Muse Spark 1.3 gjør Meta til en reell frontier-utfordrer

Muse Spark 1.3 gjør Meta til en reell frontier-utfordrer igjen. Den nye modellen er laget for langvarig agentarbeid og koding, bruker færre verktøykall enn forgjengeren og ligger helt oppe ved GPT-5.6 Sol i ferske målinger. Det er litt av en snuoperasjon for et selskap mange hadde begynt å avskrive i modellkappløpet.

Det mest spennende er likevel kombinasjonen av kapasitet og pris. Standardutgaven koster 1,25 dollar per million input-token og 4,25 dollar per million output-token, cirka 11,70 og 39,70 kroner. Velger du Contributor-utgaven, faller prisene til 0,10 og 0,20 dollar, omtrent 93 øre og 1,87 kroner. Det er godt over 90 prosent lavere, men rabatten har en svært konkret motytelse: Du tillater at input og output kan brukes til å forbedre Metas modeller.

Dermed er dette to nyheter på én gang. Meta har levert en modell som ser ut til å høre hjemme blant de beste, og selskapet har satt en pris på treningsdataene dine. For hobbyprosjekter og ufarlig kode kan Contributor være et rått tilbud. For kundedata, intern kildekode og forretningshemmeligheter kan den billigste varianten være den dyreste tabben du gjør.

Hva er Muse Spark 1.3?

Muse Spark 1.3 er Metas nye proprietære resonneringsmodell for AI-agenter, programvareutvikling og sammensatte oppgaver som varer lenge. Meta lanserte modellen 2. september 2026 i Muse Code og Meta Model API, knapt fem måneder etter at den første Muse Spark-modellen markerte starten på Meta Superintelligence Labs.

Modellen er laget for å holde styr på flere arbeidsløp i én lang samtale. Den skal kunne hente fram sin egen kontekst fra rotete og motstridende kilder, oppdage hull i planen og bevare detaljerte krav gjennom mange steg. Når en beskjed er uklar, er den trent til å spørre. Når en handling kan få alvorlige følger, skal den be om bekreftelse før den fortsetter.

Det høres kanskje mindre spektakulært ut enn «superintelligens», men dette er akkurat den typen oppførsel som avgjør om en agent er nyttig. En agent som er genial i første svar og glemmer halvparten av kravene på verktøykall nummer seks, er ikke genial. Den er bare slitsom med god markedsføring.

Muse Spark 1.3 har et kontekstvindu på rundt 1 million token og tar imot flere typer innhold. Den er fortsatt en lukket API-modell, men Meta sier samtidig at en utgivelse med åpne Muse Spark-vekter kommer senere. Det kan bli minst like viktig som denne lanseringen, særlig etter den lovende retningen selskapet viste med Muse Glimmer for lokale AI-agenter.

Hvor stor er forbedringen i faktisk agentarbeid?

Meta sier at Muse Spark 1.3 bruker omtrent 20 prosent færre verktøykall og 25 prosent færre token enn Muse Spark 1.2 i selskapets egne sammenligninger. Det er mer interessant enn en liten poengøkning på et benchmark. Færre unødvendige runder kan bety lavere ventetid, mindre regning og færre muligheter for at agenten kjører seg fast.

Modellen er også trent til å være mindre omstendelig, skrive ryddigere kode og avslutte når jobben faktisk er gjort. Dette treffer et kjent problem med kodeagenter: De kan bruke masse tid og token på å forklare at de skal undersøke noe, undersøke det og deretter forklare hva de nettopp undersøkte. Hvis Meta virkelig har kuttet en fjerdedel av tokenbruken uten å kutte kvaliteten, merkes det på ordentlig.

Men tallene kommer fra sammenligninger gjort av Metas egne ingeniører. De er et lovende signal, ikke en garanti for at din kodebase blir 25 prosent billigere. Oppgavevalg, verktøy, prompt, cache og hvor mye resonnering du tillater, kan flytte resultatet kraftig. Den riktige testen er kostnad og antall godkjente leveranser i din egen arbeidsflyt.

Er Muse Spark 1.3 like god som GPT-5.6 Sol?

Ferske målinger plasserer Muse Spark 1.3 i samme sjikt som GPT-5.6 Sol, men ett samlet tall kan ikke avgjøre hvilken modell som er best for deg. I sammenligningen fra Artificial Analysis fikk Muse Spark 1.3 med maksimal resonnering 62 poeng i Intelligence Index, mot 61 for GPT-5.6 Sol. Det er i praksis dødt løp, ikke bevis på at Meta har vunnet alt.

Metas egen beskrivelse av evalueringsmetoden gjør forbeholdene tydelige. Resultater kan komme fra egne kjøringer, offisielle ledertavler eller leverandørenes rapporterte tall. Oppsettet for konkurrerende, proprietære modeller er dessuten «best effort» og trenger ikke være optimalt tilpasset hver modell.

Det er også en liten, men viktig lanseringsdetalj: Metas «max reasoning» var ikke tilgjengelig for vanlige brukere første dag. Selskapet sa at modusen skulle komme etter ytterligere sikkerhetstesting. Det sterkeste tallet forteller derfor hva toppkonfigurasjonen kan klare, ikke nødvendigvis hva du fikk i API-et ved lansering.

Jeg ville heller lest resultatene som en bekreftelse på at Meta er tilbake ved frontier-bordet. Da den første Muse Spark kom i april, var historien at Meta endelig hadde en lukket modell som kunne konkurrere med OpenAI og Google. Med 1.3 har «kan konkurrere» blitt langt mer troverdig. Det er en ganske voldsom utvikling på under fem måneder.

Hvor billig er Contributor-utgaven?

Contributor-utgaven koster 0,10 dollar per million input-token og 0,20 dollar per million output-token. Med en dollarkurs på omtrent 9,34 kroner er det cirka 93 øre inn og 1,87 kroner ut. Cached input koster 0,002 dollar per million token, altså knapt 2 øre. Prisene står i Metas pristabell for Model API.

Standardutgaven koster 1,25 dollar inn og 4,25 dollar ut per million token, cirka 11,70 og 39,70 kroner. Contributor kutter dermed inputprisen med 92 prosent og outputprisen med litt over 95 prosent. For en tenkt agentjobb med 200 000 input-token og 40 000 output-token blir prisen omtrent 3,90 kroner på standardnivå og 26 øre med Contributor, før eventuell caching.

Det er nesten komisk billig for en modell i denne klassen. Da jeg skrev om Muse Spark 1.1 og den lave API-prisen, var standardprisen allerede aggressiv. Contributor flytter grensen så langt ned at tokenkostnaden kan bli en liten del av regningen sammenlignet med utviklertid, kjøring av verktøy og resten av infrastrukturen.

Dette er heller ikke en svakere modellvariant. Det er en egen pris- og datakontrakt for samme modell. Du får rabatten fordi forespørslene og svarene dine kan bli verdifulle treningsdata for Meta. «Over 90 prosent rabatt for trening» betyr altså ikke at du får billigere modelltrening. Det betyr at Meta betaler deg indirekte, gjennom lavere API-pris, for retten til å lære av trafikken.

Når bør du styre unna den billigste prisen?

Ikke send hemmeligheter til Contributor bare fordi tokenprisen ser uimotståelig ut. Privat kildekode, kundedata, upubliserte dokumenter, tilgangsnøkler, helseopplysninger og interne strategier hører ikke hjemme i en flyt der leverandøren kan bruke innholdet til modellforbedring. Det gjelder selv om sannsynligheten for direkte lekkasje virker liten.

Dette er ikke et argument mot Contributor. Det er et argument for å lese avtalen før du velger modell-ID. En åpen GitHub-repo, syntetiske testdata eller et hobbyprosjekt kan passe helt fint. En kodebase som inneholder kundespesifikk forretningslogikk krever en annen vurdering. Standardutgaven koster mer nettopp fordi datakontrakten er annerledes.

Det ryddigste oppsettet er å skille arbeidslastene. Bruk Contributor til innhold du faktisk tåler at Meta lærer av, og standardutgaven eller en annen godkjent leverandør til beskyttet materiale. Legg gjerne sperren i konfigurasjonen, ikke i hukommelsen til den som sitter ved tastaturet sent fredag kveld.

Hva betyr dette for Meta Superintelligence Labs?

Meta Superintelligence Labs har gått fra løfter om et comeback til tre raske modellsteg og en langt tydeligere produktretning. Muse Spark 1.3 er tilgjengelig både som utvikler-API og i Muse Code, og forbedringene handler om arbeidsflyten rundt modellen – verktøybruk, avklaringer, lange tråder og kontroll før irreversible handlinger.

Det passer godt med Metas større fordel: distribusjon. Selskapet har allerede milliarder av brukere i Facebook, Instagram, WhatsApp og Messenger. Hvis modellene i tillegg holder frontier-nivå, trenger ikke Meta å vinne hver måletabell for å bli en av de viktigste AI-aktørene. De trenger modeller som er gode nok, rimelige nok og tilgjengelige der folk allerede er.

Samtidig er det for tidlig å erklære seier. Vi trenger uavhengige tester av 1.3 i virkelige kodebaser, og «max reasoning» må bli allment tilgjengelig før toppresultatene kan vurderes skikkelig. Løftet om åpne vekter må også bli til en faktisk utgivelse med en brukbar lisens. Meta har historikk for å flytte hele markedet med åpne modeller, og det er fremdeles den delen jeg er mest spent på.

Bør du bytte modell nå?

Prøv Muse Spark 1.3 på et avgrenset sett med ekte oppgaver før du flytter en produksjonsflyt. Velg fem til ti jobber der du allerede kjenner riktig resultat, og mål fullføringsgrad, total tokenbruk, antall verktøykall, tid og hvor mye menneskelig opprydding som gjenstår. Ikke velg vinneren etter hvem som skriver den peneste første meldingen.

Sammenlign standardutgaven mot modellen du bruker i dag. Test deretter Contributor på ufarlig materiale hvis datavilkårene er akseptable. Den ekstremt lave prisen kan gjøre den glimrende til kodegjennomgang av åpne prosjekter, prototyper og store mengder arbeid som ellers ville vært for dyrt. Men besparelsen er bare ekte når leveransen holder mål.

Min vurdering er at Muse Spark 1.3 fortjener en plass i en seriøs modelltest. Ikke fordi 62 er ett poeng mer enn 61, men fordi Meta ser ut til å ha fått agentkvalitet, effektivitet og pris til å trekke i samme retning. Det er et sjeldnere og viktigere resultat enn en ny rekord på en ledertavle.

Meta er tilbake. Ikke nødvendigvis som ubestridt vinner, men som et frontier-laboratorium konkurrentene må regne med. Og hvis de kommende åpne vektene holder samme retning, kan comebacket få langt større følger enn denne ene API-lanseringen.

Ofte stilte spørsmål