后制定计划、编写代码，并调用 Muse Spark 1.2 逐步验证结果。Meta 利用 Muse Spark 1.1 的数据训练了新模型，使其能完美适配该框架。其架构设计包含三大创新点，区别于传统的单循环调用模式：
✴ 持久化子智能体：主智能体将任务分派给一组在整个会话期间持续存在的子智能体，而非临时创建。Mark Zuckerberg 指出，这些子智能体在隔离的 worktree（仓库独立副本）中并行编辑，有效避免冲突。
✴ 上下文记忆与自主汇报：子智能体因持续存在而保留已学习的仓库上下文，无需重复推导，并可自主决定向主智能体汇报的时机。
✴ 日志断点续传：主智能体将所有模型调用、工具运行、审批及编辑操作记录在本地日志中。若发生崩溃，系统可从日志读取并从中断处恢复，显著提升长任务处理能力。
✴ 内置技能指令：默认集成/plan（生成待批路线图）、/grill（检查计划漏洞）及/goal（推动目标达成）三大指令。
测试结果
独立评测显示，Muse Spark 1.2 的智能水平略低于顶尖模型，但凭借极低的单任务成本展现出极高的性价比。
✴ Intelligence Index：在综合九项经济任务评测中，Muse Spark 1.2（xhigh 推理）得分为 57 分（单次 0.40 美元），排名第六，超越 Grok 4.5（56 分），仅次于 Qwen3.8-Max（58 分）。较上一代 Muse Spark 1.1 提升 4 分。
✴ AA-LCR（长文档推理）：在 xhigh 推理模式下准确率达 83.3%，优于所有参测模型。
✴ Vals Index（金融与编码综合）：xhigh 模式下得分 71.88%（单次 0.70 美元），排名第五。其成本不到 Claude Opus 4.8 和 GPT-5.6 Sol 的十分之一，后者单次成本均超 7 美元。
✴ Finance Agent v2（初级金融分析师任务）：xhigh 模式下得分 60.60%（单次 0.77 美元），在 45 个模型中排名第一。相比第二名 Claude Opus 5（58.63%，单次 5.12 美元），成本仅为后者约七分之一，且耗时减半。
新闻背后
Muse Spark 1.2 本身已是低成本模型，但“贡献者折扣”策略可能带来变革性影响。这一举措反映了企业对高质量训练数据的迫切需求。
✴ 数据困境：Mark Zuckerberg 指出，美国实验室受限于训练数据。虽然 Hugging Face 发布了大规模代码语料库 The Stack v3，但公开仓库仅包含最终代码，缺失了开发过程中的思考、试错与修正记录。实际编码框架的会话记录能完整捕捉这一过程。
✴ 价格战背景：此次折扣正值行业价格战升级。OpenAI 将 GPT-5.6 Luna 价格下调 80%，DeepSeek-V4-Flash 价格也极具竞争力。Meta 的贡献者档位价格低于上述两者及大多数高性能模型厂商。
重要原因
贡献者档位让 Meta 获取了其社交平台无法提供的宝贵编码数据。Facebook、Instagram 等平台虽数据海量，却缺乏训练编码智能体所需的专业代码及思维链数据。Meta 愿以大幅降价换取训练权，开发者只需选择特定模型名称即可达成此“隐性合同”。
值得注意的是，贡献者档位限速为每团队每分钟 100 次请求，远低于标准档位的 3000 次。这一定位主要面向个人开发者和小团队，他们往往缺乏法律资源去审视数据条款，且其产品代码完全暴露于智能体读取范围内。
我们在想
开发者并未被强迫交出数据以换取 Meta 的最佳模型，但在权衡 Muse Code 的折扣时，实际上是在为自己的代码和专业能力定价。长期以来，模型构建者通过抓取公共代码训练模型，而 Meta 正试图将这种知识转移显性化为一个市场。
在这个市场中，无论是公开还是私有的仓库，亦或是工作过程的记录，此前均无明确标价。Meta 已透明地给出了折扣价格，开发者在认定这笔交易划算之前，也应先审慎评估自身数据的真实价值。
