Meta, 에이전트 워크플로에 특화된 Muse Spark 1.3 공개
Meta가 에이전트 워크플로와 경쟁력 있는 코딩 성능을 위해 훈련된 Muse Spark 1.3을 발표했습니다. 이 모델은 첫 시도 정확도가 높고, 도구 호출이 더욱 안정적이며, 비디오·이미지·문서 등 멀티모달 입력을 처리할 수 있습니다. Muse Spark 1.3은 실제 실행 환경에서 시각적 추론을 수행하며, 스크린샷이나 클립을 보고 소프트웨어를 구축할 수 있습니다. Meta Model API를 통해 제공되며, 1M 컨텍스트 윈도우를 지원합니다.
Muse Spark는 컨텍스트와 이전 결과를 추적하고, 지저분하거나 충돌하는 입력을 처리하며, 필요할 때 입력을 요청합니다.
HN 토론
438- simonw
llm -m meta-ai/muse-spark-1.3 "자전거를 타는 펠리컨의 SVG를 생성해줘"
https://tools.simonwillison.net/markdown-svg-renderer?url=ht...
4.2266센트, 38초.
비교를 위해, 제가 요청하지 않았는데 애니메이션을 넣은 Muse Spark 1.2의 결과는 다음과 같습니다: https://tools.simonwillison.net/markdown-svg-renderer?url=ht...
1.3 버전이 확실히 더 낫습니다 - 자전거 프레임이 더 좋고, 날개가 더 좋고, 펠리컨 모자도 더 좋습니다.
업데이트: Muse Spark 1.3의 다섯 가지 추론 수준 각각에 대해 펠리컨 다섯 마리를 넣은 또 다른 예시입니다: https://tools.simonwillison.net/markdown-svg-renderer?url=ht...
가장 비싼 것은 추론 수준 xhigh로 7.5센트, 1분 34초가 들었습니다.
그리고 1.2에서도 모든 추론 수준에 대해 펠리컨 다섯 마리를 실행해 보았습니다: https://tools.simonwillison.net/markdown-svg-renderer?url=ht...
- superfrank
저는 개발용으로 Spark 1.2를 사용하기 시작했는데, Meta가 당신의 데이터로 학습하는 것을 허용할 의향이 있다면 매우 저렴했고 실제로 꽤 만족스러웠습니다. 최첨단 모델은 결코 아니지만, 최고급 모델이 필요하지 않은 작업에서는 정말 즐겁게 사용했습니다.
조금 의인화하자면, 이 모델은 자신의 약점을 알고 제 의견을 강요하지 않는 것처럼 느껴졌습니다. 즉, 제가 시키는 대로 했고, 출력된 코드에 예상치 못한 부분이 있다면 종종 제가 모호하거나 상충되는 지침을 주었기 때문이었습니다. 과도하게 나서지 않고 도구처럼 행동했는데, 이는 제가 코딩 에이전트에게 90% 이상 원하는 것입니다. 또한 다른 최신 모델들보다 제 코드의 기존 패턴을 훨씬 잘 따르는 것 같았습니다. 저는 OpenAI의 모델을 매우 좋아하며, Spark 1.2는 제가 5.6 Luna에 기대했던 바로 그 모델이었습니다.
1.3을 사용해 보는 것이 궁금하고 약간 기대되지만, 솔직히 Meta가 더 나은 벤치마크를 추구하면서 Spark가 제가 원하지 않는 방식으로 "도움이 되려고" 하는 함정에 빠질까 봐 조금 걱정됩니다.
주제에서 벗어나지만, 처음 Spark 1.2를 사용하기 시작했을 때 5.3 Codex가 얼마나 그리운지 깨달았습니다. 그 모델은 제 생각에 코딩 모델의 정점이었습니다. 좋은 코드를 작성하는 방법을 알면서도 지나치게 나서거나 예상치 못한 방식으로 "도움이 되려고" 하지 않았기 때문입니다. 그 점이 주요 연구소들이 코딩에 특화된 모드에서 멀어지고 있는 것 같다는 생각을 하게 했습니다.
- bertili
DeepSWE 점수 75.4 - 지금까지 최고 점수입니다. 그리고 엄청나게 저렴합니다!
Google은 오늘 몇 시간 동안 Gemini 3.8 Flash로 1위를 차지했지만, 이제 Spark 1.3에 이어 2위입니다. 이러한 경쟁이 가격을 낮출 것입니다!
- jmward01
muse-spark-1.3-contributor. 뭐라고 하든, Meta가 가격을 명시적으로 '우리는 이 데이터로 학습하며, 이 데이터를 이 정도로 가치 있게 여긴다'고 바꾼 것은 모든 모델 제공업체가 해야 할 일입니다. 덧붙이자면, 모델 제공업체가 내 토큰을 훔쳐서 학습하는 것이 얼마나 가치 있는지가 이제 완전히 명확해졌습니다. 저는 학습에 사용되지 않도록 피하거나 추가 비용을 지불하거나 최선을 다해 노력하지만, 어딘가에서 설정을 놓친 것이 계속 나타나는 것 같습니다. 이것은 모델 제공업체가 공개한 첫 번째 정량화된 수치입니다. 저작권이나 기타 문제에 대한 손해 배상을 정량화하는 데 소송에 도움이 될 수 있을지도 모릅니다.
- Lucasoato
벤치마크에서 적어도 SOTA에 점점 가까워지는 모델입니다. 제품 개선에 사용되는 것과 그렇지 않은 것 사이의 명확한 구분이 있습니다(적어도 그들이 주장하는 바입니다).
좋은 일입니다, Meta! 정말로. 이것은 아동 소셜 미디어 중독에 대한 180억 달러 소송을 거의 잊게 만들 지경입니다.
- apodolny
학습에 사용되는 API의 할인 버전과 정가 버전을 제공하는 접근 방식이 마음에 듭니다. 합리적이고 투명해 보입니다.
- Gecko4072
Muse Spark 1.2를 사용해 보았지만 전혀 감명받지 못했습니다. 빠르고 저렴하지만 GPT 5.6 Terra조차 훨씬 더 유능하다고 느꼈습니다. 또한 정신 건강 손해 배상으로 180억 달러를 지불하라는 명령을 받은 회사를 지원하고 싶지 않습니다.
- 7734128
"contributor"의 경우 0.2 usd/mtok으로 거의 무료입니다. 취미 개발자들이 거절하기 어려울 것입니다.
- water-drummer
그들이 약속했던 대로 Muse Spark 1.2의 가중치를 아직 공개하지 않고 있습니다. 1.3에 대해서도 같은 계획이 있는지 궁금한데, 그렇게 된다면 정말 놀라울 것입니다.
- jumploops
"contributor" 가격이 여기서 눈에 띄는데, 데이터 학습을 허용하면 약 20배 할인됩니다.
모델은 서류상으로는 Sol 및 Opus 5와 비슷해 보입니다(인정하건대 일부 오래되었거나 포화된 벤치마크에서, 그러나 가격 대비 매우 경쟁력이 있습니다).
통계:
1M 컨텍스트, 입력 $0.10/캐시됨 $0.002, 출력 $0.20 (Mtok)