Muse Spark 1.3 少 25% Token，先别急着算省钱

Muse Spark 1.3 的输出速度能跑到每秒 181.7 个 Token，第一枚 Token 却平均要等 27.51 秒。

像一辆出站后飞快的列车，站台上先不开门。

这组数据来自 Artificial Analysis 的实时模型页。同一页上，价格也挺凶，每百万输入 Token 1.25 美元，每百万输出 Token 4.25 美元，缓存输入只要 0.15 美元。综合指数 61 分，已经和 GPT-5.6 Sol 的 max 档站到了一排。

更会勾住程序员眼睛的数字在 Meta 的发布公告里。和 Muse Spark 1.2 相比，Meta 工程师的编码任务对照中，新模型大约少用了 20% 的工具调用、少用了 25% 的 Token。

好家伙，又快，又便宜，还少调工具。

照这个节奏，团队是不是该连夜把 Agent 的默认模型切过去？

我自己的判断是，先别急。Muse Spark 1.3 很可能是眼下最值得加入候选池的 Agent 模型之一，但「少 25% Token」还不能直接翻译成「你的任务便宜 25%」。厂商内部编码对照、独立综合评测、你自己的仓库任务，测的不是同一件事。把三个口径揉成一句省钱，账单月底会来帮你做阅读理解。

图，Muse Spark 1.3 xhigh 得 61 分，max 得 62 分，来源 Artificial Analysis

少掉的 Token，可能从另一扇门回来

先看这次更新到底改了什么。

Meta 没把重点放在多答几道数学题，而是放在长周期智能体工作。官方描述里，Muse Spark 1.3 会在一条很长、内容很乱的线程里同时维护多个任务，遇到模糊指令会追问，卡住会求助，执行不可逆动作前会确认。用户中途打断或把话题拉回旧任务时，它也要把新提示送回正确的工作流。

这类能力听着没有「参数翻倍」那么热闹，放进生产环境却很要命。一个 Agent 真正烧钱的地方，经常不是末尾那段答案，而是它在交付前走了多少弯路。

它可能先读错目录，调一次搜索；发现缺文件，再调一次搜索；打开了错误版本，继续补上下文；执行失败，换参数重跑；末了写了一大段「任务已完成」，验证脚本一跑，空指针。

每一步都在吃 Token、工具调用、沙箱时间和人的耐心。

所以 Meta 报出的两个数字很有价值。少 20% 工具调用，代表模型可能更少乱伸手；少 25% Token，代表它在官方那组编码比较里更少绕圈。对长任务来说，这比一句「回答更聪明」具体多了。

但 Artificial Analysis 对 Muse Spark 1.3 的拆解又给了另一面。xhigh 版本每个 Intelligence Index 任务的成本是 0.55 美元，上一代 Muse Spark 1.2 是 0.40 美元，新版本反而高了 37.5%。评测方把原因指向智能体任务里的输入量，新版本平均多用了约 57% 的输入 Token，输出 Token 只多约 8%。

一边少 25%，一边多 57%，到底谁算错了？

都不一定错。

Meta 的数字来自自家工程师做的编码任务对照，Artificial Analysis 算的是另一套智能体综合评测。任务长度、工具返回内容、缓存命中、推理档位和成功判定都不同。前者说明模型在某类编码工作里更利落，后者说明它在另一组开放式任务上吃进了更多上下文。

厉害了，模型评测最容易被忽略的坑就在这儿。百分比从来不会自己说明适用范围，人得替它把分母找回来。

真要评估省不省钱，别只抄输入价和输出价。至少把一次完整交付里的输入 Token、缓存读取、输出 Token、工具调用次数、失败重试和人工接管一起记下来。任务没通过验收，再便宜的首次调用也是沉没成本。

可以把账记成一个很朴素的式子。

完整任务成本
= 模型输入 + 缓存读取 + 模型输出
+ 工具与沙箱 + 失败重试 + 人工接管

这里没有高深数学，难的是团队平时只记前三项，后面三项全靠同事的记忆和加班晚饭来承担。

工具调用次数也不能单独当效率。

一次 git grep 和一次启动浏览器、登录系统、翻五页后台，成本不是一个量级。模型少调了一个工具，可能真省掉一轮无效搜索，也可能只是把更大的结果一次吞回上下文。只报调用次数，不看每次返回了多少内容、执行多久、有没有产生副作用，还是会被一个漂亮的百分比带跑。

Token 也有冷暖之分。缓存命中的旧上下文，每百万只要 0.15 美元；新输入是 1.25 美元，相差八倍多。两次任务都吃了十万 Token，一次大部分命中缓存，一次每轮都重新塞仓库索引，价格会完全不同。Agent 平台如果没有把缓存命中率单独记出来，「总 Token 下降」仍然回答不了「总成本下降多少」。

还有成功率。

假设一个便于算账的常见评测，模型 A 每次花 0.40 美元，但十次只能完整通过六次；模型 B 每次花 0.55 美元，十次能通过九次。只看调用价，A 更便宜。把失败任务的重试算进去，A 每个成功交付大约要 0.67 美元，B 约 0.61 美元。这里的数字只是演示算法，不是 Muse Spark 的实测结论，但它能解释为什么团队应该盯「每个通过验收的任务成本」。

反过来也成立。高分模型如果只把成功率从 95% 提到 96%，价格却翻倍，对大量低风险任务就未必划算。生产选型不是给模型排座次，而是在成功率、价格和等待时间之间找一条符合业务的线。

Artificial Analysis 给出的 0.55 美元很能打。同等 61 分附近，GPT-5.6 Sol max 每任务约 0.95 美元，Grok 4.6 high 约 0.94 美元，贵了七成以上。可 Muse Spark 1.3 自己又比上一代的 0.40 美元贵。横向看，它便宜；纵向看，它变贵。两个判断同时成立，取决于你正在回答「和谁比」。

图，横轴是每个综合指数任务的成本，越靠左越省，来源 Artificial Analysis

每秒 182 个 Token，不等于任务很快

再说开头那辆列车。

Artificial Analysis 本次抓取页面显示，Muse Spark 1.3 xhigh 的输出速度约为每秒 181.7 个 Token，同价位模型的中位数是 68.1。这个速度很猛，长答案一旦开始生成，体感会很顺。

同一份测量里，它的首 Token 延迟是 27.51 秒，同价位中位数只有 3.04 秒。页面数据会随评测更新，具体小数不是永恒刻度，差距的方向却足够醒目。

如果任务是后台跑二十分钟的代码迁移，开头多等二十几秒可能没什么。模型少走两次错误工具调用，整单还可能更早交付。

如果任务是 IDE 里每次保存都触发的短检查，或者客服坐席等一句建议再回复用户，二十几秒会很刺眼。更别提一个 Agent 循环里可能连续发起多次模型请求，每一轮都先站一会儿，墙上时钟比 Token 计数器诚实得多。

所以吞吐和等待要分开看。tok/s，也就是每秒输出多少 Token，回答的是「开始说以后有多快」。TTFT，也就是首 Token 延迟，回答的是「多久才开始说」。端到端时长还要再加工具执行、网络往返、排队和重试。

三者混在一起夸一句「速度快」，差不多等于拿下载峰值带宽解释视频会议为什么卡。数字没假，问题答偏了。

更有意思的是 max 档。

Artificial Analysis 的评测文章里，xhigh 综合指数是 61，max 是 62。为了多拿这一分，max 在 GDPval-AA v2 上多用了 62% 的推理量，在 Tau3-Bench Banking 上多用了 28%。它在银行任务上从 47% 提到 52%，也把 GDPval-AA v2 从 1709 Elo 拉到 1754。

这不是说 max 不值。遇到一次失败就可能造成大额损失的复杂任务，多花推理预算换成功率，很合理。问题是很多团队会把「最强档」直接设成「默认档」，然后让它去改文案、查字段、补单测、整理日志。

一分更高的综合指数，不该自动拿走所有请求。

何况 Meta 现在还没有全面开放 max reasoning。官方说要等附加安全测试结束，当前可用的是既有推理档位。Axios 对这次发布的报道也提到，max 会在额外测试后推出。一个尚未普遍可用、价格也没有完整公开的档位，适合关注，不适合替生产默认值签字。

图，提升集中在 GDPval、Terminal-Bench 与银行任务，部分长上下文和全知准确率指标回落，来源 Artificial Analysis

真正该抄的，是它对卡住和不可逆动作的态度

跑分之外，我反而更在意 Meta 写进公告的几个行为变化。

提示含糊时追问，遇到障碍时向用户求助，执行后果较大的动作前确认，知道自己做不到时别编一个完成结果。

这些句子不性感，却正中 Agent 工程的老毛病。模型失败并不可怕，可怕的是它失败以后还保持一种成功语气。文件没写进去，接口没返回，浏览器没点到，末了给你一份措辞圆润的竣工报告。棒棒的，只有验收脚本知道现场还是毛坯。

Meta 还说模型增强了对提示注入和对抗性输入的抵抗能力，并更能识别不可逆动作。相关细节要回到 官方评测方法报告里核对，厂商表述不能替代自己的红队测试。不过方向是对的。会调工具的模型，能力提升和权限收紧必须一起发生。

一个能在后台安静工作、跨文件收集上下文、自己修正计划的 Agent，听起来很省心。它如果读到了网页里的恶意指令，或者把旧任务的权限带进新任务，安静就会变成一种很糟糕的可观测性。

所以接入 Muse Spark 1.3 时，我会把它当成一个新执行者，而不是把旧模型名字替换掉就收工。

先拿二十到五十个真实任务做一轮可复跑的小评测。不要挑专门让新模型赢的漂亮题，直接抽团队最近遇到的代码修复、仓库问答、日志定位和文档更新。每个任务固定输入、固定工具版本、固定超时，并把最终验收写成机器能执行的命令。

接着记录完整轨迹。模型吃了多少输入，缓存命中多少，输出多少，调了几次工具，哪一步重试，多久给出第一段有用结果，多久通过最终验收。真正要看的是成功任务的中位成本和尾部时长。

这里最好别只跑一遍。模型有采样波动，工具和网络也会抖。同一任务至少重复三次，报告中位数，再把最慢的那一截单独列出来。平均值很会藏事故，一个任务三秒，另一个三分钟，算下来平均九十一秒，看上去谁都没受委屈，线上用户已经关页面了。

评测集也别只放能跑通的快乐路径。代码任务里要混进依赖缺失、测试失败、权限不足和需求含糊；浏览器任务里要混进登录过期、按钮改名、页面延迟和外部文本夹带指令；文档任务里要检查内容完整、格式没丢、链接能点，而不是文件存在就算成功。

尤其要加一类「正确放弃」任务。没有权限时停止，证据不足时承认不确定，动作不可逆时请求确认。Agent 的好坏不能只看做成多少，还要看它在不该做的时候能不能忍住。Meta 这次强调求助、确认和边界感，正好可以落到这些测试上，不必停在宣传页的形容词里。

然后再做路由。短任务先用低推理档，长任务或高风险任务升级 xhigh，真正卡住再考虑 max。别让最贵的脑子去给所有逗号搬家，也别让最便宜的档位拿着生产写权限硬扛复杂迁移。

还要把「卡住」定义清楚。连续两次工具报错、同一路径重复读取、验收失败两次、预算达到上限，都应该触发停止或人工接管。模型会不会主动求助是一层，系统是否强制刹车是另一层。把安全全寄托在模型的自觉上，多少有点把门锁交给访客保管的浪漫。

上线也别一脚油门踩到底。先让新模型只读，记录它想执行的动作，不真的写；再给一小部分低风险任务开放受限写入；等失败类型、成本分布和接管流程都看清楚，再扩大流量。每一步都保留旧模型回退路径，版本号和推理档位要写进日志，不然第二天模型更新，昨天的结论连复现对象都找不到。

至于 100 万 Token 窗口，拿来处理跨文件任务确实舒服，但大窗口不是免费的垃圾桶。先检索，再筛选，再把真正相关的片段送进模型，通常比整仓库一把塞更稳。上下文里每多一份网页、工单或邮件，既多一份信息，也多一个过期事实和恶意指令混进来的入口。

做完这一轮，你手里应该有四个答案。它在你的任务上通过多少，完成一次花多少，从发出请求到交付要多久，失败时会不会停。四个答案都比「综合指数第几」更接近生产。

如果 Muse Spark 1.3 在前三项赢了，第四项也守得住，那就逐步加流量。要是它只在公开榜单赢，放进仓库却频繁重读文件、等待很长或需要人工收尾，也不用替新模型找台阶。评测不是为了证明某个发布多厉害，是为了让团队知道哪类活该交给谁。

这套方法同样适用于 Gemini、Claude、GPT 和下一周又冒出来的新名字。模型更新越来越快，固定押一个冠军会越来越累；把任务、指标、预算和回退做成稳定的评测框架，换模型反而只是换一行配置。

如果只是想试，官方已经把 Muse Code 安装命令放出来了。

curl -fsSL https://dev.meta.ai/install.sh | bash

先在隔离仓库和低权限环境里跑，打开工具日志，设 Token 与时间预算，再拿同一批任务对照现有模型。Muse Spark 1.3 支持 100 万 Token 上下文，文本、图像和视频输入也都能吃，但窗口大不代表应该把整个仓库和半年聊天记录一次塞满。上下文越杂，输入成本、检索噪声和提示注入面都会一起长大。

这次发布的社会证明很强。Meta 五个月里已经迭代了四版 Muse Spark，独立综合指数逼近第一梯队，单任务价格在 59 分以上模型里处于最低一档。Google 同一天也发布了 Gemini 3.8 Flash，Anthropic 前一天刚更新 Claude Fable 5.1 与 Mythos 5.1。模型榜刚截完图，下一行可能又换人了。

但生产系统不追领奖台，它追的是稳定交付。

Muse Spark 1.3 真正有点子牛逼的地方，可能不是 61 分，也不是每秒 181.7 个 Token，而是它开始把少绕路、会求助、守约束、认得不可逆动作这些工程行为摆到台前。

至于能不能省下 25%，别让发布会替你的仓库回答。

把整张账单跑一遍。