Meta 旗下研究機構 Meta Superintelligence Labs 於 2026 年 9 月 2 日（美國時間）發布 AI 模型「Muse Spark 1.3」。該模型當天即可在開發者用的程式開發環境「Muse Code」與「Meta Model API」中使用，重點放在提升長時間代理（agent）作業與程式開發的實用性。根據 Meta 的內部比較，與前一代 Muse Spark 1.2 相比，工具呼叫次數減少約 20%，消耗的 token 減少約 25%。
讓單一對話串撐得住更長的工作
這次更新，Meta 強調的不是模型本身有多聰明，而是「在真實情境中是否好用」。Meta 表示，Muse Code 與 Meta Model API 數個月來被廣泛使用所累積的心得，已回饋到模型的行為設計中。
具體而言，Muse Spark 1.3 被設計成能在同一個長對話串中同時推進多項工作，也就是所謂的長時程（long-horizon）任務。即使只給一個籠統的目標，它也會運用工具，從雜亂且彼此矛盾的資訊來源自行建立脈絡，主動補上計畫中的缺口，並記住過程中學到的內容，一路做到最終交付成果。訓練階段橫跨多種執行環境（harness），因此不容易依賴特定的工具組合。
學會「不擅自往前衝」
代理型模型最令人頭痛的一點，是指令模糊時常會自作主張地推進。Muse Spark 1.3 經過訓練，會在指令不明確時反問確認，卡住時向人求助，並在執行無法復原的操作前一定先取得確認。作業過程中的回報方式也會依使用者偏好切換：可以頻繁回報進度，也可以安靜地在背景執行。
對於複雜長篇指令的遵循能力同樣有所改善。在跨多個步驟的任務中，模型較不容易中途遺漏細部限制，或偏離指定的流程。此外，當一個對話串裡混雜多個主題時，它也能更準確地判斷新收到的指令屬於哪項工作，分辨這是在修正先前的請求，還是在打斷目前進行中的任務。
另一項值得注意的改進，是讓模型認識自身能力的界線。Meta 表示，它訓練 Muse Spark 1.3 去認識自己能做什麼、不能做什麼，知道什麼、不知道什麼，遇到障礙時承認卡住，而不是捏造結果。作為因應代理「假裝完成」問題的手段，這是一項低調但在實務上很有效的改進。
程式開發：更短、更安靜、更快
在程式開發方面，模型增加了長時程開發任務重新訓練。與 Muse Spark 1.2 相比，不必要的來回減少，輸出更精簡，程式碼風格也更整潔。在 Meta 工程師的比較中，工具呼叫減少約 20%，token 消耗減少約 25%，在體感速度與效率兩方面都拉開了明顯差距。
透過 Meta Model API 使用時，價格為每百萬輸入 token 1.25 美元（約 200 日圓），每百萬輸出 token 4.25 美元（約 670 日圓），與前一代 Muse Spark 1.1 推出時的水準相同。上下文長度支援約 100 萬 token。※以 1 美元 = 158 日圓換算（依 2026 年 9 月 2 日收盤價）
另外，先前已提供的推理模式從第一天起即可使用，但最高階的「max reasoning」會在完成額外的安全測試後陸續開放。Meta 也公開了一份評分卡，在代理、程式開發、指令遵循與長上下文各項評測中，比較 Muse Spark 1.3、Muse Spark 1.2、OpenAI 的 GPT 5.6 Sol（max）以及 Anthropic 的 Opus 5（max）。
安全性與後續展望
在安全方面，Meta 重點強化與代理作業和程式開發直接相關的項目。除了提高對對抗性輸入與提示注入（透過外部文件等植入指令來誘導 AI 的攻擊）的抵抗力，也提升了在複雜代理任務中判斷「哪些操作無法復原」的準確度，並據此更謹慎地推進。
展望未來，Meta 提到將推出更大規模的模型，並在完成最終的安全微調後公開 Muse Spark 1.2 的權重。從免費釋出的 Llama 路線轉向付費 API 的 Meta，再次表明會同步持續發布開放權重的態度。
總結
Muse Spark 1.3 是一次打磨營運層面的更新，重點不在效能競賽，而在於「把長任務交給它會不會崩」以及「拿不準時能否交還給人」。工具呼叫與 token 消耗的減少直接轉化為成本與等待時間的下降，價格也維持在原有水準。max reasoning 的開放與 Muse Spark 1.2 開放權重的釋出，將是接下來的看點。
