就在今天，Meta Superintelligence Labs 放出了 Muse Spark 1.1 的正式版本。和以往不同，这次他们同时开放了 Meta 模型 API 的公开预览。这背后其实有一个挺关键的转变——Meta 的模型之前一直以开放权重的方式给开发者用，而 Muse Spark 1.1 却选择了封闭式托管，按 token 计费。对于已经在用 OpenAI 或 Anthropic 接口的团队来说，这意味着什么？它到底能不能无缝嵌入你现有的技术栈？

从开放权重到托管API，Meta的策略变了

过去很长一段时间里，Meta 在 AI 领域的打法是"开源开路"。Llama 系列模型靠开放权重攒下了大量开发者口碑，也让 Meta 在基础模型赛道里站稳了脚跟。但 Muse Spark 1.1 的发布释放了一个明确的信号：Meta 开始认真做商业化 API 了。

这并不让人意外。随着智能体（AI Agent）成为 2026 年最热的应用方向，单纯提供模型权重已经不够。开发者需要的是能直接调用的推理能力、工具调用接口、以及多模态理解能力。Muse Spark 1.1 正是瞄准了这个缺口。

Meta 官方给它的定位是"专为智能体任务构建的多模态推理模型"。相比初代 Muse Spark，这一代在工具使用、计算机操作、代码生成和多模态理解上都有明显提升。最抓人眼球的参数是那个百万级的上下文窗口——官方文档里写的是 1,048,576 个 token，差不多能一次性吞下整本长篇小说。

Muse Spark 1.1到底能做什么

既然是推理模型，它在给出回答之前会先"想一会儿"。这个思考深度还能按请求调整，轻量任务可以快出快回，复杂任务则允许它多琢磨几轮。输入端支持文本、图像、视频和文档，输出端目前还是文本为主。

API 层面给的东西挺全的：结构化输出、并行工具调用、文件 API、提示缓存，这些对做智能体开发的工程师来说都很实用。特别值得一提的是，如果你在 API 调用里加上 web_search 工具，模型返回的答案会带上引用来源，这对做需要溯源的信息查询类应用很有帮助。

从实际能力来看，它更像一个"指挥官"角色——擅长理解复杂任务、拆解步骤、调用外部工具，而不是那种埋头写代码的"码农型"模型。这个定位在后面看基准测试数据时会更加明显。

横向对比：它在什么场景下能赢

Meta 这次发布了一份挺详细的对比表，拿 Muse Spark 1.1 跟 Claude 4.8（最高配置）、GPT-5.5（xhigh）和 Gemini 3.1 Pro（高配置）做了正面刚。数据是厂商自己测的，但横向看还是能看出不少门道。

表格

基准测试	测试维度	Muse Spark 1.1	Claude 4.8	GPT-5.5	Gemini 3.1 Pro
MCP Map	规模化工具使用	88.1	82.2	75.3	78.2
Workbench	专业工具使用	54.7	48.4	38.3	15.9
Humanity's Last Exam	工具增强推理	62.1	57.9	52.2	51.4
OSWorld Certified	计算机操作	80.8	83.4	78.7	76.2
SWE-Bench Pro	真实代码库编码	61.5	69.2	58.6	54.2
DeepSWE 1.1	长程编码	53.3	59.0	67.0	12.0
BabyVision	视觉推理	76.3	81.2	83.6	51.5

看完这张表，Muse Spark 1.1 的强项和短板都挺明显的。凡是跟"工具使用"和"工具增强推理"挂钩的测试，它都拿了第一，而且领先幅度不小。但在编码类任务（SWE-Bench Pro、DeepSWE）和视觉推理（BabyVision）上，它排在第三，落后于 Claude 4.8 和 GPT-5.5。

所以如果你正在搭建一个需要频繁调用外部工具、协调多个步骤的智能体工作流，Muse Spark 1.1 的性价比和效果可能会让你惊喜。但如果是以代码生成和视觉理解为核心的项目，可能还是得看其他选手。

两个容易被忽视的核心设计：压缩与委托

除了跑分，Muse Spark 1.1 在架构层面有两个挺有意思的设计，值得单独拎出来说。

第一个是上下文压缩。百万 token 的窗口听起来很爽，但如果每次对话都塞满，成本和延迟都会爆炸。这个模型会主动管理它的上下文窗口——记住关键操作、从早期对话里检索信息、把不重要的内容压缩归档。换句话说，它不是傻乎乎地把所有历史记录原样保留，而是像人一样会"做笔记"。

第二个是委托机制。当 Muse Spark 1.1 作为主智能体时，它会收集上下文、制定计划，然后把具体执行任务分配给多个并行的子智能体。当它自己作为子智能体时，又很清楚自己的职责边界，知道该用什么工具，遇到搞不定的问题会主动向上汇报。研究团队还提到，它能零样本泛化到新的原生工具、MCP 服务器和自定义技能——这意味着你不需要为每个新工具写详细的 prompt 去教它怎么用。

计算机操作这块也是类似的思路。模型会根据场景判断：如果写脚本更快，它就写脚本；如果直接点鼠标更简单，它就点鼠标。每一步都会生成一批操作，而不是一次只做一个动作，效率上明显高出一截。

开发者怎么接入：改一行代码就能跑

对开发者最友好的地方在于，Muse Spark 1.1 的 API 完全兼容 OpenAI 格式。你现有的代码基本不用改，换个 base_url 和 model 名就能用。

下面这段是 Meta 官方给出的首次调用示例，熟悉 OpenAI SDK 的人一眼就能看懂：

Python

# pip install openai
import os
from openai import OpenAI

# OpenAI SDK 不会自动读取 MODEL_API_KEY，需要显式传入
client = OpenAI(
    base_url="https://api.meta.ai/v1",
    api_key=os.environ["MODEL_API_KEY"],
)

response = client.chat.completions.create(
    model="muse-spark-1.1",
    messages=[{"role": "user", "content": "Hello, world!"}],
)
print(response.choices[0].message.content)

如果你用的是 Anthropic 格式的工具框架，比如 Claude Code，它指向的是 Messages API。像 OpenCode 这样的智能体 CLI，注册 provider 时只需要填三个值：base URL、API key 和 model ID。迁移成本几乎为零，这对于想快速做 A/B 测试的团队来说是个巨大的加分项。

实际落地：三个已经跑通的场景

Meta 在发布会上演示了几个挺接地气的用例，基本覆盖了工程师日常会碰到的活儿。

多模态商品发布自动化——在 Facebook Marketplace 的演示里，模型直接对着手机拍的一段视频，自动提取出有用的产品图片和文字信息，然后自己打开浏览器把商品发布出去。整个过程不需要人工介入，从"看到"到"上架"一条龙。

截图驱动的代码调试——在 OpenCode 的演示中，模型先搭了一个聊天网页应用，然后自动截图检查界面效果。发现 bug 后，它把问题追溯到具体代码行，修复完再截图验证。这种"看-改-验"的闭环对前端开发来说非常实用。

动态计划调整——在一个晚宴规划的演示里，点餐过程中突然出现了新情况（比如某道菜缺货），模型能主动更新整个计划，而不是死板地按原定方案走。这种适应性对需要实时响应变化的业务场景很关键。

Meta 内部团队还提到，在编码框架的支持上，Muse Spark 1.1 获得了"顶级支持"评级，包括规划模式、目标条件化、子智能体委托、上下文压缩等特性。他们在内部编码基准测试里也看到了显著进步。

定价与可用性：现在能用到吗

普通用户可以在 Meta AI 应用和 meta.ai 网站的"思考"模式下免费体验 Muse Spark 1.1。对开发者来说，定价是每百万输入 token 1.25 美元，每百万输出 token 4.25 美元。新注册用户还能拿到 20 美元的免费额度，足够跑不少测试了。

定价速览

• 输入：$1.25 / 1M tokens

• 输出：$4.25 / 1M tokens

• 新用户赠金：$20

不过有个限制需要注意：目前的公开预览仅限美国地区，欧盟用户暂时还访问不了。而且既然是预览阶段，后续价格调整的可能性也不小。另外，权重是封闭的，没法本地部署和微调——这跟 Llama 的开放路线形成了鲜明对比，也是选择托管 API 的必然代价。

值得上车吗：优势与短板一次说清

综合来看，Muse Spark 1.1 不是那种"全能冠军"型的模型，但它的长板足够长，在特定场景下的竞争力非常突出。

它的核心优势集中在工具使用和编排能力上。Meta 自己测的数据里，它在工具使用评估中排第一，百万 token 的上下文窗口还能主动压缩，对需要长时间会话、多步骤协调的智能体应用来说，这是实打实的硬实力。零样本泛化新工具的能力也意味着集成成本更低。再加上 OpenAI 和 Anthropic SDK 的兼容性，迁移和 A/B 测试的门槛几乎为零。

短板也很实在。编码能力和视觉推理在厂商自测数据里只排第三，落后于 Claude 4.8 和 GPT-5.5。权重封闭导致无法本地部署和微调，对数据敏感或需要深度定制的企业来说是个硬伤。另外，所有发布数据都是 Meta 自己测的，竞争对手的数据也用的是最高配置，实际落地效果还得看第三方独立评测。地域限制（仅美国）和预览期价格的不确定性，也是需要考虑的风险点。