DeepSWE 75.4，榜首一天两换
2026 年 9 月 2 日，Google 的 Gemini 3.8 Flash 刚登上 DeepSWE 榜首几个小时，Meta Superintelligence Labs 发布的 Muse Spark 1.3 就以 75.4 的分数把它挤了下去。同一天，Meta 在 Muse Code CLI 和 Meta Model API 同步上线了这个模型，「max reasoning」模式则因额外安全测试稍晚开放。
这个榜首争夺的节奏本身就说明了一件事：前沿编码模型的能力差距正在压缩到以小时计。但 Muse Spark 1.3 带来的更大冲击在价格表上。
12.5 倍价差，数据换折扣写进了价格表
Muse Spark 1.3 提供两个 API 档位，定价差距之大在同级模型中罕见：
| 档位 | 输入（$/Mtok） | 缓存输入（$/Mtok） | 输出（$/Mtok） |
|---|---|---|---|
| 标准档 | $1.25 | $0.15 | $4.25 |
| contributor 档 | $0.10 | $0.002 | $0.20 |
| 差价倍数 | 12.5× | 75× | 21.25× |
标准档的定价与 GPT-5.6 Sol 同一量级。contributor 档的输入价 $0.10/Mtok、输出价 $0.20/Mtok，对于一个刚刚拿下 DeepSWE 第一的模型来说，几乎是市场上最低的前沿级别价格。两个档位之间的唯一区别写在页面文案里：contributor 档注明「Used to improve our products」，标准档注明「Not used to improve our products」。
Meta 把原本藏在隐私政策深处的数据条款搬到了定价页的显眼位置。输出端 21 倍的差价意味着，一个中等规模的 agentic 编码任务（2 万 token 输出），标准档花费约 $0.085，contributor 档仅 $0.004。月调用量上万次的团队，年化成本差距可达数万美元。对爱好者和小团队来说，这个价差几乎构成了拒绝交出数据的经济门槛。
跑分矩阵：前代追赶者变成本代领跑者
Muse Spark 1.2 在社区的口碑是「快、便宜、够用，但算不上前沿」——OpenCode 上最好的免费模型之一，适合简单到中等任务。1.3 的跑分把这个定位翻了过来。
图：Muse Spark 1.3 与 1.2、GPT-5.6 Sol、Opus 5 的基准对比。来源：Meta AI Research
官方 benchmark scorecard 覆盖 agentic、coding、instruction-following、long-context 四类评测。官方称 1.3 在多项基准上超越了 GPT-5.6 Sol（max）和 Opus 5（max），DeepSWE 75.4 是目前的最高分。不过官方报告也承认部分基准为较老或已饱和的测试集——HN 评论区对此有针对性的质疑。
simonw 的实测提供了一个可复现的侧写：用 llm -m meta-ai/muse-spark-1.3 生成 SVG，花费 4.2266 美分、耗时 38 秒，输出质量「明显优于 1.2」。他还测试了五个 reasoning 档位，确认高档位在复杂任务上的增益可感知。4 美分一次调用的成本，配合 DeepSWE 榜首级别的能力，构成了一个对独立开发者极具吸引力的性价比组合。
工程效率提升：少 20% 调用，少 25% token
官方给出的工程侧数据同样有信息量。相比 1.2，Meta 内部工程师实测 1.3 在长程编码任务中减少了约 20% 的 tool calls 和约 25% 的 token 消耗。模型自身的 token 效率直接影响 API 账单。25% 的 token 节省叠加 contributor 档的低单价，实际使用成本还会进一步拉开差距。
在 agentic 行为层面，1.3 的改进集中在三个方面：混乱上下文中正确映射打断和转向指令、执行不可逆动作前主动确认、对自身知识边界的校准更好（官方称「少幻觉硬编结果」）。多步指令保持力更强，不容易丢约束。这些改进指向同一个方向：降低人工干预频率。
GDPval 演示：从代码生成到文档交付
Muse Spark 1.3 的发布还附带了四个 GDPval（视觉感知 + 真实执行环境）演示，展示的能力已经超出了传统编码模型的边界：
图：GDPval 演示中的 X-wing CFD 仿真报告封面页。来源：Meta AI Research
四个任务覆盖面很广：读 CFD 仿真结果和 STEP CAD 模型生成 PDF 报告、按时间码修混音轨道并导出 48kHz/24bit WAV、制作 PPT 商业提案、从 Excel 台账生成 PDF 摘要。官方强调这些演示「通过真实执行环境运行，非脚本步骤」。模型直接感知截图和视频片段后执行操作。
Meta 在把 Muse Spark 从「编码模型」推向「文档级 agent」。能读 CAD、能处理音频、能做 PPT——单项能力不算惊人，但整合到一个模型里、配合 contributor 档的价格，轻量级企业自动化工作流的成本会大幅降低。
社区争议：便宜在价格，贵在数据
contributor 定价在 HN 评论区引发了两极反应。
反对方的逻辑直接：finnjohnsen2 指出「便宜的那档是让我变成产品」；Gecko4072 提及 Meta 此前被裁定赔偿 180 亿美元精神健康诉讼，认为不想支持这家公司。这类反对并非技术层面的质疑，而是对 Meta 作为数据受托方的信任缺失。
支持方同样有论据：apodolny 认为「提供打折训练版 vs 全价版的区分看起来合理且透明」——至少 Meta 把数据条款放在了价格标签旁边，没有藏在 70 页的用户协议里。Lucasoato 的评论更戏谑：「几乎让我忘了 180 亿美元官司」。wxw 则提出一个更值得讨论的视角——「$0.10/$0.20 若能对标 Sol 级别，表明用户数据飞轮对 RL 与模型改进有多重要」。10 倍以上的价差不是善意折扣，它定量地反映了 Meta 对用户数据训练价值的估算。
基准饱和度是另一个争议焦点。jumploops 在评论中指出 Spark 1.3「在老的、饱和的基准上很能打」，暗示高分可能部分来自对旧题目的过拟合。scotty79 的观察更宏观：「人人都在逼近前沿，是不是进入了 sigmoid 的新段？」——如果所有模型都在 DeepSWE 上拿 70+，这个基准还能区分能力差异吗？
廉价前沿模型接力跑：榜首一天换了两次
把 Muse Spark 1.3 放到当天的市场背景中看，画面更清晰。同一天，Google Gemini 3.8 Flash 刚以「最便宜的 AI 跑分全场第一」登上站内头条，几个小时后就被 Meta 挤下了榜首。HN 评论区已经有人注意到 OpenAI「Astra」次日也有发布动作——fibonacci112358 的原话是「大家是不是都在 Astra 明天发布前抢跑？」
mromanuk 的使用经验提供了一个用户视角：1.2 在 web app 上犯过错，他转回了 Claude、Kimi K3 和 DeepSeek V4；「希望这代能解决 agentic 开发的问题」。1.3 的跑分提升是否能转化为实际使用中的可靠性，仍然需要更多社区实测来验证。
官方路线图还透露了两个预告：更大的模型正在路上，Muse Spark 的 open weights 开源权重版本即将发布。如果 contributor 档的低价已经让数据飞轮开始转动，开源权重的释出将进一步扩大 Meta 在数据获取上的漏斗——社区贡献的微调数据和 RLHF 反馈，本质上也是训练素材。
跑分登顶是入场券，数据定价才是底牌
Muse Spark 1.3 的 DeepSWE 75.4 证明了 Meta 在前沿编码能力上已经站到了第一梯队。但这个榜首可能维持不了几天——Gemini 3.8 Flash 保持了大半天，Spark 1.3 的窗口期也不会更长。跑分军备赛的节奏越来越像消费电子的参数内卷：领先幅度在缩小，保持时间在缩短。
真正区分 Meta 打法的是 contributor 定价。用 12.5 倍的输入价差和 21 倍的输出价差，把「用户数据换训练许可」从含糊的默认条款变成了一个带价格标签的选项。开发者第一次可以精确计算把数据交给 Meta 值多少钱——或者反过来说，不交数据的隐私溢价是多少。这张价格表比任何基准分数都更能说明 agentic 编码市场下一阶段的竞争逻辑。
参考链接：
- Meta AI Research 发布博客
- Hacker News 讨论帖
