Muse Spark 1.3 Contributor

1. 编程能力

Muse Spark 1.3 这次比较明显的变化，是编程任务里的执行效率。

Meta 给出的数据包括：

• 工具调用次数减少约 20%
• 完成任务消耗的 token 减少约 25%
• 输出更精简

这几项比单纯说“代码能力更强”更有参考价值。复杂编程任务往往要反复读文件、调用工具、修改代码、检查结果，少几次无效调用，直接影响任务成本和执行速度。

DeepSWE v1.1 中，Muse Spark 1.3 得分 75.4，高于图表中列出的 GPT 5.6 Sol 和 Opus 5。

Artificial Analysis 的独立评测也显示，1.3 的综合智能分数相比 1.2 提高约 4 分。

榜单可以说明方向，但对实际开发来说，是否少返工、少做无效操作，往往更重要。

2. Agent 能力

1.3 另一个重点是长周期编程任务。

这类任务不是生成一段代码就结束，而是连续读文件、调用工具、修改内容、检查结果，再决定下一步。

Agent 最怕的也不是某一步做错，而是前面理解错了，后面还沿着错误方向继续执行。

Meta 提到，1.3 遇到模糊提示时更倾向于先澄清，而不是自己补全条件。

这个变化对 Agent 很实用。任务越长，早期判断失误的成本越高。少走一次错误分支，往往比多做几次工具调用更有价值。

Meta AI 负责人 Alexandr Wang 表示，已经有“两位数百分比”的开发者选择 Contributor 层级。

这个数字至少说明，有一批开发者愿意接受更宽松的数据条款，换取更低的调用成本。

3. 多模态和长上下文

Muse Spark 1.3 的上下文窗口是 100 万 tokens，大约可以容纳 75 万个英文单词。

适合整仓代码分析、长文档、多文件任务和长周期 Agent。

长上下文真正实用的地方，不是数字大，而是能减少手动拆文件、截代码和反复补背景的次数。

输入支持文本、图像、视频、音频和 PDF，输出只有文本。

如果需求是生成图片、视频或音频，这个模型不适用。

4. 相比 Muse Spark 1.2 的进化

Muse Spark 1.2 在 8 月 5 日发布，1.3 在 9 月 2 日上线，两代之间不到一个月。

主要变化集中在效率和 Agent 行为：

• 工具调用减少约 20%
• token 消耗减少约 25%
• Terminal-Bench 2.1 从 82.9 提升到 88.8
• 遇到模糊任务时更愿意确认需求
• 长任务里更少沿错误方向持续执行

这些数字主要来自 Meta 官方测试。

Artificial Analysis 的独立结果支持 1.3 相比 1.2 有提升，但官方数据能否在不同环境里完整复现，还要看更多第三方测试。

1.3 的变化更像是把执行过程收得更干净，而不是单纯把模型能力往上抬一档。

优势

• Contributor 调用成本很低
• 编程和 Agent 能力比 1.2 更成熟
• 100 万 token 上下文适合代码仓库和长任务
• Contributor 没有在模型能力上缩水

限制

• Contributor 的提示词和输出可能被用于训练
• 60 请求/分钟，不适合高并发生产环境
• 没有开放权重版本
• 最大输出为 13.1 万 tokens
• 官方性能数据还需要更多第三方验证

推荐人群

个人开发者、学生、研究者、原型团队、早期 Agent 项目，以及对成本敏感、数据保密要求不高的场景。

不推荐人群

涉及核心代码、客户数据、商业机密的团队，以及对数据合规、数据主权或高并发有明确要求的生产项目。

Muse Spark 1.3 Contributor 的核心很简单：Meta 用更低的价格，换取更宽的数据使用权。

如果数据不敏感，这个价格很有吸引力。

如果数据本身就是资产，就没必要只看调用成本。