和DeepSeek拼了！Meta发新模型，Opus 5的性能，几乎免费

侧重于AIGC技术的特定专业社区, 留意大语言模型也就是LLM的进展以及应用的实际落地情况, 着重于LLM以及AI技术的市场方面的研究还有开发者所处的生态环境, 欢迎予以关注！

V4 Flash依靠那种能击穿地板的定价策略, 给全球 AI 圈带来了有着极具破坏性的鲶鱼效应, 实际上是点燃了新一轮的行业价格战。

相较美国同类型主流产品而言, 其具备的价格优势能够高达97%。即便针对GPT - 5.6 Luna实施了大幅度降价举措, 然而V4 Flash的单任务成本依旧比它低出大约60%, （就在刚刚对免费默认模型进行了更换, 换成了5.6 Luna）。

Meta推出了编程增强型模型Muse Spark 1.2, 其性能朝着业内顶级强模型Opus 5有所靠近, 而且呢几乎是免费的。扎克伯格那可是要跟其开始竞争了 , 这竞争态势很激烈。

Muse Spark 1.2 性能

Muse Spark 1.2属于Spark 1.1经编码强化版本, 其在代码生成环节得以提升, 于复杂调试方面有改进, 对代码库理解实现了提升, 在端到端开发工作流上亦获得好转。Meta针对编码任务极大增加了训练算力, 还特意拓展了训练环境的多样性。

公开基准上，Spark 1.2的成绩单如下。

在Bench 2.1这个平台上, Opus 5以86.7%位居首位, Spark 1.2紧跟其后, 它以82.9%的比例比GPT 5.6 Terra的81.8%以及Grok 4.5的81.6%都要高 , 从而排在它们之前。

1.Opus 5在某方面为65.0%, GPT 5.6 Terra在该方面为64.8%, Spark 1.2在同一方面为59.3%。

在Meta内部所采用的编码基准当中, Opus 5的占比是79.4%, Spark 1.2的占比是70.6%, 而上一代的Spark 1.1的占比则是68.3%。

在 -AA V2 这个上面, Opus 5 得到的分数是 1852 分, Spark 1.2 所拿到的分值是 1631 分, GPT 5.6 Terra 的分数为 1577 分, Grok 4.5 取得 1526 分。

在MCP Atlas之上, Spark 1.2凭借90.3%的占比取得首位名次, Spark 1.1持有88.1%的比例位列第2, Opus 5以85.8%的状况排在第3位置。

Muse Spark 1.2如今已经登录到了Muse Code以及Meta Model API之上, 还有, Meta在路线图里呢留下来了预告, 接下来啊新的功能以及更强的模型都是在即将抵达的路上会有的。

Muse Spark 1.2 价格

价目表有着分开的两档, 上下文窗口全部都是1M, 两档之间存在的差别是, 是否答应将数据用来改进产品。

数据共享开启之后, 输入为0.10美元/Mtok, 缓存是0.002美元/Mtok, 输出是0.20美元/Mtok, 比的0.14美元 /Mtok、0.0028美元/Mtok以及0.28美元还要便宜接近30%, 相当于是免费的。

处于Vals指数位列前五名的情况里, 每一回成本仅仅是0.69美元。这样的价格是Kimi它的三分之一, 相较于Fable、Opus以及5.6 Sol便宜超过10倍。

即便依照不进行数据共享的情况, 以每百万Token收取1.25美元或者4.25美元这样一种定价标准来看, Muse Spark 1.2于“智能指数和每项具体任务的成本”这个指标范围里面, 是处于帕累托最优的位置的。它所具备的智能水平能够与Opus 4.8相比较, 然而成本仅仅是后者的五分之一。

24小时打磨内核

官方案例所进行的研究, 对模型迭代优化GPU内核的能力做了考察, 其中基准对象是GPU上的KDA内核, 还有GPU上的MLA内核。

1000次以上工具被调用, 时长共24小时。于Muse Code的Agent环境当中, 模型开展写代码、编译、以及做性能分析这些行动；针对给定基线实施逐步提升, 内核性能获取这样的成果。

版KDA实现是FLA的基线。第三方内核库FLA这类, 模型被禁止直接导入, 必须运用专业的内核优化知识在里面自己实现算法。Muse Spark 1.2最终提速百分之六十八点七排在第四。

具有MLA内核, 以参考实现作为基准对比对象, Muse Spark 1.2被优化提升了61.1%。

Muse Code 测试版

同Muse Spark 1.2一块儿发布的还有Muse Code, Muse Code是一个运行在里头的编码Agent, 如今处在beta（测试版）时期。

它能够跨越大型代码仓库, 去承接复杂的软件工程任务，进行规划改动、开展写代码工作、验证结果。一个任务能够协调多个持续性, 难题被解决得更快且更准确, 人工干预更少一些。主干是一个简单的Agent循环, 还加有一组异步后台Agent。

整个会话期间, 后台Agent始终保持活跃状态, 任务出现时, 无需临时进行拉起操作, 信息仅收集一次, 全场共同使用。它会自行决定在什么时候推进下一个步骤, 什么时候向主Agent进行汇报。

随附的那些默认技能究竟有多少个呢 , /plan这一操作是把任务变换成对其进行审批的既定计划 , /grill针对规划给以施加压力开展测定 一直进展到它能够稳固立足 , /goal朝着预先设定的目标持续不断予以推进 一直到最终达成。

最开始的时候, 模型跟Muse Code一块儿进行训练, 以此确保在两者搭配起来的情况下, 能够展现出最为出色的表现。

训练内容涵盖拒绝采样的轨迹, 针对目标, 进行上下文压缩, 对子智能体的配方予以优化, 并且整合了Muse Code工具集, 将与的兼容性达成最大程度。

Meta借助Muse Spark 1.2, 以及Muse Code, 为大模型价格方面的竞争, 还有Agent无秩序的混战, 进一步增添了新情况。

参考资料：