Meta发布Muse Code AI编程代理

Muse Code的标准定价为每百万输入token 1.25美元，每百万输出token 4.25美元，但Meta还提供大幅折扣的贡献者层级，仅需每百万输入token 0.10美元、每百万输出token 0.20美元，价格约为标准层的二十分之一 ^[1]。代价是，贡献者层级要求开发者允许Meta使用其提示词和生成内容来训练未来模型，且Meta为此设置了更严格的吞吐量限制：每分钟60次请求和210万个token，远低于标准层级的每分钟3,000次请求和400万个token ^[1]。

这一权衡并未被忽视。MacRumors论坛上一个专门讨论该定价策略的帖子显示，多数评论持怀疑态度，不少用户认为折扣不足以换取向Meta让渡代码训练权，尽管也有少数人愿意接受这种交换 ^[2]。这种对数据的渴求对Meta而言并非新鲜事：该公司称已要求数千名内部工程师每周使用Muse Code，约7,000名活跃内部用户产生了超过800项修复，反馈至模型优化中 ^[3]——这表明贡献者层级并非实验，而是Meta已在内部运行的数据飞轮机制的延伸。

在Meta选定的基准测试中，Muse Spark 1.2相较前代确实取得进步：Terminal-Bench 2.1得分为82.9%，DeepSWE v1.1得分为59.3%，高于Muse Spark 1.1的76.2%和53.0% ^[4]。这一成绩略胜于OpenAI在Codex中使用的GPT-5.6 Terra（Terminal-Bench 2.1得分为81.8%）以及xAI在Grok Build中使用的Grok 4.5（81.6%）^[4]。

但同一张图表也暴露了Meta在真正市场领导者面前的劣势：Claude Opus 5运行Claude Code时，在Terminal-Bench 2.1上得分为86.7%，DeepSWE v1.1上为65.0%，两项均优于Muse Spark 1.2；据称Meta内部一项涉及440个拉取请求的测试也显示，Claude Opus 5领先约九个百分点 ^[5][6]。换言之，Meta选择了自己的记分牌，却仍公开了证据，表明其旗舰竞争对手在所有它选择展示的指标上都处于领先地位。

Meta此次发布也引发了与DeepSeek V4 Flash 0731的比较，后者同样是低成本模型，而Muse Spark 1.2在此类对比中略微领先：Artificial Analysis的智能指数评分为54，高于DeepSeek的50；其GDPval-AA v2 Elo评分为1631，也高于DeepSeek的1559 ^[7][8]。在Meta发布时强调的具体基准测试中，其自报的Terminal-Bench 2.1得分为82.9%，DeepSWE 1.1得分为59.3%，均略高于DeepSeek在其工程博客上公布的V4 Flash 0731成绩：分别为82.7%和54.4% ^[9]。

不过这些数据需谨慎看待：它们来自不同的测量环境，而非统一测试。智能指数和Elo评分来自Artificial Analysis的独立评估，而Terminal-Bench和DeepSWE数据则是Meta自报结果与DeepSeek自报结果的对比。Artificial Analysis在关于Muse Spark 1.2的独立分析中另列出了一个更低的、由其独立运行的Terminal-Bench v2.1得分——80%，不同于Meta自报的82.9% ^[8]。综合来看，与DeepSeek的对比真实存在但经过筛选：Meta突出了自己微弱领先的唯一一项直接对比，而其自身图表在其他地方却显示其在所有关键指标上落后于Claude Code。

独立分析师对Meta将模型与代理框架联合训练的做法能否带来持久优势表示怀疑。Omdia首席分析师Lian Jye Su指出，竞争对手已在进行类似的集成工作，例如OpenAI和Anthropic已将框架工程纳入训练流程的一部分，并强调企业对安全性和治理的要求可能成为采用的主要障碍 ^[10]。

Pareekh Consulting的Pareekh Jain认为，Muse Code真正的考验在于企业项目成果及其实际减少的人工干预程度，预计企业会先将其用于范围狭窄、风险较低的任务，再逐步信任其处理生产级代码 ^[10]。Counterpoint Research的Neil Shah进一步指出，厂商发布的基准图表（如Meta选择发布的Terminal-Bench和DeepSWE对比）不如实际结果重要，因为CIO们最关心的是工具在企业自有流水线上的通过率 ^[10]。