文丨晓静

编辑丨徐青阳

每百万 Token 输出只卖 0.2 美元，价格只有 Claude Fable 5 的二百五十分之一。

美国当地时间 8 月 5 日，Meta 发布终端编码智能体 Muse Code 测试版，并同步推出专门为其训练的模型 Muse Spark 1.2。

如此激进的价格附带一个条件：开发者需要允许 Meta 使用其提示词、模型补全和使用活动，改进未来产品。

换句话说，用接近成本线的 Token 价格，换取真实代码、任务轨迹和智能体交互数据。

Muse Code 的发布，延续了 Meta 近几个月加快模型、API 和应用产品更新的节奏。

Alexandr Wang 加入 Meta 并负责 AI 业务后，公司对相关团队进行了重组，并先后推进 Muse Spark 模型、Meta Model API 以及图像、视频等生成式产品。与此前主要依靠 Llama 开放权重扩大开发者影响力相比，Meta 近期开始同时建设自有模型 API、应用入口和垂直智能体，希望把模型能力更直接地转化为使用量、收入和训练数据。

Muse Code 是这条产品线首次深入软件开发这一高频专业场景。它将 Muse Spark 1.2、终端工具和智能体运行框架组合在一起，开始直接提供能够读取代码库、拆解任务、编写代码、运行测试并验证结果的完整工具，产品定位接近 Claude Code 和 OpenAI Codex，也意味着 Meta 正式进入编码智能体市场。

这一步对 Meta 还有更直接的战略价值。编码智能体产生的不只是普通问答内容，还包括任务目标、代码上下文、工具调用、报错信息、测试反馈和最终修改结果。这类连续轨迹能够同时用于改进模型的代码能力、工具使用和长时程任务表现。

Muse Code 因此既是面向开发者的产品，也是 Muse Spark 获取真实任务数据和验证模型能力的运行环境。

根据官方介绍，Meta 试图形成差异化的方向，主要集中在两点：一是通过持久化子智能体、隔离工作树和事件日志，让复杂编码任务能够连续运行并从中断位置恢复；二是在模型训练阶段就引入工具调用和多智能体协作轨迹，让 Muse Spark 1.2 更适合持续规划、执行和修正，而非只生成一次代码。

不过，产品线扩张和发布速度并不等同于竞争优势。Muse Code 仍处于测试阶段，目前关于其长时程能力和 GPU 内核优化的主要证据来自 Meta 官方演示，外界还缺少在统一代码库、任务预算和成本条件下与 Claude Code、Codex 及 Cursor 的独立对比。

因此，Muse Code 现阶段更适合被视为 Meta 进入编码智能体市场的一次完整尝试。它的意义在于，Meta 开始把模型、工具、开发者入口和数据循环放进同一套产品中；至于这套设计能否转化为真实开发环境中的稳定优势，还需要更多使用结果验证。

Muse Code 的核心特点，是为长时程软件工程任务保留一组持续运行的后台子智能体。它们会分别探索代码库、执行不同步骤，并自行判断何时向主智能体反馈结果。任务规模较大时，多个子智能体可以并行工作，每个都运行在独立的 git 工作树中，尽量避免修改开发者当前使用的代码副本。

这种设计试图解决编码智能体在复杂任务中反复读取项目、丢失上下文和相互覆盖代码的问题。扎克伯格披露，Meta 曾让 Muse Code 同时为一款游戏开发六项功能，各子智能体在隔离环境中运行，最终没有发生代码冲突。

Muse Code 还引入了本地追加式事件日志。模型调用、工具运行、人工审批和代码编辑都会按顺序写入日志，成为任务状态的记录。任务发生崩溃后，智能体可以依据日志恢复到中断位置，无需重新提示或从头执行。VentureBeat 在测试中称，一项运行约 20 小时的任务中断后，Muse Code 能够从断点继续运行。

在具体交互上，Muse Code 预置了三个主要命令：/plan 负责将需求拆解为等待审核的执行计划，/grill 用于检查和质疑计划，/goal 则驱动智能体持续完成目标。它们构成了从规划、审核到执行的基本工作流。

Muse Spark 1.2 并非训练完成后再接入 Muse Code。Meta 在模型训练阶段就加入了来自 Muse Code 的任务轨迹，并针对目标设定、上下文压缩、工具调用和子智能体协调进行优化。模型与工具由此形成较深的绑定，训练目标也从单次生成正确代码，延伸到连续规划、调用工具、检查结果和修正错误。

Meta 还使用 Muse Spark 1.1 生成高难度编码环境和指令模板，再让模型评估候选方案是否满足要求，以此扩充 Muse Spark 1.2 的训练数据。这相当于让前代模型参与出题、生成答案和评分，降低复杂智能体训练数据的生产成本。Muse Spark 1.2 拥有 100 万 Token 上下文窗口，并支持主动压缩和检索历史信息，为多小时任务提供上下文基础。

Meta 官方演示中，两项长时程任务之一是优化 Kimi K3 采用的 Kimi Delta Attention（KDA）内核。Meta 要求 Muse Spark 1.2 在英伟达 Hopper GPU 上优化 Kimi Delta Attention 和 MLA 内核，模型需要自行使用 Triton 编写代码、编译、运行性能分析并继续修改，同时被禁止直接调用 FLA 等现成内核库。

在超过 24 小时的运行中，Muse Spark 1.2 完成了 1000 余次工具调用。以 KDA 为例，它最终组合了分块并行准备、块间顺序扫描、算子融合和中点重居中等优化方法，将指定基准实现加速 68.7%。

一位中国大模型研发工程师表示：这个优化结果看起来确实是有意义的，但实际使用要做更严谨、更综合的验证。

这一结果不代表 Kimi 模型整体推理速度提升 68.7%，但说明模型已经可以执行 " 写代码—编译—测量—修改 " 的长时程优化循环。

Meta 还展示了一个多模态案例：用户向终端输入一段房屋飞览视频，Muse Code 解析视频中的空间和视觉信息，并生成度假屋营销与预订网页。相比普通代码生成，这类任务要求模型同时完成内容理解、界面规划、前端开发和结果交付，也体现了 Meta 希望将 Muse Code 扩展为通用开发智能体的定位。

Meta 官方展示的多模态使用场景

Muse Spark 1.2 采用两层定价。

标准层输入价格为每百万 Token 1.25 美元，输出 4.25 美元，缓存输入 0.15 美元。这个价格具有竞争力，但与市场主流模型仍处于同一数量级。

真正激进的是贡献者层：输入每百万 Token 0.1 美元，输出 0.2 美元，缓存输入 0.002 美元。

按公开 API 价格计算，其输出价格只有 Claude Opus 5 的约一百二十五分之一，只有 Claude Fable 5 和 Mythos 5 的二百五十分之一，也只有 GPT-5.6 Luna 的六分之一。

Business Insider 指出，选择贡献者层的用户，需要同意 Meta 使用其活动改进产品。低价可能对个人开发者、学生和创业公司具有吸引力，持有专有代码的企业则更可能选择标准层。该媒体同时提醒，Claude Code 和 Codex 大量用户通过月度订阅使用，直接用 API 单价比较三者并不完全对等。

这使 Meta 的低价策略具有清晰的用户分层。

贡献者层每分钟只有 60 个请求，适合个人实验、原型开发和小规模测试；标准层速率更高，也不以数据授权换取价格，更适合生产环境和企业客户。

对个人开发者而言，这是一笔直观的交换：用数据换取更低的使用成本。对企业而言，问题更加复杂。代码、提示词、错误日志和任务轨迹可能包含产品逻辑、基础设施信息甚至安全漏洞，Token 价格再低，也无法自动消除合规和知识产权风险。

因此，Muse Spark 1.2 最重要的商业创新并非简单降价，而是给开发者数据标出了价格。

标准层输出每百万 Token 4.25 美元，贡献者层只要 0.2 美元，超过二十倍的价差，可以被理解为 Meta 愿意为数据授权支付的隐性补贴。

这也解释了 Meta 为何选择编码作为切入口。相比普通聊天，编码智能体产生的数据更结构化：它包含任务目标、代码上下文、工具调用、失败原因、测试反馈和最终修改结果，是训练下一代智能体极具价值的连续轨迹。

开发者得到更便宜的 Token，Meta 得到难以通过公开互联网收集的真实工作数据。

从这个角度看，Muse Code 承担的不只是产品收入任务。它还是一个数据采集入口、一套训练环境，以及 Meta 构建模型—工具—使用数据闭环的起点。

《华尔街日报》和 Business Insider 都把低价视为 Meta 此次发布的主要竞争筹码，而非宣告模型能力已经领先。

这也构成 Muse Code 当前最准确的定位：它还没有证明自己是最强的编码智能体，却已经给市场提出了一个更尖锐的问题——当模型公司愿意用极低价格购买开发者数据，代码智能体的成本优势，究竟来自更高的推理效率，还是来自另一场数据交换？

Meta 正在用 0.2 美元的答案，重新开启这场竞争。