TL;DR
Meta merilis Muse Spark 1.2 sebagai pembaruan berfokus pada pengodean dari Muse Spark 1.1. Model ini dirancang untuk generasi kode, debugging kompleks, pemahaman repositori, dan alur kerja pengembang end-to-end, bukan sebagai reset spesifikasi yang luas. Model ini tetap memiliki jendela konteks 1 juta token dan menerima input teks, gambar, video, dan PDF sambil menghasilkan keluaran teks.
Bagian terpenting dari rilis ini adalah hubungan antara model dan Muse Code. Meta melatih bersama model ini dengan Muse Code menggunakan trajektori agen, pengondisian tujuan, pemadatan konteks, perilaku subagen, dan seperangkat alat pemrograman itu sendiri. Hal itu membuat Muse Spark 1.2 sangat menarik di dalam lingkungan pemrograman milik Meta, namun juga berarti skor peluncuran terkuat sebaiknya dibaca sebagai hasil sistem model+agen.
Dalam evaluasi pengodean Meta, Muse Spark 1.2 yang dipasangkan dengan Muse Code meraih 82,9% pada Terminal-Bench 2.1 dan 59,3% pada DeepSWE 1.1. Halaman model Artificial Analysis saat ini melaporkan skor Intelligence Index sebesar 57, menggantikan skor peluncuran 54 di versi indeks sebelumnya. Peringkat GDPval-AA v2 terbarunya adalah 1.623 Elo, menempatkannya di urutan ke-15 dari 213 model yang dievaluasi. Dengan demikian, Muse Spark 1.2 tetap kompetitif dalam pekerjaan pengodean dan agen, tetapi bukan pemimpin keseluruhan, dengan Claude Opus 5 berada di depan pada tolok ukur pengodean utama Meta dan papan peringkat GDPval-AA v2 saat ini.
Key Takeaways
- Pembaruan berfokus pada pengodean: Muse Spark 1.2 memusatkan peningkatan pada generasi, debugging, pemahaman basis kode, dan alur kerja pengembang jangka panjang.
- Konteks 1 juta token: API mencantumkan jendela konteks 1.048.576 token untuk pekerjaan skala repositori dan sesi agen persisten.
- Input multimodal: Model yang di-host menerima teks, gambar, video, dan dokumen PDF serta mengembalikan teks.
- Optimisasi sistem agen: Model dilatih untuk beroperasi dengan pola perencanaan, alat, pemadatan, dan subagen milik Muse Code.
- Hasil pengodean kuat namun bergantung pada harness: Meta melaporkan 82,9% pada Terminal-Bench 2.1 dan 59,3% pada DeepSWE 1.1 dengan Muse Code.
- Ekonomi API yang kompetitif: Harga standar adalah $1,25 per juta token input dan $4,25 per juta token output, dengan tingkat Contributor yang jauh lebih murah di bawah ketentuan data yang berbeda.
- Catatan penting: Jumlah parameter publik, arsitektur, dan angka token pelatihan belum diungkapkan.
What Is Muse Spark 1.2?
Muse Spark 1.2 adalah model penalaran multimodal yang dioptimalkan untuk pengodean dari Meta Superintelligence Labs. Meta menggambarkannya sebagai pembaruan dari Muse Spark 1.1 dengan peningkatan pada generasi kode, debugging kompleks, pemahaman basis kode, dan alur kerja pengembang yang lengkap. Rilis ini dipasangkan dengan Muse Code beta, sebuah agen pengodean terminal yang dirancang untuk merencanakan perubahan, menulis kode, mengeksekusi alat, mengoordinasikan subagen persisten, dan memvalidasi hasil di repositori besar.
Posisi ini penting. Muse Spark 1.2 tidak dipasarkan terutama sebagai chatbot yang lebih baik atau model serbaguna yang lebih besar. Model ini dirancang untuk kondisi yang membuat agen perangkat lunak sulit: kebutuhan yang tersebar di banyak file, keluaran terminal yang menumpuk, kegagalan uji berulang, rencana yang berubah, sesi panjang, dan kebutuhan untuk mempertahankan tujuan awal setelah banyak langkah perantara.
Muse Spark 1.2 Specifications
| Spesifikasi | Muse Spark 1.2 |
|---|---|
| Pengembang | Meta Superintelligence Labs |
| Tanggal rilis | August 5, 2026 |
| ID model API | muse-spark-1.2 |
| Jenis model | Model penalaran dan pengodean multimodal proprietary |
| Fokus utama | Agen pengodean, debugging, pemahaman repositori, pengembangan jangka panjang |
| Jendela konteks | 1.048.576 token |
| Modalitas input | Teks, gambar, video, PDF |
| Modalitas output | Teks |
| Pengaturan penalaran dalam evaluasi Meta | xhigh |
| Profil alat | Pemanggilan alat dan alur kerja berorientasi agen |
| Harga standar | $1,25/M input; $0,15/M input cache; $4,25/M output |
| Jumlah parameter publik | Tidak diungkapkan |
| Detail arsitektur publik | Tidak diungkapkan |
| Penempatan peluncuran | Muse Code dan Meta Model API |
Catatan spesifikasi: Dokumentasi model Meta menyediakan posisi model, konteks, dan harga; dokumentasi API yang di-host menyediakan modalitas input dan output yang didukung. Batasan penyebaran dapat berbeda dari kemampuan teoretis model dasar.
What Is New in Muse Spark 1.2?
Lebih Banyak Pelatihan Pemrograman
Meta menyatakan bahwa mereka secara signifikan meningkatkan komputasi pelatihan pada tugas-tugas pemrograman sambil memperluas keragaman lingkungan pelatihan. Tujuan praktisnya bukan hanya menghasilkan potongan kode yang benar, tetapi meningkatkan akurasi upaya pertama ketika seorang agen harus memeriksa repositori yang tidak dikenal, mengidentifikasi file yang relevan, menerapkan perubahan, menjalankan build atau pengujian, dan merevisi pekerjaannya setelah menerima umpan balik.
Ini membuat pembaruan lebih relevan bagi rekayasa produksi daripada peningkatan pada generasi kode satu putaran. Repositori nyata berisi konvensi kerangka kerja, keterikatan tersembunyi, dokumentasi yang tidak lengkap, pengujian rapuh, dan kebutuhan yang tidak dapat dipenuhi hanya dengan mengedit satu fungsi terisolasi. Muse Spark 1.2 secara eksplisit dilatih untuk amplop tugas yang lebih besar tersebut.
Pelatihan Bersama Dengan Muse Code
Meta melatih bersama Muse Spark 1.2 dengan Muse Code agar model lebih cocok dengan seperangkat alat dan runtime agen tersebut. Pelatihan mencakup trajektori harness yang diambil dengan penolakan dan optimisasi resep untuk tujuan, pemadatan konteks, dan subagen. Ini lebih disengaja daripada menempelkan model umum ke pembungkus command-line setelah pelatihan.
Keuntungannya adalah kompatibilitas: model mempelajari seperti apa umpan balik alat, kapan rencana harus direvisi, bagaimana pekerja latar berkomunikasi, dan status mana yang harus bertahan dari kompresi konteks. Trade-off-nya adalah transferabilitas. Model yang disetel untuk satu harness masih dapat bekerja di tempat lain, namun hasil terbaiknya mungkin bergantung pada prompt, alat, sistem memori, dan loop kontrol yang dilihat selama pelatihan.
Pengodean Jangka Panjang
Muse Spark 1.2 dilatih pada pembuatan seluruh repositori dan proyek panjang, termasuk alur kerja auto-research. Meta menyoroti tiga perilaku: perencanaan untuk mengurutkan pekerjaan, pengondisian tujuan agar agen tetap terarah pada tujuan awal, dan pemadatan konteks untuk mempertahankan pengetahuan penting seiring pertumbuhan sesi.
Mekanisme ini mengatasi mode kegagalan umum pada agen pengodean: sistem menjadi produktif secara lokal namun tersesat secara global. Ia dapat memperbaiki sebuah uji sambil merusak kebutuhan, mengulangi penyelidikan sebelumnya, atau lupa mengapa suatu keputusan desain diambil. Pelatihan jangka panjang dimaksudkan untuk membuat kemajuan menjadi kumulatif, bukan episodik.
Peningkatan Diri Dengan Muse Spark 1.1
Meta juga menggunakan Muse Spark 1.1 untuk menghasilkan lingkungan pengodean yang menantang dan templat mengikuti instruksi. Model sebelumnya menilai kandidat solusi terhadap kebutuhan yang dihasilkan, menghasilkan data pelatihan yang skalabel untuk Muse Spark 1.2. Ini paling tepat dipahami sebagai pembuatan dan evaluasi tugas berbantuan model, bukan modifikasi diri tanpa batas dari model yang di-deploy.
Pekerjaan Repositori Multimodal
Jendela 1 juta token dan input multimodal penting karena banyak tugas pengembangan tidak hanya berupa teks. Agen mungkin perlu membandingkan frontend dengan tangkapan layar, memeriksa spesifikasi PDF, menafsirkan rekaman UI, atau mempertahankan kebutuhan visual sambil mengedit kode. Demonstrasi rilis di mana Muse Code menafsirkan video tur rumah dan menghasilkan halaman pemasaran serta pemesanan menggambarkan alur kerja persepsi-ke-implementasi ini.
Muse Spark 1.2 vs Muse Spark 1.1: Apa yang Sebenarnya Berubah?
| Muse Spark 1.1 | Muse Spark 1.2 | |
|---|---|---|
| Konteks | 1M | 1M |
| Input Standar | $1,25 | $1,25 |
| Output Standar | $4,25 | $4,25 |
| Intelligence Index | 53 saat ini | 57 saat ini |
| Terminal-Bench | 78% AA | 80% AA |
| Fokus pengodean | Tinggi | Lebih tinggi |
| Pelatihan bersama Muse Code | Tidak | Ya |
| Pelatihan jangka panjang | Ya | Diperluas |
| Bobot terbuka | Tidak | Tidak |
How Muse Spark 1.2 Works With Muse Code
Muse Spark 1.2 adalah modelnya; Muse Code adalah produk agen yang mengubah pemanggilan model menjadi pekerjaan rekayasa perangkat lunak yang persisten. Muse Code menjalankan agen utama bersama agen latar asinkron yang tetap aktif sepanjang sesi. Para pekerja ini dapat mengumpulkan konteks, mengeksekusi langkah berikutnya, dan mengomunikasikan temuan relevan kembali ke agen utama tanpa harus dibuat ulang untuk setiap tugas.
Runtime juga mempertahankan log kejadian lokal. Setiap panggilan model, eksekusi alat, persetujuan, dan edit ditambahkan ke satu riwayat, memungkinkan agen melanjutkan setelah crash alih-alih memulai ulang tugas. Keahlian bawaan seperti /plan, /grill, dan /goal menambahkan perencanaan dengan persetujuan, uji ketahanan rencana, dan eksekusi berorientasi tujuan.
Gambar 1. Muse Code mengubah Muse Spark 1.2 menjadi sistem perencanaan, eksekusi, dan validasi yang persisten. Sumber: Meta launch description
Interpretasi: Persistensi, log kejadian, alat, dan orkestrasi subagen milik Muse Code adalah kapabilitas sistem. Kapabilitas tersebut tidak boleh diatribusikan pada model dasar saja.
Benchmark Performance of Muse Spark 1.2
Hasil berikut dilaporkan oleh Meta. Skor pengodean mengukur sistem model-dan-agen lengkap, sementara ukuran komposit multimodal berikutnya mengukur konfigurasi Meta Model API dengan dan tanpa alat. Hasil tersebut tidak boleh digabungkan dengan metrik independen Artificial Analysis yang menyusul.
Coding Benchmark Performance
| Tolok ukur pengodean Meta | Hasil Muse Spark 1.2 | Perbandingan terdepan di grafik Meta | Cakupan evaluasi | Cara membacanya |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 82,9% dengan Muse Code | Claude Opus 5: 86,7% dengan Claude Code | Tugas terminal di agen pengodean terpilih | Hasil sistem yang dilaporkan vendor |
| DeepSWE 1.1 | 59,3% dengan Muse Code | Claude Opus 5: 65,0%; GPT-5.6 Terra: 64,8% | 113 tugas, 91 repositori, lima bahasa | Hasil sistem yang dilaporkan vendor |
| Meta Internal Coding Bench | 70,6% | Claude Opus 5: 79,4% | 440 tugas privat dari pull request Meta | Privat dan tidak dapat direproduksi independen |
Metodologi evaluasi Meta menggunakan Muse Code untuk Muse Spark 1.2, Claude Code untuk Claude Opus 5, Codex untuk GPT-5.6 Terra, dan Grok Build untuk Grok 4,5. Skor yang lebih tinggi karena itu bisa mencerminkan model, loop agen, prompt, alat, dan desain memori secara bersama-sama. Perumusan yang akurat adalah Muse Spark 1.2 dalam Muse Code meraih 82,9%, bukan model dasar saja meraih 82,9%.
Multimodal Benchmark Performance
Evaluasi multimodal Meta pada 20 Agustus melaporkan komposit sepuluh tolok ukur di seluruh persepsi visual, pengetahuan visual, penalaran spasial dan UI, serta pemahaman grafik. Peningkatan terbesar muncul saat Muse Spark 1.2 dapat menggunakan alat.
| Evaluasi multimodal Meta | Respons langsung | Dengan alat | Kenaikan karena alat | Interpretasi |
|---|---|---|---|---|
| Muse Spark 1.2 | 59,8 | 72,0 | +12,2 | Lebih kuat dalam konfigurasi yang diaktifkan alat |
| Muse Spark 1.1 | 60,2 | 69,1 | +8,9 | Sedikit lebih tinggi tanpa alat, lebih rendah dengan alat |
Metodologi multimodal resmi merata-ratakan BabyVision, PerceptionBench, ZeroBench, WorldVQA, SimpleVQA, ERQA, OmniSpatial, CharXiv Reasoning, ChartMuseum, dan ChartQAPro secara setara. Perbandingan ini berguna untuk mengukur kenaikan karena alat di dalam kerangka Meta; ini bukan tolok ukur yang direplikasi secara independen.
Independent Benchmark Results
Di bawah Artificial Analysis Intelligence Index v4.1.1 saat ini, Muse Spark 1.2 meraih skor 57, dibandingkan 53 untuk Muse Spark 1.1 dan perkiraan 44 untuk Muse Spark asli. Peringkat GDPval-AA v2 terbarunya adalah 1.623 Elo, menempatkannya di urutan ke-15 dari 213 model yang dievaluasi. Muse Spark 1.2 juga memimpin tolok ukur konteks panjang AA-LCR saat ini dengan skor 83,3%, menunjukkan bahwa kekuatannya meluas di pekerjaan pengetahuan agen, alur kerja pengodean, dan penalaran konteks panjang.
| Evaluasi | Skor | Lingkungan | Apa yang diberitahukan |
|---|---|---|---|
| Meta Terminal-Bench 2.1 | 82,90% | Muse Code | Model + agen teroptimasi Meta |
| Artificial Analysis Terminal-Bench 2.1 | 80% | AA harness | Sinyal lintas model yang lebih independen |
| Meta DeepSWE 1.1 | 59,30% | Muse Code | Pengodean jangka panjang |
| Meta Internal Coding | 70,60% | Internal Meta | Tugas rekayasa internal |
Sumber: Artificial Analysis
Data reliabilitas perlu ditafsirkan dengan hati-hati. AA-Omniscience meningkat dari 18 menjadi 22 dan tingkat halusinasi turun dari 38% menjadi 28%, namun tingkat percobaan model juga menurun dari 82% menjadi 67%. Akurasi turun dari 41% menjadi 38%. Dengan kata lain, Muse Spark 1.2 lebih bersedia abstain saat tidak yakin, yang mengurangi klaim salah namun juga menghasilkan lebih sedikit jawaban yang diupayakan.
Penalaran ilmiah relatif datar. CritPt meningkat dari 15% menjadi 18%, sementara SciCode menurun dari 58% menjadi 56% dan Humanity's Last Exam turun dari 45% menjadi 44%. Pola itu mendukung posisi Meta sendiri: Muse Spark 1.2 adalah pembaruan khusus pengodean dan agen, bukan lompatan seragam di setiap domain penalaran.
Muse Spark 1.2 Pricing
Meta menawarkan akses Standard dan Contributor. Model Standard dihargai $1,25 per juta token input, $0,15 per juta token input cache, dan $4,25 per juta token output. Varian Contributor jauh lebih murah, namun Meta menyatakan bahwa datanya dapat digunakan untuk meningkatkan produk.
| Tier | Input / 1M | Input cache / 1M | Output / 1M | Perlakuan data |
|---|---|---|---|---|
| Standard | $1,25 | $0,15 | $4,25 | Tidak digunakan untuk meningkatkan produk Meta |
| Contributor | $0,10 | $0,002 | $0,20 | Mungkin digunakan untuk meningkatkan produk Meta |
Sumber harga: halaman model resmi Meta. Tim harus meninjau ketentuan produk dan data yang berlaku sebelum mengirimkan kode proprietari, kredensial, data pelanggan, atau dokumen internal melalui rute Contributor.
Harga token rendah tidak otomatis berarti biaya tugas yang selesai paling rendah. Artificial Analysis memperkirakan sekitar $0,40 per tugas Intelligence Index untuk Muse Spark 1.2, naik dari $0,29 untuk Muse Spark 1.1. Peningkatan ini didorong oleh penggunaan token yang lebih tinggi, terutama pada pekerjaan agen profesional. Oleh karena itu, tim sebaiknya mengukur biaya per pull request yang diterima, isu yang terselesaikan, atau deliverable yang terverifikasi alih-alih hanya membandingkan daftar harga.
Muse Spark 1.2 vs Other Frontier Coding Models
Set perbandingan paling relevan mencakup Claude Opus 5, GPT-5.6 Terra, Grok 4.5, dan Kimi K3. Model-model ini tumpang tindih dalam pengodean, alat, konteks panjang, dan alur kerja agen profesional, namun berbeda dalam penyebaran, keluasan modalitas, ekosistem, dan prioritas harga-kinerja.
| Model | Konteks | Input | Sinyal Terminal-Bench 2.1 | Penyebaran | Kecocokan terbaik |
|---|---|---|---|---|---|
| Muse Spark 1.2 | 1M | Teks, gambar, video, PDF | 82,9% dengan Muse Code | API yang di-host Meta | Muse Code, pekerjaan repositori jangka panjang, harga API lebih rendah |
| Claude Opus 5 | 1M | Teks, gambar, dokumen | 86,7% dengan Claude Code | API yang di-host | Reliabilitas pengodean maksimum dan penilaian agen yang kompleks |
| GPT-5.6 Terra | ~1,05M | Teks, gambar | 81,8% dengan Codex | API yang di-host | Pengodean seimbang, produktivitas, dan alur kerja alat yang luas |
| Grok 4.5 | 500K | Teks, gambar | 81,6% dengan Grok Build | API yang di-host | Pengodean dipadukan dengan alat xAI dan informasi terkini |
| Kimi K3 | 1M | Teks, gambar, video | Tidak ditampilkan di grafik Meta | Opsi yang di-host dan bobot terbuka | Pekerjaan jangka panjang dan fleksibilitas penyebaran |
Di Mana Muse Spark 1.2 Memiliki Keunggulan Paling Jelas
Muse Spark 1.2 paling terdiferensiasi ketika aplikasi dapat menggunakan log kejadian persisten, desain subagen, dan pelatihan spesifik model milik Muse Code. Harga API standarnya juga agresif dibanding model pengodean frontier premium. Bagi tim yang menghargai sistem agen yang terintegrasi erat, kombinasi ini mungkin lebih penting daripada perbedaan kecil pada satu tolok ukur.
Di Mana Claude Opus 5 Tetap Lebih Kuat
Claude Opus 5 memimpin ketiga grafik pengodean Meta tempat model tersebut muncul. Model ini tetap menjadi pilihan lebih aman ketika biaya dari perubahan yang gagal tinggi dan reliabilitas pengodean end-to-end maksimum lebih penting daripada harga token. Muse Spark 1.2 memperkecil jarak, terutama pada tugas terminal, tetapi tidak meniadakannya.
Di Mana GPT-5.6 Terra Cocok
GPT-5.6 Terra berada dekat dengan Muse Spark 1.2 pada Terminal-Bench dan di depan pada DeepSWE dalam evaluasi Meta. Keunggulannya adalah keluasan: tim yang telah menggunakan tooling response, search, file, shell, computer, dan MCP milik OpenAI mungkin akan memilih model yang sesuai dengan stack produksi yang ada meski model lain sedikit lebih murah.
Kapan Grok 4.5 atau Kimi K3 Mungkin Lebih Baik
Grok 4.5 adalah alternatif kuat untuk alur kerja yang menggabungkan pengodean dengan ekosistem alat dan informasi terkini xAI. Kimi K3 lebih menarik ketika kinerja jangka panjang, penyebaran bobot terbuka, atau kontrol penyedia menjadi penting. Pilihan praktis bergantung pada runtime lengkap: prompt, alat, memori, persyaratan keamanan, dan strategi verifikasi dapat mengubah hasil sama besarnya dengan model dasarnya.
What Can Muse Spark 1.2 Do?
Rekayasa Perangkat Lunak Skala Repositori
Konteks 1 juta token dapat menampung sejumlah besar kode sumber, dokumentasi, keluaran uji, riwayat isu, dan status agen. Tugas yang cocok mencakup fitur multi-file, peningkatan kerangka kerja, refactor seluruh repositori, migrasi API, perbaikan uji, ulasan pull request, dan analisis arsitektur. Konteks panjang paling berguna jika dipasangkan dengan pengambilan dan pemadatan, bukan memuat repositori secara serampangan.
Debugging Kompleks
Muse Spark 1.2 dapat memeriksa kode, menjalankan alat, membaca kegagalan, membentuk hipotesis, menerapkan edit, dan menguji ulang. Pelatihan yang berfokus pada pengodean dimaksudkan untuk meningkatkan loop ini, di mana bagian tersulit bukan mengusulkan perbaikan yang masuk akal, melainkan mengidentifikasi akar penyebab dan memverifikasi bahwa patch tidak menciptakan regresi.
Agen Pengodean Jangka Panjang
Proyek persisten adalah kasus penggunaan utama. Log kejadian dan agen latar Muse Code memungkinkan pekerjaan berlanjut di banyak panggilan model dan langkah alat. Ini berguna untuk peningkatan, penyesuaian performa, pembuatan dokumentasi, modernisasi uji, dan irisan fitur yang tidak dapat diselesaikan dengan aman dalam satu respons.
Riset Teknis Terotomatisasi
Meta menguji Muse Spark 1.2 pada optimisasi kernel GPU dengan lebih dari 1.000 panggilan alat dan hingga 24 jam. Agen menulis, mengompilasi, memprofilkan, dan menyempurnakan implementasi Triton terhadap baseline referensi. Pelajaran yang lebih luas adalah bahwa model ini dirancang untuk pekerjaan teknis iteratif di mana eksperimen memandu tindakan berikutnya.
Pengembangan Multimodal
Input gambar, video, dan PDF memperluas loop pengembangan di luar kode sumber. Tim dapat menggunakan model untuk membandingkan UI dengan tangkapan layar, mengekstrak kebutuhan dari dokumen produk, menafsirkan interaksi yang direkam, atau menghasilkan implementasi dari referensi visual. Tinjauan manusia tetap diperlukan untuk aksesibilitas, konsistensi merek, keamanan, dan klaim faktual yang tertanam dalam konten visual.
When should you NOT use Muse Spark 1.2?
Jangan memilih ini terutama untuk:
- obrolan sederhana
- pelengkapan kode dasar
- autocomplete berlatensi rendah
- penulisan umum
- tugas di mana reliabilitas tolok ukur maksimum paling penting
- pekerjaan yang sangat teregulasi jika ketentuan data Contributor tidak sesuai
Limitations of Muse Spark 1.2
- Arsitektur tidak diungkapkan: Meta belum memublikasikan jumlah parameter, topologi model, perutean expert, atau angka token pelatihan.
- Hasil peluncuran bergantung pada harness: Skor terkuat memasangkan Muse Spark 1.2 dengan Muse Code sementara kompetitor menggunakan produk pengodean berbeda.
- Tolok ukur internal privat: Meta Internal Coding Bench tidak dapat direproduksi atau diaudit secara independen oleh pengembang eksternal.
- Peningkatan kapabilitas yang tidak merata: Evaluasi independen menunjukkan peningkatan jauh lebih besar dalam pekerjaan agen daripada dalam penalaran ilmiah.
- Trade-off abstain: Tingkat halusinasi yang lebih rendah disertai tingkat percobaan yang lebih rendah dan akurasi sedikit lebih rendah pada AA-Omniscience.
- Pilihan kebijakan data: Tingkat Contributor termurah mungkin menggunakan data yang dikirim untuk meningkatkan produk Meta dan mungkin tidak cocok untuk kode sensitif.
- Konteks panjang bukan memori sempurna: Batas 1 juta token tidak menjamin pengambilan, perhatian, atau akurasi yang seragam di setiap posisi.
- Peluncuran yang di-host: Paket rilis menyediakan akses API dan Muse Code alih-alih bobot model yang dapat diunduh.
How to Access Muse Spark 1.2
Pengembang dapat menggunakan Muse Spark 1.2 melalui Muse Code atau Meta Model API. ID model API standar adalah muse-spark-1.2; rute contributor berbiaya lebih rendah menggunakan muse-spark-1.2-contributor. API yang di-host Meta mengekspos base URL yang kompatibel dengan OpenAI, memungkinkan banyak klien chat-completions yang ada untuk diadaptasi dengan kunci, base URL, dan nama model yang berbeda.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["MODEL_API_KEY"],
base_url="https://api.meta.ai/v1",
)
response = client.chat.completions.create(
model="muse-spark-1.2",
messages=[
{"role": "user", "content": "Tinjau rencana repositori ini dan identifikasi langkah implementasi berisiko tertinggi."}
],
)
print(response.choices[0].message.content)
Catatan implementasi: Verifikasi nama model aktif, kelayakan akun, batas laju, parameter yang didukung, dan ketersediaan regional di dokumentasi API Meta sebelum melakukan deploy. Jangan menaruh kunci API langsung di kode sumber.
Untuk pengujian berdampingan, CometAPI sudah menyediakan akses terpadu ke Claude Opus 5, GPT-5.6, Grok 4.5, dan Kimi K3, yang dapat menyederhanakan A/B testing dan perpindahan penyedia. Muse Spark 1.2 juga akan tersedia di CometAPI segera.
Is Muse Spark 1.2 Worth Using?
Muse Spark 1.2 layak diuji saat beban kerja didominasi oleh pengodean skala repositori, eksekusi jangka panjang, umpan balik alat berulang, dan koordinasi multiagen. Argumen terkuatnya adalah kombinasi model yang dispesialisasi untuk pengodean, agen persisten yang dibuat khusus, konteks multimodal 1 juta token, dan harga API standar yang rendah.
Ini bukan pemimpin tolok ukur universal. Claude Opus 5 tetap unggul dalam evaluasi pengodean utama Meta, GPT-5.6 Terra sangat kompetitif di pengodean dan tooling produksi umum, dan data independen menunjukkan bahwa peningkatan Muse Spark 1.2 terkonsentrasi alih-alih seragam. Proses seleksi terbaik karenanya berbasis beban kerja: uji setiap model di dalam runtime agen aktual, ukur penyelesaian tugas yang terverifikasi, dan sertakan tinjauan manusia untuk perubahan yang sensitif terhadap keamanan atau berdampak tinggi.
Bottom line:
Muse Spark 1.2 adalah pembaruan Muse berorientasi pengodean terkuat Meta sejauh ini. Pembeda nyatanya bukan satu skor tolok ukur, tetapi seberapa erat model, Muse Code, subagen persisten, konteks panjang, dan loop verifikasi dirancang untuk bekerja bersama.