編按：本文綜合整理自 Meta AI Research 官方部落格、Meta for Developers Build with Muse Code、Meta Model API 定價頁、Artificial Analysis 評測、VentureBeat、Forbes (Markman)、Reuters、CNBC、TechCrunch、CNET、9to5Mac、Kingy.ai benchmark review、OrcaRouter 分析、Mark Zuckerberg X 貼文 與 Cline 移植 system prompt 實驗，並加入 Siami 編輯部觀點與分析。
Meta Superintelligence Labs（MSL）於 2026 年 8 月 5 日（美東時間 19:09）同步發表兩項產品：Muse Code（beta） 終端編碼代理，以及驅動它的 Muse Spark 1.2 編碼專用模型。Mark Zuckerberg 與 Alexandr Wang 在 X 與 Meta for Developers 貼文宣告，並把這次合體定位為「我們往 frontier 邁出的下一步」。
兩項產品合體推出
Muse Code 是 Meta 第一個正式對外公開的「終端編碼代理」，安裝指令是一行 curl -fsSL https://dev.meta.ai/install.sh | bash，支援 macOS 與 Linux（WSL 在 Windows 上亦可）。它能規劃大型程式碼基底變更、寫程式、驗證，並透過 async background sub-agents 把任務拆給多個 worker 同時推進——官方 demo 中展示「同一個 task 有六個 worker 同時跑在獨立 git worktree」。在架構上，每個模型呼叫、工具執行、批准與編輯都會 append 到本地 event log，保證中途當機時可以從「中斷的精確位置」resuming。內建 /plan、/grill、/goal 三項 skills 對應「先批准才能跑的計畫、計畫壓力測試、任務驅動執行」。
Muse Spark 1.2 是 1.1 的「編碼專用更新」，與 Muse Code 一起做 co-training——Meta 官方稱之為「rejection-sampled harness trajectories + recipe optimizations for goals、compaction、subagents」。從官方 release notes 與 AI at Meta blog 整理，Muse Spark 1.2 維持 1M token 上下文、沿用 $1.25 / $4.25 per 1M input/output 定價、$0.15 cached input；新增 contributor tier（$0.10 / $0.002 cached / $0.20 output）但代價是允許 Meta 用你的 prompt 與 completion 去訓練後續模型。常駐使用者（contributor tier）以 token 5 小時 rolling window 計 rate limit；標準 tier 不會被用於訓練。兩種 tier 共用同一個權重，只是訓練同意與否不同。Microsoft、OpenAI 的 Claude Fable 5、GPT-5.6 Sol 在「對訓練資料要不要設高牆」這題上已經定型；Meta 走了一條介於 Llama 開源傳統與 OpenAI/Anthropic 完全封閉之間的折衷。
數據：與 frontier 仍有距離
Meta 官方公布三張比較表——Terminal-Bench 2.1、DeepSWE 1.1 與 Meta Internal Coding Bench——清一色顯示 Muse Spark 1.2 居 Claude Opus 5 之後，與 GPT-5.6 Terra 在同一集團。原文：
「The standard tier is priced at $1.25 per million input tokens and $4.25 per million output tokens (with cached input at $0.15) … It’s about mid-range price, compared to other leading AI models available over API.」
「The contributor tier is where Meta’s strategy diverges sharply from its rivals: $0.10 per million input tokens and $0.20 per million output tokens — roughly 12x and 21x cheaper than standard, respectively, with cached input at a near-free $0.002 — in exchange for explicit permission to use your prompts and completions to train future Meta models.」
「The model retains Muse Spark 1.1’s 1M token context window and pricing ($1.25/$4.25 per 1M input/output tokens, with cache hits discounted to $0.15 per 1M), and is available on Meta’s first-party API at launch. Agentic and intelligence evaluations The 3 point gain over Muse Spark 1.1 on the Artificial Analysis Intelligence Index is concentrated in agentic evaluations: GDPval-AA v2 +260 Elo (1371 to 1631), Terminal-Bench v2.1 +2 points (78% to 80%), and τ³-Banking +2 points (25% to 27%). The minor regressions are SciCode (-2 points) and Humanity’s Last Exam (-1 point).」
Artificial Analysis 同步記錄到 xhigh reasoning effort 模式下 Muse Spark 1.2 得分 54（Muse Spark 1.1 為 51、原版 1.0 為 43），與 SpaceXAI 的 Grok 4.5 並列，僅次於 Opus 5（61）、Fable 5（60）、GPT-5.6 Sol（59）、Kimi K3（57）等 frontier 群。Terminal-Bench 2.1 官方 82.9%、GDPval-AA v2 第 5 名（1631 Elo）等都屬 vendor 報告——沒有任何一項有獨立第三方重現。Kingy.ai 已記錄「Muse Spark 1.1 公佈 80.0 / 獨立實測 76.2 ± 1.2」這樣 3.8 分差距的前例。
VentureBeat 與 Forbes 對「基準對照只挑 GPT-5.6 Terra、避開 Sol；不開方法論」這件事特別提出質疑；Forbes 點名「這類 benchmark 沒附方法論就只是行銷」。Meta 自己也坦承「Meta 的評估設定（含 agent tools 與 system prompt）可能沒有為第三方模型調到最佳狀態」，因此比較表的相對名次要打折。
案例研究：1000+ tool calls、24 小時 GPU kernel 優化
官方最有說服力的展示並不是 benchmark 表，而是 kernel optimization 案例：
「We tested the model’s ability to iteratively optimize GPU kernels over 1,000+ tool calls (up to 24 hours). Leveraging Muse Code’s agentic coding environment, the model writes, compiles, profiles, and progressively improves kernel performance relative to a provided baseline implementation. We benchmarked on KDA and MLA kernels for NVIDIA Hopper GPUs. The agent continues to achieve substantial improvements over the provided baseline implementation.」
- KDA（Kimi Delta Attention）：baseline 是 FLA Triton 實作，禁止 import 第三方 kernel library，模型要用 Triton 自己刻 chunk-parallel preparation kernel + sequential inter-chunk scan，搭配「在 chunk 中點重新中心化 gated cumulative decay」等 KDA-specific 優化。
- MLA（Multi-Latent Attention）：對 batch=1、heads=64、seq=8192、latent=512 的 PyTorch reference，模型設計兩段式 Triton pipeline、復用 shared KV latent 同時充當 K/V。
Binary Verse AI 把官方提供的 68.7% KDA speedup 與 Claude Opus 5（74.0%）、GPT-5.6 Sol（71.2%）、Claude Opus 4.8（69.6%）對照，結論：Meta 仍居第二集團，但 long-horizon 上的差異比單次 benchmark 表所暗示的更明顯。這 1,000+ tool calls、24 小時的可重複性，正是 Anthropic、OpenAI、Google 在 2026 年上半年不停強調「harness 與模型分不開」的核心論點。
社群反應：從看好到警戒
Hacker News 串 49187575 拿 107 點與 59 則留言，留言氛圍明顯兩極化。正面：「This is a nice release and a solid improvement over Spark 1.1. It compares favorably with Grok 4.5. Not SOTA, but solid releases.」（mchusma）——把 Muse Spark 1.2 視為「與 Grok 4.5 級距的穩定進步」。
批判與警戒集中在三個點：
- 「為何不對照 GPT-5.6 Sol，只挑 Terra？」（WhitneyLand、ipsum2）——「They chose to compare against Open AI’s mid tier model Terra instead of Sol and still lost some benchmark against it. … Nothing wrong with trying to improve, but why the marketing games?」（WhitneyLand）
- 資料交換疑慮：「Meta is offering a 10x discount on input ($0.10 vs. $1.25/Mtok) and 20x discount on output ($0.20 vs. $4.25/Mtok) if you opt in to let them train on your data.」（tristanj） 、「I am cynical about this, but I would be careful about giving Meta access even to my open source code by myself.」（sidcool） 、「There’s no way I’m giving Zuck any of my data.」（drivebyhooting）
- 可移植性疑慮：「Tried with OpenCode + OpenRouter and it couldn’t complete an simple task. It stuck using grep/search tools. I think Muse Spark was so heavily RL’d on the Meta harness that it make it useless or very token innefficient to use in other harness like Opencode.」（nthypes）——這呼應 Cline 在 6 日的實驗：他們把 Muse Code 內部 system prompt 抽成通用 prompt，再接 Cline harness跑同一個 bug，token 從 19.7M 砍到 7.2M（-2.7x）、時間 49 分鐘砍到 24 分鐘（-2x）、成本 $7.69 砍到 $3.25（-2.4x）。Cline 的結論：「Meta 在這幾條 prompt 訓出來的工作流，效益真的太驚人」——但同步點出「在其他 harness 上 Muse Spark 1.2 會顯得笨」。
Cline 同時揭露：「Meta 的 new Muse Code 內部還在 beta 中並有 bug，docker container 無法登入」——這與 Simon Willison 在 5 日的評論「Yet more evidence that the most important characteristic of any model these days is long-sequence agentic tool calling. Meta shipped their own coding agent as part of getting that to work!」相呼應。
Khosla、Box AI、Replit、Cline、9to5Mac、Reuters、CNBC、TechCrunch、CNET、MacRumors、Forbes 與 AI Weekly 等同時間推出評論；Reuters 直接點出這次定價「more than 10 times cheaper」的 contributor tier 為「以開發者資料換低價」。Cointelegraph 與 Barron’s 在 7 日盤前也提醒市場注意「當 Anthropic 與 OpenAI 已固定 enterprise tier 規則，Meta 從 contributor tier 切入是一步低風險試水溫的招式」。
為什麼這件事重要
短期內，這次發表確認「閉源 + 代理」是 Meta 的固定賽道，而不再是「Meta 只會開源 Llama」。從 Muse Spark（4 月，純模型）→ Muse Spark 1.1（7 月，付費 API）→ Muse Spark 1.2 + Muse Code（8 月，模型 + 代理）三個月走完整套堆疊，速度遠快於 Llama 4 之後外界對 MSL 的悲觀預期。
中期看，contributor tier 是真正影響行業定價結構的訊號：$0.10/$0.20 不只在這顆模型上便宜 12-21 倍，它示範了一個全新商業模式——「用低價換資料，再用資料訓出更便宜的下一代」。這個模式在 OpenAI 與 Anthropic 不可行（兩家已被 enterprise 合約鎖定），但 Anthropic 的 Claude Sonnet 5「2026/08/31 之前的 promotional rate」說明在主流 frontier model 上，價格戰已經被迫開打。對 Anthropic 與 OpenAI 而言，Muse Code + contributor tier 是市場上「第一個真正的低價追擊者」——而且是用同一份權重 12-21 倍的折扣切入，而非用蒸餾小模型、犧牲品質。
對台灣與華文開發者社群而言，最直接的訊號是：
- Anthropic Sonnet 5 在 8/31 之後漲價至 $3/$15（與 Muse Spark 1.2 標準 $1.25/$4.25 比較價差擴大）、Opus 4.8 $5/$25（4 倍價差）—— 從 OpenClaw 工具鏈到 Cline 與 Replit 都會因此重新檢視 Muse Code。
- OpenRouter 已上線 Muse Spark 1.2（OpenRouter Model ID：
meta/muse-spark-1.2），代表台灣開發者用既有 OpenAI SDK 就能接，不需要搬新工具鏈。 - macOS / Linux 才能用——WSL 是 Windows 唯一選項。對仍以 Windows 桌面為主的台灣中小企業是明顯摩擦。
待觀察
- contributor tier 累積的訓練資料效果：若 1 個月後 Muse Spark 1.3 公布 AI Index 跨過 60+、Artifact 跳到 #3，「低價換資料」模型可宣告成功；反之則 Anthropic / OpenAI 的 enterprise 合約牆仍有效。
- top 10 個第三方模型在 Meta 評估下的相對位置：Forbes 與 VentureBeat 都質疑「只挑 GPT-5.6 Terra 不挑 Sol」——若第三方獨立跑出來 Muse Spark 1.2 對 Sol 是 6:4 開，這篇 release 就只能算「對 Anthropic 與 OpenAI 低端模型有競爭力、對 frontier 仍追不上」。
- 6 個月後 OpenAI、Anthropic 是否跟進「低價 + 換資料」：若 OpenAI 推出 o4-pro contributor tier、Claude 推出 Haiku contributor tier，整個 AI 程式代理市場會重新定價，這一兩個月是大家第一次看到「資料換算 token」的實際市場考驗。
- Cline 等開源 harness 對接 Muse Spark 1.2 的品質：Cline 自己已經證明 2.4x 成本下降，但那一行 prompt 是移植的，長期可移植性是問題。下半年若 Cline 推出「Muse Spark 1.2 + Meta 官方 prompt」的原生整合，可能會動搖 Anthropic 在 coding IDE 的市占。
- Microsoft 與 Meta 的後續合作：Muse Spark 1.2 在 Anthropic Claude 的 GitHub Copilot 替補計畫下，可能成為 Copilot 的「第二家供應商」候選；Satya Nadella 在 7/24 公開支持 open-weight 模型，Meta 與 Microsoft 在 open / closed 之間擺盪的態勢 是 8 月底的另一個變數。
網友熱門留言 (10)