Meta Muse Spark 1.3：聞いてから動くエージェントへの改良と、maxと格安ティアの読み方

2026年9月2日、Metaが Muse Spark 1.3 を公開しました。4月に初版が出てから5か月で4回目の更新です。同じ週にはGoogleの Gemini 3.8 Flash やOpenAIの GPT-6 Astra の発表も重なって、各社の新モデルが並ぶ週になりました。

今回Metaが前面に出したのは、賢さの数字より扱いやすさです。曖昧な指示には質問で返す。行き詰まったら人に助けを求める。取り返しのつかない操作の前には確認する。長く走らせるエージェントとして任せやすくする方向の改良が中心です。

公式のモデルページ、発表ブログ、Meta Model APIのドキュメント、評価方法の資料に、独立評価機関と報道を足して読んだ範囲でまとめます。実機では回していないので、数字には全部出典を付けます。

Table of contents

Muse Spark 1.3とは何か

Muse Sparkは、Metaの研究組織 Meta Superintelligence Labs が作っているMuseシリーズの旗艦モデルです。テキスト、画像、動画、PDFを受け取ってテキストを返します。重み（学習済みパラメータ）は配布されておらず、使うにはMetaのAPIを通します。

公式ページのキャッチコピーはこうです。

Muse Spark 1.3 is trained for agentic workflows and optimized for competitive coding performance. Developers can expect higher first-attempt accuracy and reliable tool calling.

（Muse Spark 1.3はエージェント型のワークフロー向けに学習され、競争力のあるコーディング性能へ最適化されている。開発者は、より高い一発正答率と信頼できるツール呼び出しを期待できる）

出典：Muse Spark 1.3 | Meta

エージェント とは、質問に一度答えて終わりではなく、目的を与えられたら自分で手順を組み立て、ファイル操作やコマンド実行、Web検索などの外部ツールを呼び出しながら、何往復もしてゴールに近づいていくAIの使い方です。チャットボットが相談相手だとすれば、エージェントは作業を任せられる担当者です。この使い方の基本は、姉妹モデルの Muse Glimmerの記事 でも書きました。

基本スペック

出典は Modelsドキュメント、Reasoningドキュメント、Quickstart です。パラメータ数やアーキテクチャの詳細は、今回読んだ公式資料（発表ブログ、モデルページ、APIドキュメント、評価方法資料）のどれにも書いてありませんでした。

5か月で4回、Muse Sparkの歩み

1.3だけ見ても分かりにくいので、前の3つの版が何を積んできたかを先に並べます。

4月の発表ブログでMetaは、コーディングと長期のエージェント処理を現在の弱点だと自分で書いていました。1.1でエージェント、1.2でコーディング、1.3でその使い勝手、という順に潰してきた形です。Artificial Analysisの総合指標だと、初版43、1.1が51、1.2が57、1.3が61と、毎回きっちり上がっているそうです（Artificial Analysis）。

Museファミリーの中で

Museシリーズには、Muse Spark以外に3つのモデルがあります（Modelsドキュメント）。

Muse Glimmerは、Muse Sparkの知識を手元のGPU 1枚で動くサイズに詰め直したモデルです。重みが欲しいなら今はこれしかありません。詳しくは Muse Glimmerの記事 に書いています。

4つの関係を図にするとこうなります。

1.2からの変更点

発表ブログが挙げている変化は、協働、指示追従とマルチタスク、コーディングの効率、安全性の4つです。

ユーザーとの協働

1.3で一番大きい改良は、ユーザーとの協働の仕方だと思います。ブログの説明を引きます。

Trained to more actively collaborate with the user, Muse Spark 1.3 asks clarifying questions when prompts are ambiguous, invokes help from the user when stuck, and confirms before taking consequential actions.

（ユーザーとより積極的に協働するよう学習されたMuse Spark 1.3は、プロンプトが曖昧なときは確認の質問をし、行き詰まったときはユーザーに助けを求め、重大な結果を伴う行動の前には確認する）

出典：Introducing Muse Spark 1.3 | Meta AI Research

地味に見えますが、エージェントを長時間任せるときに一番効くのはここです。新人に仕事を頼む場面を想像してください。曖昧な指示を勝手に解釈して3時間かけて違うものを作る人より、最初に「これはAとBのどちらですか」と聞いてくる人のほうが安心して任せられます。本番のデータベースを消す前に一言確認してくれるなら、なおさらです。

ブログはさらに、ゴールが決まっていない依頼を受けたときに、ツールで必要な情報を自分で集め、矛盾する情報源を突き合わせて計画の穴を自分で埋め、学んだことを覚えたまま最終成果物を出す、とも書いています。進捗報告の頻度もユーザーの好みに合わせて、こまめに知らせることも黙々と裏で働くこともできるそうです。

やりとりの流れを図にしたものです。

Metaはこの挙動を、いろいろなハーネス（エージェントを動かす枠組み）で学習させて、特定の環境に依存しないようにしたと説明しています。

指示追従とマルチタスク

指示追従では、長く複雑な指示をそれまでのMuse Sparkより確実に守り、複数ステップの作業の途中で細かい要件を落としたり手順から逸れたりしにくくなった、とのことです。

マルチタスクは、1本の長いスレッドで複数の仕事を並行しているときの話です。新しく届いたプロンプトがどの仕事への指示なのか、過去の依頼の修正なのか割り込みなのかを、より正確に振り分けられるようになったそうです。

もうひとつ、自己認識。1.3は自分に何ができて何ができないか、何を知っていて何を知らないかの感覚が良くなり、壁にぶつかったときに結果をでっち上げる代わりにそれを報告するよう学習した、とブログにはあります。できませんでしたと言えるモデルのほうが、エージェントとしては信頼できます。

コーディングの効率

コーディングについてMetaが強調しているのは効率です。1.2と比べて不要なターンを減らし、冗長さを抑え、コードの書き方も整理されたとしています。社内のエンジニアが同じ作業で比べたところ、ツール呼び出しが約20%、トークン消費が約25%減ったそうです（発表ブログ）。

この数字はMetaの社内比較で、公開ベンチマークの点数とは別物です。第三者が追試できる形でもありません。ただ、後述するように価格は据え置きなので、トークンが減った分だけ同じ仕事が安くなる計算にはなります。

1.2と1.3を並べるとこうです。

安全性の改良

安全性についてもブログは、エージェントとコーディングに関係する軸で改良したと書いています。敵対的な入力やプロンプトインジェクション（外部から読み込んだ文書などに紛れ込ませた命令で、モデルを乗っ取る攻撃）への耐性が強まり、複雑なエージェント処理で何が取り返しのつかない操作かの判断が良くなった、という説明です。

Metaにはこの夏、テスト中のモデルが委託先の設定ミスでインターネットに出られる状態になり、他社のシステムに侵入してしまった事案があったと報じられています（Axios）。不可逆な操作の前に確認するという改良は、自分にはその延長線上にあるように読めました。

max推論モードの中身

1.3の発表文には max reasoning という言葉が繰り返し出てきます。

reasoning_effortの6段階

Muse Sparkは 推論モデル です。目に見える答えを出す前に、内部で考えるためのトークンを生成します。この考える量を、APIでは reasoning_effort というパラメータで指定します（Reasoningドキュメント）。

強さを上げるほど推論トークンが増え、応答は遅く、費用は高くなります。推論トークンは出力トークンとして課金され、max_tokens などの出力上限にも含まれます。max では推論トークンが出力の大きな割合を占めるので、出力上限は余裕をもって設定しろとドキュメントにも書いてあります。単価は他の強さと同じで、増えるのはトークン数だけです。

同じ時給の担当者に、5分で答えてと頼むか、じっくり1時間考えてと頼むかの違いです。時給は変わりませんが、請求額は考えた時間に比例します。

6段階と、maxだけに付く条件をまとめた図です。

maxの提供時期

ここは資料を読んでいて引っかかった点です。9月2日の発表時点のブログには、次の一文がありました。

Previously available reasoning modes are available today with max reasoning coming shortly after we finish additional safety testing.

（従来から使えた推論モードは本日から利用でき、maxの推論は追加の安全性テストが終わり次第まもなく提供する）

出典：発表ブログの9月2日時点の本文（Wayback Machineの保存版）

同じ日のAxiosの記事も、maxは追加の安全性テストの後に出すとMetaが説明したと書いています。その後、9月4日にMetaのAI部門が Xで「Muse Spark 1.3 with max reasoning is now available on Muse Code and Meta Model API」 と告知し、ブログ本文も同じ表現に書き換えられました。執筆時点（2026年9月5日）では、Standardティアなら max を指定できます。

このズレが効いてくるのは、後述するベンチマーク表です。目玉の数字は max で測ったものなので、発表から2日間は、表の一番良い列を誰も再現できませんでした。

推論内容の扱い

Muse Sparkは推論の生テキストを返しません。Responses APIでは要約（reasoning.summary）を求めることができ、複数ターンにまたがる推論の引き継ぎは、previous_response_id で連鎖させるか、暗号化された推論内容（reasoning.encrypted_content）を次のターンへ渡す形で行います。Chat Completionsでは推論を次のターンへ引き継げず、毎回ゼロから考え直します。エージェントのように何十回もツールを回す用途でResponses APIを使えとドキュメントが言っているのは、このためです。

ベンチマーク表の読み方

モデルページには、Muse Spark 1.3（max）、Muse Spark 1.2（xhigh）、OpenAIのGPT 5.6 Sol（max）、AnthropicのClaude Opus 5（max）を並べた表が載っています。

Metaが示した表

出典は モデルページ と 評価方法の資料 です。Opus 5のMRCRは「-」（値なし）と表示されています。

コーディング3種と長文脈2種で1.3が最上位か同点、エージェント系ではOpus 5に一歩譲る、という表です。1.2からの伸びでは、DeepSWEの20ポイントとMRCR 512K–1Mの40ポイント超が目立ちます。

評価方法の資料に書かれた5つの但し書き

ただ、この表をそのまま1.3はOpus 5と互角だと読むのは早計です。Metaが4ページの評価方法資料に書いている条件を読むと、見え方が変わります。

1. 推論の強さが揃っていない。1.3、Opus 5、GPT 5.6 Solは max、1.2は xhigh で測っています。1.2からの伸びには、推論の強さを上げた分が混ざっています。
2. 数字の出どころが混ざっている。資料には、各モデルについて自社の評価、公式リーダーボード、モデル提供元の自己申告のうち比較可能な最も高い値を報告する、と明記されています。他社の値には、その会社のモデルカードから引いた自己申告が含まれます。DeepSWEでは1.3だけをMetaが走らせ、他モデルの値はDatacurveのリーダーボードから取っています。
3. ハーネスが違う。Terminal-Benchは各モデルのネイティブなコーディングハーネスで走らせています。測っているのはモデルと道具の組み合わせです。他社モデルについては、プロンプトやツールが最適化されておらず最良の性能を反映しない可能性がある、とMeta自身が資料で断っています。
4. ベンチマークの版が違う行がある。OSWorld 2.0は1.2だけ古い版（06.24）で、他は08.08です。
5. 外部から再現できない行がある。Agentic IF Indexは複数の内部評価をまとめたMeta独自の指標で、固定のタスク集合がありません。

拒否した回答は0点として分母に残す、とも書いてあります。ここは素直に良い方針だと思います。

5つの但し書きが表のどこに効いているかを図にしました。

maxとxhighの差

発表当日に使えたのは xhigh までだったと書きました。評価方法資料の最終ページの表には、モデルページには載っていない1.3 (xhigh) の列があります。主要な行を抜き出します。

見どころは2つ。ひとつは、xhigh でも1.2からの伸びの大半は残ることです。MRCR 512K–1Mの93.1やSWE-Atlasの54.0は、推論の強さを揃えてもはっきり上がっています。もうひとつは、max が常に上とは限らないことです。Terminal-Bench 2.1では xhigh のほうが0.4ポイント高く、JobBenchでは xhigh の1.3が1.2をわずかに下回っています。この2行は、自分がこの表で一番面白いと思った箇所です。

VentureBeatは、発表資料が max の数字を前面に出しながら、発表時点で開発者が使えたのは xhigh だけだった点を批判しています（VentureBeat）。同記事は、Metaが評価資料で両方の値を開示していることも書いています。実際に資料の表を見ると、たしかにxhighの列はありました。隠してはいないが目立たせてもいない、というのが正確なところでしょう。

第三者の測定

Artificial Analysisは、自社の統一手法で測る総合指標（Intelligence Index）で、Muse Spark 1.3の xhigh を61、max を62と出しています（Artificial Analysis）。同じ指標での比較対象はこうです。

同社の測定だと、Terminal-Bench 2.1は1.2の80%から1.3の85%に上がっています。Metaの自己申告の88.8とは差がありますが、第三者の測定でも改善は確認できます。1タスクあたりの費用は$0.55で、同じ指標の水準にある他社モデルより安いというのが同社の分析です。

まとめると、1.3は第三者の測定でも最上位グループに入り、コーディングと長文脈が特に強い。ただしMetaの表の一番良い数字は max と自社ハーネスの組み合わせで、自分の用途で同じ数字が出る保証はない。自分はそう読みました。

3つの入口：Muse Code、Meta Model API、OpenRouter

モデルページは、使い始める入口を3つ挙げています。どれを選んでも中身は同じMeta Model APIで、モデルIDとティアを選ぶ構造です。

Muse Code：ターミナルで動くコーディングエージェント

Muse Code は、ターミナルで動くコーディングエージェントです。8月5日に1.2と同時にbetaで出て、8月31日に正式版になりました。macOSとLinuxなら1行で入ります（Muse Codeドキュメント）。

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

プロジェクトのディレクトリで muse と打つと対話セッションが始まり、初回にワークスペースを信頼するかの確認と、ブラウザでのサインインかAPIキーの入力を求められます。CI向けには muse exec "<prompt>" でプロンプト1つを最後まで実行するヘッドレスモードがあります。

設計の特徴は、1.2の発表ブログに詳しく書かれています（Introducing Muse Code and Muse Spark 1.2）。

• 常駐するバックグラウンドエージェント。メインのエージェントとは別に、専門化した補助エージェントがセッション中ずっと生きていて、情報収集の重複を避け、自分で次の手を進め、伝えるべきときにメインへ報告します。
• イベントログ。モデル呼び出し、ツール実行、承認、編集のすべてを1本のログに追記します。クラッシュしても止まった地点から正確に再開できるので、長時間のタスクを任せられます。
• 同梱スキル。/plan がタスクを承認付きの計画に変え、/grill がその計画に穴がないか詰め、/goal が目的の達成に向けて進みます。

この3つの関係を1枚にしたのが次の図です。

8月31日の正式版では、セッション同士がメッセージを送り合う機能、大きなタスクをサブエージェントのチームで並列処理するワークフロー、Esc 2回で会話を安全な地点まで巻き戻すrewind、それにCLIのエンジンをTypeScriptライブラリとして使うSDK（開発者プレビュー）が加わりました（Muse Code: New plans and features）。SDKはローカルで muse のホストを起動し、Muse Session Protocolという標準入出力上のプロトコルで会話します。SDKとホストの間にHTTPサーバーやネットワークの設定は要りません。推論そのものはMeta Model APIに投げるので、インターネット接続は必要です。

料金は従量課金のほかに、月額固定のサブスクリプションが3つあります（Subscriptionsドキュメント）。公式ドキュメントには金額がなく、地域によって内容が変わり、申込時に表示するとだけ書いてあります。The New Stackは月額$5、$15、$50と報じています（The New Stack）。

サブスクリプションが効くのは、Muse Codeの初回セットアップで自動接続されるAPIキーだけです。別に作ったAPIキーは従量課金になります。

執筆時点のMuse Codeドキュメントは、既定のモデルを muse-spark-1.2 と書いています。発表ブログは1.3がMuse Codeで使えるとしているので、セッション内でどのモデルが選ばれているかは設定で確かめたほうが安全です。

Meta Model API：既存のSDKから

自分のアプリや既存のツールから使うなら Meta Model API です。OpenAI SDKとAnthropic SDKの両方に互換性があります。ベースURLはSDKで違います。OpenAI SDKやOpenAI互換のハーネス（OpenCode、Codexなど）は https://api.meta.ai/v1 に向けて、ResponsesかChat Completionsを使います。Anthropic SDKやClaude Codeのようなハーネスは https://api.meta.ai に向けます。こちらは /v1/messages をSDK側が補うので、/v1 まで書くと二重になります。

最小の呼び出しは、OpenAI SDKのベースURLとキーを差し替えるだけです。

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.meta.ai/v1",
    api_key=os.environ["MODEL_API_KEY"],
)

response = client.responses.create(
    model="muse-spark-1.3",
    reasoning={"effort": "high"},
    input="このリポジトリのテストが落ちる原因を調べて",
)
print(response.output_text)

APIキーは MODEL_API_KEY という環境変数で扱うのが公式の流儀です。コードに直接書かないでください。

クイックスタートには、OpenCodeのようなエージェントに貼り付けて設定を自動生成させるプロンプトも載っています。そこでは推論の引き継ぎのために include: ["reasoning.encrypted_content"] を指定するよう案内していて、前述のResponses APIの話とつながります。

このほか、Web検索をツールとして呼ぶ検索グラウンディング、JSONスキーマに沿った構造化出力、プロンプトキャッシュ、並列ツール呼び出し、時間のかかる処理を裏で走らせる背景実行が用意されています。

OpenRouter経由

OpenRouter からも meta/muse-spark-1.3 として使えます。価格はMeta Model APIと同じで、プロバイダーはMeta 1社です。すでにOpenRouter経由で複数モデルを切り替えている環境なら、モデル名を書き換えるだけで試せます。

価格とContributorティア

Muse Spark 1.3の価格は1.2から据え置きです。Metaの Alexandr Wang は、この価格設定を「aggressive」と表現しています。

料金表

単位は100万トークンあたり、出典は モデルページ と Pricing and rate limitsドキュメント です。長文脈でも単価は上がりません。Web検索のグラウンディングは1,000クエリあたり$2.50が別途かかります。レート制限は、Standardが毎分3,000リクエストと400万トークン、Contributorが毎分100リクエストと300万トークンで、チーム単位で共有されます。

Contributorの対価

同じモデルなのに、入力で12.5倍、出力で21倍、キャッシュ入力では75倍の価格差があります。ドキュメントの説明はこうです。

Heavily discounted token pricing in exchange for permission to use your prompts and completions to train future Meta models. It lowers the barrier to entry for prototyping, testing integrations, and scaling experiments where training on your data is acceptable.

（将来のMetaモデルの学習にあなたのプロンプトと出力を使う許可と引き換えに、大幅に割り引いたトークン価格。あなたのデータで学習されても構わない試作、連携のテスト、実験の拡大の敷居を下げる）

出典：Pricing and rate limits | Meta Model API Docs

割引の対価はデータです。TechCrunchはこれを平均して約95%の割引と表現し、Metaが以前、従業員のPC操作を記録して学習データを集めようとして社内の反発で6月に中止した経緯にも触れています（TechCrunch）。同記事が引いている開発者の話では、エージェントの学習には実際の開発者が実際の問題を解いた記録が一番効くらしく、Contributorティアはそれを同意と対価つきで集める仕組みだと自分は理解しました。

Wangは、開発者の「meaningful double digit」（意味のある2桁）の割合がContributorを選んでいると述べています（Axios）。

技術的な違いも2つあります。Contributorでは max 推論が使えず、レート制限は毎分100リクエストです。本番の大量トラフィックには向きません。名前のとおり試作と実験向けです。

2つのティアで何が同じで何が違うかを並べました。

企業で使うときの論点

個人の趣味のプロジェクトや、どのみち公開するオープンソースのコードなら、Contributorは素直に安い選択肢です。会社のコードで使うなら、話は別です。

学習に使うかどうかの条件は、StandardとContributorそれぞれについてMeta Model APIの利用規約に書いてあります。ただ、どちらのティアで送るかを決めるのは、リクエストに書いたモデルID文字列です。muse-spark-1.3 を muse-spark-1.3-contributor に書き換えた瞬間に、そのアプリが送るプロンプト、ツールの結果、添付ファイルの法的な扱いが変わります。TechTimesは、この切り替えが既存のデータ漏えい防止ツールでは検知できないことと、Metaのドキュメントが保持期間、人による閲覧の有無、削除の可否、ツール呼び出しの引数や結果が「プロンプト」に含まれるのかを書いていないことを指摘しています（TechTimes）。Muse Codeのサブスクリプションのドキュメントも、入出力の扱いは選んだモデルによって変わり、詳細はMeta Model APIの利用規約に書いてあるとしています。

プリンストン大学のArvind Narayananは、大企業が消費者向けプランより10〜20倍高い法人向けプランを選ぶのはデータの扱いの違いのためだと指摘したうえで、割引と引き換えの明示的な同意は、企業に本当に機密なデータはどれかを真面目に分類させるきっかけになりうると述べています（TechCrunch）。

判断の流れは次のとおりです。

TechTimesが紹介している運用は、APIゲートウェイでContributorのモデルIDを既定で遮断し、例外は法務が判断するというものです。自分が会社で使うなら、これに従います。安さに惹かれてから考えるより、先に線を引いておくほうが楽です。

オープンウェイトの約束と現状

発表ブログの末尾「Looking Forward」には、より大きなモデルと「the Muse Spark open weights release」がロードマップにあると書いてあります。Mark Zuckerbergも発表当日にXで、Muse Sparkのオープンウェイト版を「soon」（まもなく）出すと投稿しました（The Register）。

ただ、経緯があります。8月10日にMetaはMuse GlimmerをApache 2.0で公開し、あわせてMuse Spark 1.2の重みを近いうちに公開すると予告していました。執筆時点でHugging Faceの meta-models 組織にあるのはMuse Glimmer 30Bの4つのリポジトリだけで、Muse Sparkの重みはどの版も出ていません（Hugging Face meta-models）。9月2日の約束にも、版もライセンスも時期も付いていません。

約束と現実を時間軸で並べた図です。

Llamaのときは重みが手に入るのが前提でしたが、Muse Sparkは今のところAPI経由だけです。手元で動かす、ファインチューニングする、監査するといった用途なら、今あるMuse Glimmerで検討する。Muse Sparkの重みは来たら儲けもの、くらいで考えるのが堅実だと思います。

導入前の注意点

• 音声入力はまだ完全ではありません。1.3の音声理解は「現在は完全には対応しておらず、音声を含むリクエストの品質が落ちることがある」とドキュメントに明記されています。音声を扱うなら1.2か、専用のMuse Voice Transcribeを使います（Modelsドキュメント）。
• 推論の引き継ぎはResponses APIで行います。Chat Completionsでは前のターンの推論を引き継げず、reasoning_content は外部の呼び出し元には空にされて返ります。エージェント用途ではResponses APIと reasoning.encrypted_content を使います。logprobs も非対応です（Reasoningドキュメント）。
• Contributorには制約が2つあります。max 推論が使えず、毎分100リクエストまでです。安さの代わりにデータを差し出す点は前述のとおりです。
• 提供は段階的です。発表ブログは「rolling out」という表現を使っていて、Muse Spark 1.1の公開プレビューは米国の開発者から始まりました。自分の地域で1.3が選べるかは、ダッシュボードかモデル一覧のAPI（GET /v1/models）で確認できます。
• ベンチマークの数字は自分の環境で確かめてください。表の一番良い数字は max とMetaの評価ハーネスの組み合わせです。自分のハーネス、自分のリポジトリ、自分の推論の強さで、同じタスクを数本走らせてから判断するのが確実です。
• ロードマップには「より大きなモデル」もあります。5か月で4回更新されたペースを考えると、1.3に最適化したプロンプトやハーネスの設定が、次の版で見直しを迫られる可能性は織り込んでおくべきです。

このうち一番つまずきやすいのが推論の引き継ぎで、図にするとこうです。

要点

• Muse Spark 1.3は2026年9月2日公開のMetaの旗艦モデルで、賢さの数字より、曖昧なら聞く、詰まったら相談する、不可逆な操作の前に確認する、という協働の作法を鍛えた更新です。コーディングではツール呼び出しが約20%、トークンが約25%減ったとMetaは言っています。
• 発表資料の目玉の数字は max 推論モードのもので、発表当日は使えず、9月4日に安全性テストを終えて提供が始まりました。評価方法資料の表には xhigh の列もあり、伸びの大半は xhigh でも残る一方、max が常に上とは限りません。
• ベンチマーク表は、推論の強さ、数字の出どころ、ハーネス、ベンチマークの版が揃っていない比較です。それでも第三者のArtificial Analysisの測定で最上位グループに入り、コーディングと長文脈が強いことは確認できます。
• 入口はMuse Code、Meta Model API、OpenRouterの3つで、価格は1.2から据え置きです。Contributorティアは最大75倍安い代わりにプロンプトと出力を学習に使い、max 不可と毎分100リクエストの制約が付きます。会社で使うなら、ContributorのモデルIDはゲートウェイで止めておくのが無難です。
• オープンウェイトは「soon」と繰り返されていますが、執筆時点で出ているのはMuse Glimmerだけです。重みが必要な計画は、今手に入るもので立てるべきです。

参考資料

• Muse Spark 1.3 | Meta：公式モデルページ。ベンチマーク表、価格、3つの入口（2026年9月5日参照）
• Introducing Muse Spark 1.3 | Meta AI Research：発表ブログ。協働、指示追従、コーディング効率、安全性、ロードマップ（2026年9月2日公開、9月4日にmax提供の記述へ更新）
• Muse Spark 1.3 Evaluation Methodology | Meta AI Research：評価方法資料（PDF）。各ベンチマークの設定、数字の出どころ、xhigh列を含む表（2026年9月5日参照）
• Reasoning | Meta Model API Docs：reasoning_effortの6段階、maxの条件、推論トークンの課金と非公開の扱い（2026年9月5日参照）
• Pricing and rate limits | Meta Model API Docs：StandardとContributorの価格、レート制限、検索グラウンディングの料金（2026年9月5日参照）
• Muse Code: New plans and features | Meta：Muse Code正式版の新機能、SDK、サブスクリプション（2026年8月31日公開）
• Muse Spark 1.3: Meta reaches the frontier | Artificial Analysis：独立評価。Intelligence Indexの推移と比較、Terminal-Benchの第三者測定、タスクあたり費用（2026年9月2日公開）
• Meta debuts Muse Spark 1.3 as personal agent work continues | Axios：Alexandr Wangのインタビュー。価格据え置き、Contributorの採用率、maxの提供時期、安全性の事案（2026年9月2日公開）
• Meta is paying to peek at how you use their latest AI model | TechCrunch：Contributorティアの割引率、Narayananの見解、Metaのデータ収集の経緯（2026年9月3日公開）
• Meta says Muse Spark 1.3 has frontier performance, but its best results come from a model developers can’t broadly use yet | VentureBeat：maxとxhighの数字の差と発表資料の見せ方への批評（2026年9月3日公開）