Meta 推出 Muse Spark 1.3：省 20% 工具呼叫、懂得適時求援的代理模型

距離 Muse Spark 1.2 帶來 Meta 首個終端編碼代理整整四週，Meta AI Research 於 2026 年 9 月 2 日推出 Muse Spark 1.3。這次更新的重點不是跑分上的漂亮數字，而是那些真正決定 AI 代理能否在實際工作中活下來的、不起眼的紀律：更少的 token 消耗、更乾淨的協作行為、以及對自身能力極限的誠實。模型即日起在 Muse Code（Meta 的 CLI 編碼代理）與 Meta Model API 上線，既有推理模式同步開放，全新的「max 推理」模式則要等額外安全測試完成後推出。

實際更新了什麼

Meta 明確將 Muse Spark 1.3 定位為「可用性與長程代理能力」版本，成果來自「Muse Code 與 Meta Model API 數月大規模採用」的經驗。三項變化最值得注意。

第一，在單一長對話中維持多工作業。面對開放式目標，模型能自行在雜亂甚至互相矛盾的來源之間產生所需上下文、主動修正計畫中的缺口，並記住自己已學到什麼，最終產出可交付的成果。Meta 特別強調訓練時橫跨多種代理框架（harness），讓行為能泛化到不同代理環境，而不是過擬合於單一骨架——這直接回應了業界近來的警醒：同一個底層模型，換個代理框架，有效成本可以差上一個數量級。

第二，校準過的協作行為。當提示含糊時，模型會主動提出釐清性問題；卡住時會請人類幫忙；採取重大行動前會先確認。執行長任務時，它會適應使用者偏好——要頻繁回報，還是安靜在背景工作。它也更善於在雜亂的單線對話中，把新訊息正確對應到既有的任務上，即使使用者中途插話或改變方向。任何看過代理自信滿滿地執行錯誤解讀的人，都明白這些細節為何重要。

第三，誠實的自我評估。Meta 訓練模型更清楚知道自己能做與不能做、知道與不知道的邊界，遇到障礙時如實回報，而不是幻覺出一個成功結局。同樣的校準哲學也延伸到不可逆操作：在複雜代理任務中，模型對「哪些動作無法復原」的判斷更準確，並據此調整行為。

效率數字

在編碼工作流上，Meta 內部比較發現 Muse Spark 1.3 明顯比 1.2 更快、更有效率：完成同等工作約減少 20% 的工具呼叫、減少 25% 的 token 消耗。它在不必要時減少來回輪次、更不囉嗦，整體編碼風格也更乾淨。

這兩個數字值得比平常多看一眼。代理式編碼的主要成本從來不是單位 token 的標價，而是代理在摸索走向解答的過程中燒掉的 token 總量。25% 的 token 減量疊加 20% 的工具呼叫減量，複合起來是相當可觀的實質降價，也縮短了長程任務的實際耗時——延遲會在數十次工具呼叫之間不斷累積。近來「高階模型每任務數美元 vs 平價模型幾美分」的論戰，越來越常由框架與行為效率分出勝負，而非帳面定價。

可用性與定價

Muse Spark 1.3 即日起可在 Muse Code 與 Meta Model API 使用。升級刻意做到零摩擦：只改 model ID，端點、SDK 與定價全部沿用。標準 Meta Model API 費率維持每百萬輸入 token 1.25 美元、每百萬輸出 token 4.25 美元，快取輸入為每百萬 0.15 美元。貢獻者方案（contributor tier）——以允許 Meta 用你的提示與輸出訓練未來模型換取大幅折扣——輸入每百萬 0.10 美元、輸出每百萬 0.20 美元起，輸入端約有 12 倍價差、輸出端超過 20 倍。Spark 1.2 搭載的 100 萬 token 上下文視窗，在 1.3 這一代繼續延續。

安全性：低調但扎實

公告的安全段落不長，但涵蓋的正是「會採取行動的代理」最要命的幾個軸線：更強的對抗穩健性，對對抗輸入與提示注入的抵抗力提升；以及對不可逆操作的更好校準。特別值得注意的是，max 推理模式被明確保留到安全測試完成後才推出——這種「能力分級、先測後上」的明確閘門設計，呼應了產業近來的轉向：與其一次全上再補救，不如先評測再解鎖。

開放權重的倒數計時

公告結尾的「展望」一字排開：更大的模型、Muse Spark 開放權重版本、「以及更多」。這與 Zuckerberg 同日「Meta 的 Watermelon 模型與 Muse Spark 開放權重即將到來」的表態互相印證。自 8 月 10 日 Muse Glimmer 以開放權重之姿登場以來，Meta 一步步把自己定位成西方開放權重 AI 的重量級玩家。若 Spark 1.3 的權重隨後跟上，押注 Meta 生態系的開發者將取得今日這套行為的自架路徑——這是 OpenAI 與 Anthropic 目前在同級產品上都不提供的選項。

為什麼重要

Muse Spark 1.3 是一個關於「讓代理變得可用」的版本。過去一年前沿對話的焦點，已經從「模型能不能做這件事」，轉移到「模型能不能不燒掉一整週的 token、不漏掉約束條件、不幻覺成功、不因誤讀而做出不可逆操作地完成這件事」。Meta 的回答，是一個針對這個失敗面精細調校的模型：更少 token、更少工具呼叫、更好的插話處理、明確的求助行為、以及對自身極限的誠實。隨著 Watermelon 前沿模型與開放權重就在眼前，Meta 正釋放一個訊號：它的超級智慧策略要穿過開發者的信任——而 Muse Spark 1.3 是這個策略迄今最扎實的一筆首付。