Meta推出低價AI編程模型Muse Spark 1.2，並發布首款編程智能體Muse Code。扎克伯格稱，Muse Code能在大型代碼庫中執行完整的軟件工程任務，向Anthropic、OpenAI等AI編程工具發起挑戰。Meta通過低價API吸引開發者，但更低價格對應的是用戶選擇貢獻數據以幫助改進模型。

啱啱，Meta 推出其首款編程智能體 Muse Code，同時發布了針對編程優化的前沿模型 Muse Spark 1.2。這可能是該公司迄今為止對 AI 編程工具市場最認真的一次進軍。

Meta 首席執行官馬克·扎克伯格在社交平台 X 上親自宣佈了這一消息，稱目前提供測試版的 Muse Code 能夠「在大型代碼庫中執行完整的軟件工程任務」，以此向領先的 AI 實驗室 Anthropic 和 OpenAI 發起挑戰。

Muse Code 出自 Meta AI 負責人 Alexandr Wang 之手，他領導 Meta 超級智能實驗室並統管基礎模型研發。Wang 於去年 6 月加入 Meta，是扎克伯格為重振公司陷入困境的 AI 戰略而進行的核心人事佈局。

據介紹，這款基於終端的新編程工具由 Muse Spark 1.2 提供支持，在「代碼生成、複雜調試、代碼庫理解以及端到端開發者工作流」方面有所改進。

為編程而生，仍遜於 Claude Code

「在測試中，我們讓它同時為一個遊戲構建了六個功能，且沒有發生衝突。」扎克伯格在帖子中表示，強調其並行處理能力不會干擾開發者的工作副本。

據了解，Muse Code 的核心架構亮點是 Meta 所稱的異步後台智能體。與大多數競品工具為每個任務臨時生成輔助智能體的模式不同，Muse Code 會在整個會話期間保持一組專門的後台智能體持續存活。這些智能體「在整個會話期間保持活動狀態，而不是為單個任務臨時生成，從而避免冗餘的信息收集」，它們自行執行後續步驟，並自主選擇何時向主智能體彙報。

這一架構帶來的實際效果是，更低的延遲和更少的監督：一個已經了解代碼庫的智能體無需在每次開發者提出新需求時重新探索代碼庫。當任務規模足夠大時，Muse Code 會分發到獨立的子智能體進行並行處理，每個子智能體都在自己隔離的 git 工作樹中，因此開發者的工作副本永遠不會被觸及。

第二個值得注意的設計選擇，是可審計性。如果 Muse Code 在長時間運行的任務進行 20 小時後崩潰，它會從停止的地方精確恢復，不會丟失工作，也無需重新提示。每個模型調用、工具運行、審批和編輯在執行前都會被追加到本地事件日誌中，Meta 稱這一單一事實來源使運行時具有「可精確重放和重啓安全」的特性。

值得一提的是，最新的 Muse Spark 模型是與 Muse Code 一同開發和訓練的，這提升了整體的編程性能。

Meta 發布了基準測試圖表，將 Muse Spark 1.2 與其他編程模型進行了比較。在 Terminal-Bench 2.1 上，在 Muse Code 中運行的 Muse Spark 1.2 得分 82.9%，略高於 OpenAI 的 GPT-5.6 Terra（在 Codex 中為 81.8%）和 xAI 的 Grok 4.5（在 Grok Build 中為 81.6%），但落後於 Anthropic 的 Opus 5 在 Claude Code 中的最高努力成績，後者以 86.7%領先。在 DeepSWE 1.1 上，Muse Spark 1.2 取得了 59.3%，排名第三，落後於 Opus 5（65.0%）和 GPT-5.6 Terra（64.8%）。

最引人注目的是 Meta 自己的內部編程基準，Muse Spark 1.2 的 70.6%輕鬆擊敗了 GPT-5.6 Terra（65.4%）和 Gemini 3.6 Flash（63.9%），但仍落後於 Opus 5 的 79.4%近 9 個百分點。即使在 Meta 自己設計的測試中，Anthropic 的模型也獲勝。事實上，Claude 在所有三個圖表中都位居榜首。

不過，代際提升是實實在在的：Muse Spark 1.2 在 Terminal-Bench 上比 1.1 提高了 6.7 個百分點，在 DeepSWE 上提高了 6.3 個百分點。

Meta 還展示了一個令人印象深刻的長周期案例：讓 Muse Spark 1.2 在 NVIDIA Hopper 硬件上運行長達 24 小時、超千次工具調用，進行 GPU 內核優化。智能體在 Triton 中工作且不能封裝現有第三方庫，最終在 KDA 和 MLA 內核上取得了「實質性改進」，包括非直觀的優化如重新中心化門控累積衰減。扎克伯格稱，「它在初始探索階段之後仍在持續發現實質性改進」。

定價取勝？用數據換折扣

價格親民似乎是 Meta 希望將 Muse Code 與 Anthropic 和 OpenAI 的熱門產品，形成差異化的關鍵方式。為此，Meta 給其模型 API 提供了兩個層級。

首先是標準層級，該工具默認採用與 Muse Spark 相同的按量付費定價，每百萬輸入 token 1.25 美元，每百萬輸出 token 4.25 美元。這一價格低於 Anthropic 的 Sonnet 5 模型，後者通常每百萬輸入 token 收費 3 美元，每百萬輸出 token 收費 15 美元。Meta 承諾，該層級的提示詞和生成內容不會用於訓練，速率限制為每分鐘每團隊 3000 次請求和 400 萬 token。

Wang 表示，該智能體還「設有一個貢獻者層級，可以以明顯更低的成本接入」，「甚至比按量付費層級還要便宜 10 倍以上」。該層級價格為每百萬輸入 token 0.10 美元，每百萬輸出 token 0.20 美元。

值得注意的是，這個價格比 DeepSeek-V4-Flash 都更便宜了。該模型在未命中輸入緩存時價格為 1 元/百萬 tokens，輸入命中緩存價格為 0.2 元/百萬 tokens，輸出價格為 2 元/百萬 tokens。而且，DeepSeek 啱啱還發布公告宣佈：「計劃近期整體上調 API 服務定價，預計漲幅較大。」

作為交換，開發者必須「選擇加入以幫助改進模型」，這指的是 Meta 利用第三方數據來增強底層技術。而且，這一層級速率限制嚴格得多（每分鐘 60 次請求），明顯面向個人和小型實驗。

Meta 在博文中強調，零數據保留選項已向企業開放，這意味着公司不會保留開發者數據來改進模型，但需額外付費。他表示，這代表了「一項對企業客戶很重要的重大企業級功能」。

上周，公司發布了令人失望的財報，營收預測疲軟且自由現金流萎縮，導致股價大跌。Meta 98%的收入來自在線廣告，這是一個它通過基於用戶數據定向投放消費者而佔據主導地位的市場。這款新的編程智能體是扎克伯格謀求從 AI 中創收的又一途徑，與此同時他的公司仍在持續大力投資數據中心和相關計算基礎設施。

開源戰略徹底轉向？小扎留下懸念

較 Meta 而言，這次的發布中最顯著的缺失是對「開源」的提及。

在 X 上回應開發者提問時，扎克伯格表示，「我很快會有更多消息分享」，似乎在暗示未來可能仍有開源計劃。

三年來，Meta 憑藉 Llama 系列將自己塑造成開放 AI 的旗手：從 2023 年 2 月 LLaMA 泄露掀起消費級 AI 熱潮，到 Llama 2 的商業許可，再到 4050 億參數的 Llama 3.1 及扎克伯格的「開源 AI 是前進之路」宣言，Meta 一直向開發者承諾前沿權重應免費下載、自託管和微調。這一策略成效顯著——到 2026 年初 Llama 家族下載約 12 億次，日均百萬，自託管為企業節省高達 88%的成本。

裂痕從 Llama 4 開始。2025 年 4 月推出的 Llama 4 評價平平，最終承認基準結果存在虛報，而 DeepSeek、阿里巴巴、智譜 AI 等中國開源模型迅速崛起，到 2025 年底已佔 Hugging Face 下載量的約 41%，侵蝕了 Llama 的領導地位。這一挫折促使扎克伯格在 2025 年夏季重組 AI 業務為 Meta 超級智能實驗室（MSL），並挖來 Scale AI 聯合創始人 Alexandr Wang。

今年 4 月 8 日，Llama 時代實質終結。MSL 發布了首個專有模型 Muse Spark，無可下載權重，無自託管，僅限雲端 API。當時，Meta 發言人僅稱「當前 Llama 模型將繼續開源」，對未來模型保持沉默；Wang 雖表示「計劃開源未來版本」。但四個月後的今天，Muse Code 的發布沒有任何開源承諾，既無權重也無許可證，發布博文和扎克伯格的帖子中也從未出現「開源」一詞。

這一轉向尤為尖銳，因為競爭對手正朝相反方向移動。OpenAI 在 Apache 2.0 許可下開源了 Codex CLI，並推出 gpt-oss 開放權重模型；Google 的 Gemini CLI 同樣採用 Apache 許可證。Meta 如今更接近 Anthropic 的專有姿態，而曾經高呼開源是前進之路的公司，現在要求開發者按 token 付費使用模型。

新推出的貢獻者層級在某種程度上成為 Llama 策略的繼承者：不再以免費權重換取市場份額，而是以廉價 token 換取訓練數據，用戶需以自身數據「補貼」模型。

本文來源：AI前線

風險提示及免責條款

市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。