Meta发最强模型打响价格战，小扎对谷歌贴脸开大！北大校友立大功

新智元报道

太卷了。

九月才过去3天，就已经有五个前沿模型发布了！

Anthropic的Fable 5.1和Mythos 5.1、谷歌的Gemini 3.8 Flash和Cyber，以及Meta的Muse Spark1.3……RSI，肯定已经到来了。

就在昨晚，谷歌的Gemini 3.8 Flash刚成为轻量霸主，Meta就来踢馆了。

小扎在X上霸气官宣：Muse Spark 1.3 今日正式发布，它以前沿性能，带来几乎便宜到无需计量的体验。这是我们在编程和智能体工作方面迄今实现的最大飞跃！

Meta 超级智能实验室的掌舵人 Alexandr Wang也连发三条X，揭秘了这次「王炸」的核心杀手锏。

他表示，与 Muse Spark 1.2 相比，Muse Spark 1.3 减少了无效轮次，工具调用次数减少 ~20%，token 消耗减少 ~25%，并且在长周期任务中能更好地保持需求，「用户会明显感受到这次飞跃」。

Muse Spark 1.3 一发布，昨晚刚发布的 Gemini 3.8 Flash 就略显尴尬了。

跑分显示，这次 Muse Spark 1.3 的提升更大。

它不仅在跑分上反超了GPT-5.6 Sol 和 Fable 5，Max 推理强度下的 Artificial Analysis 智力指数已经达到 62 分，妥妥进入当前第一梯队。

在五个月里，Meta已经不知不觉迭代了4个Muse Spark版本了。

亚历山大王嘲讽谷歌

「吸别家模型尾气」

最近，AI第一梯队可是非常拥挤。GPT-5.6把持着王座，Fable 5.1后来居上，Gemini 3.8 Flash正弯道超车。

Muse Spark 1.3 的出现，直接打乱了所有人的阵脚。

在最能体现模型真实长程编程能力的 DeepSWE v1.1 基准测试中，Muse Spark 1.3直接超越Opus 5和GPT-5.6 Sol，还把刚发布的 Gemini 3.8 Flash 甩在身后，拿下了当前的最高分。

Muse Spark 1.3：75.4 分

Claude Opus 5：74.0 分

GPT-5.6 Sol：73.0 分

不仅如此，在其他几项关键的开发者指标中，Muse Spark 1.3 也展现出了不容小觑的性能。

在SWEAtlas CodeBase QnA，它拿下 59.4 分，超越 GPT-5.6 Sol 和 Opus 5。

在Terminal-Bench 2.1它拿下88.8 分。

在MRCR 512K-1M上，它居然拿到惊人的 98.1 分！（作为对比，GPT-5.6 Sol 在这项上仅有 73.8 分，简直是碾压）。

在 Agent能力上，它也基本追平了最前沿的水平，在 JobBench、OSWorld 等测试中与Opus 5仅剩几个百分点的微弱差距。

在Artificial Analysis上，Muse Spark 1.3把Gemini 3.8 Flash明显甩在身后。

在智能指数上，它获得了62分，与Claude Fable 5持平，跻身顶尖行列。

而在最受开发者关注的成本方面，Muse的输入成本比Fable 5低8倍，输出成本低近12倍，性价比拉满。

面对如此亮眼的战绩，Meta的首席AI官Alexandr Wang直接阴阳起来：「在Artificial Analysis智能指数上，Gemini啥也不是，只能吃别家模型的汽车尾气。」

谷歌真是虎落平阳。

有人戏称：「谷歌辛辛苦苦四个月发了4个Gemini Flash版本，Meta这边五个月里一口气迭代了 4 个 Muse Spark⁺。但谷歌刚领跑了几个小时，就被 Meta 超车了，这剧情太精彩了。」

Less is More：1美元跑2小时的性能怪兽

跑分高固然厉害，但在如今的AI圈，真正让开发者兴奋的，永远是好用且便宜。

Muse Spark 1.3 之所以被称为性价比之王，是因为它不仅跑得快，还特别会省钱。

正如 Alexandr Wang 所言，Muse Spark 1.3「便宜到不值一提」，「前沿性能，成本只是零头」。

它走了一条与以往大模型「大力出奇迹、疯狂堆叠参数」完全不同的路——做减法。

针对长周期编程和更优的指令遵循能力，Muse Spark 1.3进行了专门训练，从而减少不必要的交互轮次，并让输出更加简洁。

它变得更聪明利落，代码风格更干净，废话更少。

而这种减法带来的直接后果，就是成本的断崖式下跌。

下面就是一个非常震撼的真实实测案例。

开发者 @SPAC89 使用 Muse Spark 1.3 Ultra Contributor 模式，与Fable 5.1 xHigh 进行了对比。

他给出的 Prompt中包含一条严苛的「自我改进规则」：如果独立评委的评分低于 9.5/10，智能体必须继续改进代码并重新尝试。

这两个模型都运行了大约 2 个小时，结果惊人。

Muse Spark 1.3 简直像一个不知疲倦的超级打工人，它根本停不下来，足足进行了 20 轮自我改进循环，每次启动 3 个智能体——相当于在 2 小时内跑了 60 多次智能体运行。

而完成这极其庞大、复杂的长程推理任务，总成本竟然不到 1 美元！

这位开发者惊呼：「这完全超出了我的预期，这玩意儿简直是一件艺术品！」

在宏观定价上，Meta 展现出了极大的诚意。新模型加量不加价，维持了每百万 token 输入 1.25 美元、输出 4.25 美元的定价。

在定价上，Muse Spark 1.3的贡献者版「muse-spark-1.3-contributor」更是国外模型定价的地板。（代价，就是要把数据用于改进Meta的产品。）

Codedamn创始人、开发者Mehul Mohan直呼：

Muse Spark 1.3 的贡献者层定价简直离谱得不真实，这就是美国 AI 实验室的「DeepSeek 定价时刻」。

在 Artificial Analysis 的统计中，在同等智力水平（得分59以上）的模型里，Muse Spark 1.3 的单任务成本仅为 0.55美元，是绝对的最优解。

作为对比，同等智力（61分）的 Grok 4.6 成本为 0.94 美元，GPT-5.6 Sol 需要 0.95 美元，Claude Opus 5 更是高达 1.23 美元。

甚至，开发者 Kartik指出，Muse Spark 1.3 似乎具备了类似于 Sol 和 Fable 的「循环深度」推理能力。

它不是在一瞬间生成答案，而是懂得在内部进行逻辑推演，这使得它的token效率高得惊人。

Alexandr Wang的狂飙，小扎的终极野心

Muse Spark 1.3 的横空出世，离不开其背后的操盘手。

今年 7 月，Meta发布 Muse Spark 1.1，主打 的是1M 超长上下文和计算机操作。

短短不到两个月，1.3 版本就已经把长程编码能力推到了 GPT-5.6 的档次。

如此快速的迭代，正是Alexandr Wang 接手 Meta 超级智能实验室后带来的成果。

他们的终极目标是什么？正如小扎和 Alexandr Wang 反复强调的两个词：「智能体」和「便宜到忽略不计」。

也就是说，Meta看下一个ASI风口——「智能体工程」。

Meta AI负责人Alexandr Wang在接受Axios采访时明确表示，所有的可用性改进，都是为了服务小扎多次提及的宏伟蓝图——打造 7×24 小时在线的个人智能体。

要想让一个智能体 24 小时帮你处理邮件、写代码、分析数据，它必须具备两个条件。

1.极度聪明且稳定：它需要撑住极长的对话线程（长线程），能够并行处理多个工作流。

当指令模糊时，它要懂得主动提问；当遇到阻碍时，它要懂得向人类求助；在执行关键操作前，它要懂得确认。最重要的是，不产生幻觉。

2.极度便宜：如果个人智能体运行一天的成本高达几十美元，那它永远只能是少数人的玩具。

Muse Spark 1.3 的出现，本质上就是为 7×24 小时个人智能体铺路。

它就像一个成熟的资深工程师，你给一个目标，它就能自己规划、自己纠错、自己交付。

为此，北大校友、Meta研究员孙之清透露Meta团队对此前的牛油果avocado模型再次后训练，实现了更好的测试scaling。

狂欢背后：我们被「刷榜」骗了吗？

不过，Muse Spark 1.3也同样受到了质疑。

知名 AI 机构 BridgeMind发了一段引人深思的话：

Gemini 3.8 Flash 和 Muse Spark 1.3 今天同时发布。两者在基准测试上看起来都很出色。

Muse Spark 1.3 目前在智能指数上与 Fable 5 并列……我想感到兴奋。但我没有。

因为，这个月的AI发布如出一辙，分数飙升，但真实世界的体验却毫无长进。

这令人沮丧。我对基准测试的信任每周都在减少，而对那些玩弄基准的实验室，我的信任更是所剩无几。

这段话，精准地击中了当前大模型行业的痛点。

有网友对Muse Spark 1.3、Gemini Flash 3.8z在后端级3D约束下做了压力测试，结果两个模型的老底都被揭穿了：

Muse Spark 1.4并没有那么好，而Gemini Flash 3.5纯纯在刷榜。

现在，各大实验室已陷入「为了跑分而训练」的怪圈。一个模型发布，必定伴随着几张吊打友商的雷达图和排行榜截图。

DeepSWE、Tau3-Bench、GPQA，成了各家疯狂「刷题」的目标。

而Muse Spark 1.3 也露出了马脚。

在 Artificial Analysis 的深度报告中，我们也能看到它的一丝退步。

比如，在 AA-Omniscience测试中，xhigh 和 max 版本都有所下降。原因是它的「弃权率」变高了——当它不确定时，它更倾向于不回答，而不是胡编乱造。

这降低了幻觉率，但也侧面说明，它的绝对知识储备并没有像跑分提升得那么夸张。

大模型的下半场，到底比什么？

今天 Muse Spark 1.3和Gemini 3.8 Flash的发布，可以让我们得出以下几个判断。

首先，基座模型的「参数红利」正在见顶。

单纯靠扩大参数规模来提升智力的路径，边际效益已经越来越低。

未来，谁能像 Muse Spark 1.3 一样，在系统架构上引入类似「循环深度」的推理机制，在工具调用上做极致的「减法」，谁就能获得真正的体验跃升。

另外，「智能体工程」才是胜负手。

大模型之争，已经从「谁更会说话」转向「谁更能干活」。

未来的核心壁垒不是单一跑分，而是在极低成本下，长程任务的真实落地能力。

像 Muse Spark 1.3 这样，用不到 1 美元跑完 60 次试错循环的模型，将彻底重塑商业模式。

参考资料：

https://x.com/SPAC89/status/2095284969614475744

https://research.meta.ai/blog/introducing-muse-spark-1-3

https://x.com/AIatMeta/status/2095234385129963666?s=20

https://artificialanalysis.ai/zh/models/muse-spark-1-3

https://x.com/EdwardSun0909/status/2095236891574780275?s=20

编辑：Aeneas