Meta Muse Spark 1.3: velký technický rozbor, architektura, benchmarky, API a srovnání

01Od Llamy k Muse: proč Meta změnila strategii

Meta byla roky synonymem otevřených modelů. V letech 2023 až 2025 vydala čtyři generace modelu Llama. (Wikipedie) V roce 2026 ale přišel obrat: řada Muse Spark od nové divize Meta Superintelligence Labs Llamu nahradila a je uzavřená.

Časová osa řady Muse Spark

První Muse Spark z dubna měl 52 bodů v Artificial Analysis Intelligence Indexu a za špičkou (podle Flowtivity 57 bodů u GPT-5.4 a Gemini 3.1 Pro) zaostával. Vynikal ale úsporností: celý index zvládl s 58 miliony výstupních tokenů, zatímco Claude Opus 4.6 jich spotřeboval 157 milionů. (Artificial Analysis, Flowtivity)

A co otevřené váhy?

Muse Spark 1.3 otevřený není. Meta v poznámkách k vydání uvádí otevření vah Muse Spark jen jako budoucí bod plánu. Kdo potřebuje stáhnutelný model od Meta dnes, má k dispozici Muse Glimmer: hustý multimodální model s 30 miliardami parametrů, destilovaný z Muse Spark, s licencí Apache 2.0 a výchozím kontextem 128 tisíc tokenů. (TrueFoundry)

02Co přináší Muse Spark 1.3 oproti verzi 1.2

Verze 1.3 je hlavně vylepšení efektivity a chování, ne skok v obecné inteligenci. Podle srovnání inženýrů Meta dělá na stejné práci zhruba o 20 % méně volání nástrojů a spotřebuje asi o 25 % méně tokenů. (TrueFoundry)

Proč na efektivitě záleží

O 25 % méně tokenů na stejné práci znamená přímo o 25 % nižší účet ještě před jakoukoli další optimalizací. Jde ale o interní měření Meta, ne o nezávislé ověření; skutečnou úsporu si změřte na vlastním provozu. (TrueFoundry)

Pozor na zvuk

Meta sama v dokumentaci uvádí, že porozumění zvuku ve verzi 1.3 není plně podporované a kvalita odpovědí může být horší. Pro zvuk doporučuje zůstat u verze 1.2 nebo použít samostatný model Muse Voice Transcribe. (TrueFoundry)

03Technické parametry a architektura

Muse Spark 1.3 je nativně multimodální model s kontextem přes milion tokenů, dostupný jen přes API.

Co víme o architektuře

Meta nezveřejnila počet parametrů ani detaily architektury. Víme, že model je trénovaný na agentní workflow a soutěžní programování a má nativní multimodální vnímání. (note.com (kazu), ExplainX)

Limity se sdílejí v rámci týmu

Všechny API klíče jednoho týmu sdílí společný limit 3 000 požadavků a 4 milionů tokenů za minutu. Samostatný klíč pro každou službu kapacitu nerozdělí, takže jedna hromadná úloha může zablokovat interaktivní produkt. Meta doporučuje sledovat hlavičku x-ratelimit-remaining-tokens a zpomalit ještě před dosažením limitu. (TrueFoundry)

04Benchmarky Muse Spark 1.3 podrobně

Muse Spark 1.3 vede v programování a dlouhém kontextu, v agentních úlohách ale na Claude Opus 5 ztrácí téměř všude. Meta porovnává svou variantu max s Muse Spark 1.2 (xhigh), GPT-5.6 Sol (max) a Claude Opus 5 (max). Čísla v tabulkách jsou z tabulky Meta (Meta: Muse Spark).

Programování

Dlouhý kontext

Agentní úlohy a znalostní práce

Max vs xhigh: velký rozdíl v agentních úlohách

Výsledky výše jsou pro úroveň max, která byla při vydání v náhledu a dnes je dostupná v Muse Code i Meta Model API (jen v tarifu Standard). Nižší úroveň xhigh je v agentních úlohách výrazně slabší:

Tři háčky ve srovnání Meta

1. Různé úrovně úsilí. Verze 1.3 a konkurence běžely na max, verze 1.2 jen na xhigh. Část skoku mezi verzemi je tedy rozdíl v nastavení, ne v modelu.
2. Různé verze OSWorld. Všechny modely běžely na OSWorld 2.0 verze 08.08, jen Muse Spark 1.2 na verzi 06.24.
3. Nejlepší dostupné číslo. Meta u každého modelu bere nejvyšší srovnatelnou hodnotu z vlastního měření, veřejného žebříčku nebo údajů výrobce. Nejde tedy o jeden řízený běh.

Zdroj: TrueFoundry podle metodiky Meta. Meta sama přiznává, že její testy konkurenčních modelů nemusí odpovídat jejich nejlepšímu výkonu. (Meta: metodika)

05Srovnání s vlajkovými modely září 2026

Na DeepSWE je Muse Spark 1.3 podle čísel výrobců nejlepší ze všech zářijových modelů, v nezávislém indexu Artificial Analysis je uprostřed pole a cenou patří k nejlevnějším.

Benchmark vs realita

Výsledek 75,4 % na DeepSWE zatím nefiguruje na veřejném žebříčku DeepSWE; je tam jen starší Muse Spark 1.2 s 55 %. V indexu Artificial Analysis v4.3 má Muse Spark 1.3 (max) 48 bodů; výš jsou Claude Opus 5.5 (58), Claude Fable 5.1 a GPT-6 Astra (obě 53), Claude Opus 5 (51) a Claude Fable 5 (50). (Artificial Analysis, stav k 26. 9. 2026) V praktickém testu tvorby hry zaostal za modely s horším hodnocením. (MindStudio)

Podrobnosti o konkurentech najdete v průvodci GPT-6 Astra, průvodci Claude Fable 5.1, průvodci Gemini 3.8 Flash a průvodci Grok 4.7.

06Kde Muse Spark 1.3 najdete

Muse Spark 1.3 je dostupný ve čtyřech kanálech, všechny cílí na vývojáře.

V dostupných zdrojích jsme nenašli potvrzení, že Muse Spark 1.3 pohání spotřebitelského asistenta Meta AI ve WhatsAppu, Instagramu nebo Messengeru.

Muse Code: výchozí nastavení s háčkem

Podle DataCamp vás Muse Code při startu přepne na muse-spark-1.3-contributor, takže Meta trénuje na vašem kódu, dokud to sami nezměníte. (DataCamp) Oficiální dokumentace Muse Code zatím uvádí jako výchozí model muse-spark-1.2. U firemního nebo klientského kódu proto hned po instalaci zkontrolujte, že používáte tarif Standard.

07Pro vývojáře: API a integrace

Přechod z verze 1.2 znamená jedinou změnu: nové ID modelu. Endpointy, SDK i ceny zůstávají stejné. (DataCamp)

Kompatibilita

Meta Model API podporuje tři formáty: Responses, Chat Completions a Messages. Většině existujících klientů pro jiné modely proto stačí změnit základní URL a ID modelu, bez přepisování kódu. (TrueFoundry)

Ilustrační volání

Ukázka přes klienta kompatibilního s Chat Completions. Základní URL a název proměnné s klíčem doplňte podle dokumentace Meta pro vývojáře:

import os
from openai import OpenAI

client = OpenAI(
    base_url="<URL z dokumentace Meta Model API>",
    api_key=os.environ["META_API_KEY"],
)

response = client.chat.completions.create(
    model="muse-spark-1.3",  # Standard: Meta na datech netrénuje
    messages=[
        {"role": "user", "content": "Projdi repozitář a najdi příčinu padajícího testu."}
    ],
)

print(response.choices[0].message.content)

Checklist nasazení

1. Rozhodněte o tarifu předem a písemně. Standard pro vše, co se dotýká dat zákazníků; Contributor jen tam, kde je trénink na datech opravdu přijatelný.
2. Používejte stabilní interní název modelu. Meta vydává nové verze po čtyřech týdnech; přechod na 1.4 by měl být změna konfigurace, ne nasazení do každé služby.
3. Nastavte úroveň uvažování vědomě. Max je jen ve Standard, přináší nejlepší výsledky i nejvyšší účty. Začněte níž a zvyšujte podle typu úlohy.
4. Počítejte s cenou vyhledávání. Ukotvení ve webovém vyhledávání stojí 2,50 USD za 1 000 dotazů navíc k tokenům.
5. Hlídejte sdílený limit. Čtěte hlavičku x-ratelimit-remaining-tokens a zpomalte včas.
6. Nejdřív pošlete jen část provozu. Porovnejte cenu za přijatelnou odpověď se současným modelem a rozšiřujte jen tam, kde vyhrává.

Zdroje: TrueFoundry, Meta: ceník a limity

08Cena a licence

Meta nabízí dva tarify: Standard za 1,25 / 4,25 USD a Contributor o více než 90 % levnější, ve kterém ale Meta trénuje na vašich datech.

Co cenu dělá výjimečnou

• Žádný příplatek za dlouhý kontext. Stejná cena za token, ať je okno skoro prázdné, nebo plné. Grok 4.7 od 200 tisíc tokenů v promptu cenu zdvojnásobuje (průvodce Grok 4.7); Muse Spark ne.
• Contributor je o 92 % levnější na vstupu a o 95 % na výstupu. Meta otevřeně uvádí, že slevu dává výměnou za souhlas s použitím promptů a odpovědí k tréninku.
• Vyhledávání se platí zvlášť: 2,50 USD za 1 000 dotazů.

Číslo „asi 0,10 USD za milion“, které se objevilo v některých přehledech, není jednotná sazba, ale smíšená cena tarifu Contributor. Při poměru vstupu a výstupu 8 : 1 vychází podle ceníku asi 0,11 USD za milion tokenů.

Licence

Model je proprietární a dostupný jen přes API. (Emergent) Jediným otevřeným modelem Meta je v tuto chvíli menší Muse Glimmer pod licencí Apache 2.0 (text a obrázky).

09Soukromí a bezpečnost

Největší riziko Muse Spark 1.3 není v modelu, ale v tarifu: jedna přípona v ID modelu rozhoduje, jestli se data zákazníků stanou tréninkovými daty Meta.

Riziko tarifu Contributor

Sleva přes 90 % je přesně ten typ úspory, který vývojář použije při škrtání nákladů, aniž by si přečetl podmínky. ID obou tarifů se liší jen příponou -contributor. Pokud produkční služba omylem přejde na Contributor, prompty zákazníků se stanou tréninkovými daty a v aplikaci se nic viditelně nezmění. Pravidlo proto vynucujte centrálně, ne v každém repozitáři zvlášť. (TrueFoundry)

Kde leží data

Uzavřené váhy znamenají, že prompty vždy putují do API Meta. Možnost provozovat model ve vlastní infrastruktuře, kterou nabízí otevřený Muse Glimmer, tu neexistuje. U regulovaných dat to konzultujte s právníky. (TrueFoundry)

Bezpečnost modelu

• Vyšší odolnost vůči škodlivým vstupům a prompt injection.
• Lepší kalibrace u nevratných akcí; před zásadními kroky žádá potvrzení.
• Místo vymyšleného výsledku přizná, co nezvládne.
• Úroveň max byla při vydání ohlášena až po dokončení dalšího bezpečnostního testování.

Zdroje: TrueFoundry. Samostatnou systémovou kartu s výsledky bezpečnostních testů jsme v dostupných zdrojích nenašli.

10Slabiny, kritika a otevřené otázky

Muse Spark 1.3 má silná čísla, ale také řadu výhrad, které je dobré znát před nasazením.

1. Neověřené špičkové skóre. DeepSWE 75,4 % zatím není na veřejném žebříčku DeepSWE, jde o měření Meta. (Tenten)
2. Rozpor mezi čísly a praxí. V praktickém testu tvorby hry zaostal za modely s horším hodnocením. (MindStudio)
3. Nejlepší výsledky jen na max. Dostupná varianta xhigh je v agentních úlohách výrazně slabší (OSWorld 57,2 % vs 66,9 %). (MarkTechPost)
4. Agentní úlohy za konkurencí. Claude Opus 5 vede v GDPval-AA, JobBench, OSWorld (partial) a AutomationBench, GPT-5.6 Sol v DeepSearchQA a plnění pokynů. Muse Spark 1.3 vede jen v přísné variantě OSWorld. (Meta: Muse Spark)
5. Zhoršený zvuk. Porozumění zvuku ve verzi 1.3 není plně podporované.
6. Rychlé střídání verzí. Tři verze mezi dubnem a zářím, mezi 1.2 a 1.3 jen čtyři týdny. Pevně zadané ID modelu budete měnit častěji, než čekáte. (TrueFoundry)
7. Uzavřenost. Žádné otevřené váhy, žádné vlastní hostování a žádné podrobnosti o architektuře.
8. Výchozí trénink na kódu v Muse Code. Kdo nastavení nezmění, poskytuje svůj kód k tréninku.

Otevřené otázky

• Objeví se výsledek DeepSWE na veřejném žebříčku a potvrdí se?
• Kdy a v jaké podobě Meta otevře váhy Muse Spark, jak slibuje v plánu?

11Scénáře použití: kdy Muse Spark 1.3 nasadit a kdy ne

Muse Spark 1.3 dává největší smysl u dlouhých programovacích úloh a práce s obřím kontextem za nízkou cenu.

Kdy ano

• Analýza velkého repozitáře. SWE-Atlas Codebase QnA 59,4 % a milionový kontext bez příplatku; celý kód se vejde do jednoho dotazu.
• Dlouhé agentní programování. Nejvyšší hlášené skóre DeepSWE a o čtvrtinu nižší spotřeba tokenů než verze 1.2.
• Vyhledávání v obrovských dokumentech. 98,1 % na MRCR v rozsahu 512 tisíc až 1 milion tokenů.
• Směrování mezi více modely. Levná čtvrtá možnost vedle OpenAI, Anthropicu a Google pro dlouhé agentní běhy.
• Interní prototypy a syntetická data. Tarif Contributor za zlomek ceny, kde trénink na datech nevadí.

Kdy ne

• Zpracování zvuku: použijte Muse Spark 1.2 nebo Muse Voice Transcribe.
• Obecné agentní úlohy a ovládání počítače: vedou Claude Opus 5 a GPT-6 Astra.
• Potřebujete otevřené váhy nebo vlastní hostování: zvolte Muse Glimmer nebo jiný otevřený model.
• Citlivá data v tarifu Contributor: nikdy.
• Krátké odpovědi a jednoduché úpravy: kvůli skóre 75,4 % není důvod migrovat služby, které dělají jen krátké úlohy. (Tenten)

12Prompty a osvědčené postupy

Muse Spark 1.3 je trénovaný na spolupráci v dlouhých vláknech, takže z něj nejvíc dostanete jasným cílem a průběžným řízením.

1. Jedno vlákno, více úloh. Verze 1.3 lépe pozná, ke které úloze nový pokyn patří. Přesto úlohy pojmenujte („Úloha A: refaktor, Úloha B: testy“), aby se nepletly.
2. Nechte ho se ptát. Model se ptá na nejasnosti a před zásadními kroky žádá potvrzení. Neodpovídejte „prostě to udělej“; krátká odpověď ušetří drahé chyby.
3. Chtějte stručnost. Verze 1.3 píše méně rozvláčný kód. Posilte to pokynem „žádné zbytečné komentáře a pomocné soubory“.
4. Využijte celý kontext. Vložte celý repozitář nebo dokumentaci najednou; příplatek za dlouhý kontext neplatíte.
5. Úroveň uvažování podle úlohy. Na běžné věci xhigh nebo nižší, max jen na nejtěžší agentní úlohy.
6. Ptejte se na hranice. U nejistých úloh přidejte „pokud to nezvládneš, řekni proč“; model je trénovaný přiznat, co neumí.

Postupy vycházejí z popisu změn ve verzi 1.3 (TrueFoundry, note.com (kazu)).

13Často kladené otázky o Muse Spark 1.3

14Verdikt: vyplatí se Muse Spark 1.3?

Muse Spark 1.3 je nenápadná, ale užitečná verze: méně tokenů, méně chyb v dlouhých vláknech a milionový kontext za nízkou cenu. Pro týmy, které programují s agenty a pracují s velkými repozitáři, je to vážný kandidát vedle modelů OpenAI, Anthropicu a Google.

Bez výhrad to ale není. Nejlepší čísla pochází od Meta a z úrovně max, zvuk se zhoršil, váhy jsou uzavřené a nejlevnější tarif platíte svými daty. Otestujte ho na vlastních úlohách v tarifu Standard, nastavte pravidla pro tarif Contributor centrálně a pak se rozhodněte.

Chcete AI agenty zapojit do vlastních procesů? S výběrem modelu i napojením na vaše systémy pomůžeme v rámci AI implementace.

15Zdroje

• Meta: Muse Spark (model a benchmarky)
• Meta: modely v API
• Meta: ceník a limity
• Meta AI Research: představení Muse Spark 1.3
• Meta: metodika hodnocení Muse Spark 1.3
• Artificial Analysis: Intelligence Index v4.3
• TrueFoundry: Muse Spark 1.3, co Meta vydala
• DataCamp: praktický průvodce Muse Spark 1.3
• DataCamp: funkce, benchmarky a ceny
• MarkTechPost: Meta vydává Muse Spark 1.3
• AIToolsReview: recenze Muse Spark 1.3
• ExplainX: Muse Spark 1.3 vs Opus 5
• Tenten: skóre DeepSWE 75,4 %
• MindStudio: proč čísla nesedí
• Flowtivity: benchmarky a agenti
• note.com (kazu): vysvětlení Muse Spark 1.3
• Emergent: Meta vydává Muse Spark 1.3
• Wikipedie: Meta Superintelligence Labs