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
