Remarque : Meta a publié Muse Spark 1.3 le 2 septembre 2026.
\n
Meta a lancé Muse Spark 1.1 le 9 juillet 2026 : il s’agit de son deuxième modèle issu des Meta Superintelligence Labs et d’une mise à niveau par rapport au Muse Spark original dévoilé en avril. Cette sortie ouvre également la Meta Model API aux développeurs en aperçu public, alignant Meta sur le modèle économique d’API payante d’Anthropic et d’OpenAI.
\n
Ce lancement intervient deux jours après la présentation de Muse Image, le premier modèle génératif d’images des Superintelligence Labs.
\n
Muse Spark 1.1 est un modèle de raisonnement multimodal conçu pour les tâches agentiques, avec une fenêtre de contexte d’un million de tokens et des progrès en utilisation d’outils, contrôle de l’ordinateur, codage et compréhension multimodale.
\n
Il fonctionne en mode « Thinking » dans l’application Meta AI et sur meta.ai, et Meta le positionne comme un concurrent de premier plan face à GPT-5.5, Claude Opus 4.8 et Gemini 3.1 Pro. Côté API : 1,25 $ par million de tokens en entrée et 4,25 $ par million de tokens en sortie, avec 20 $ de crédits offerts pour commencer.
\n
Dans cet article, je passe en revue toutes les nouveautés de Muse Spark 1.1 : nouvelles fonctionnalités agentiques, benchmarks, et pistes de tests pratiques pour votre propre évaluation. Pour aller plus loin, consultez aussi nos analyses de Muse Glimmer, Sakana Fugu vs. Claude Fable 5 et notre tutoriel sur l’exécution locale de MiniMax M3.
\n\n
En bref
\n
\n- Muse Spark 1.1 est le deuxième modèle des Superintelligence Labs de Meta, publié le 9 juillet 2026, conçu pour les tâches agentiques avec une fenêtre de contexte d’un million de tokens.
\n- Il est propriétaire et à poids fermés, à la différence de la famille ouverte Llama, avec un accès grand public gratuit sur meta.ai et une nouvelle Meta Model API payante en aperçu public.
\n- Tarification API : 1,25 $ par million de tokens en entrée et 4,25 $ par million de tokens en sortie, avec 20 $ de crédits offerts.
\n- Forces : focus sur les tâches agentiques, avec des gains en utilisation d’outils et de l’ordinateur, en codage et en compréhension multimodale.
\n- Faiblesse : les travaux agentiques de longue haleine restent en retrait face à GPT-5.5 et Opus 4.8.
\n
\n
Qu'est-ce que Muse Spark 1.1 ?
\n
Muse Spark 1.1 est le dernier modèle de raisonnement multimodal de Meta, conçu pour planifier et orchestrer le travail à travers des applications et services externes, plutôt que de répondre à des questions en un seul tour. Il se situe au-dessus de la famille Llama à poids ouverts, la précédente ligne majeure de Meta avant l’arrivée des modèles Muse Spark.
\n
Contrairement à Llama, Muse Spark est propriétaire et à poids fermés, sans déploiement local ni affinement communautaire.
\n
La grande nouveauté par rapport à la première version de Muse Spark : sa capacité agentique.
\n
Meta explique que la version 1.1 exécute plus vite des projets complexes, car elle est entraînée à orchestrer des systèmes multi-agents, en agissant soit comme agent principal qui planifie et délègue, soit comme sous-agent focalisé sur sa tâche, avec remontée au besoin.
\n
Elle gère aussi activement sa fenêtre de contexte d’un million de tokens, en compactant le travail antérieur tout en conservant les étapes utiles pour la suite.
\n
Côté codage, Meta indique que la 1.1 améliore nettement le premier modèle sur son Meta Internal Coding Bench interne et qu’elle est compétitive face aux alternatives leaders. Ce cadrage compte, car des benchmarks indépendants offrent un tableau plus nuancé, que je détaille plus loin.
\n
Quoi de neuf avec Muse Spark 1.1
\n
La mise à niveau cible l’exécution d’actions à travers des applications et interfaces, pas seulement la génération de texte. Voici les capacités mises en avant par Meta.
\n
Orchestrer des projets multi-agents
\n
Muse Spark 1.1 peut agir comme agent principal : récupérer le contexte, établir un plan et déléguer l’exécution à des sous-agents en parallèle.
\n
En tant que sous-agent, il comprend les outils à sa disposition et sait quand rendre la main à l’agent principal.
\n
Selon Meta, cette structure en parallèle lui permet d’achever des projets complexes plus rapidement que le Muse Spark initial, en réduisant la latence de bout en bout.
\n
Concrètement, vous pouvez, par exemple, lui confier : « extraire les tickets support du dernier trimestre, les catégoriser et préparer un deck de synthèse », et il découpera la collecte, l’étiquetage et la rédaction entre des sous-agents.
\n
Meta affirme aussi une généralisation zero-shot vers de nouveaux outils natifs, des serveurs MCP et des compétences personnalisées, sans nécessité d’affiner pour chaque intégration.
\n
Contrôler un ordinateur à travers plusieurs applications
\n
Muse Spark 1.1 gère des workflows d’utilisation de l’ordinateur qui s’étendent sur plusieurs applications, où l’information peut évoluer en cours de tâche.
\n
Meta l’a entraîné à décider quand écrire un script pour gagner en vitesse, quand cliquer directement dans l’interface, et à générer des lots d’actions par étape, plutôt que raisonner clic par clic.
\n
L’exemple maison montre un agent qui passe une commande pour un dîner et, en constatant un nouveau contexte, met à jour la commande sans intervention de l’utilisateur.
\n
Plus proche des équipes data : un agent qui scrute une page de tarifs fournisseur, détecte un changement de prix en cours de session, puis révise un tableau comparatif avant export.
\n
L’idée : maintenir le contexte sur de longues sessions et s’adapter à des exigences mouvantes avec un minimum d’interventions humaines.
\n
Corriger des bugs et migrer du code dans de vastes bases
\n
Le codage est au cœur du discours de Meta, avec des gains revendiqués sur des tâches réelles : diagnostiquer des bugs complexes, implémenter des fonctionnalités en environnement entreprise, et mener de grandes migrations de code.
\n
Muse Spark 1.1 prend en charge les fonctions classiques du codage agentique : mode planification, conditionnement par objectifs, délégation à des sous-agents, compaction du contexte ; et Meta indique qu’il s’adapte à divers harnesses comme OpenCode.
\n
Les premiers partenaires confirment. Saoud Rizwan, CEO de Cline, estime que Meta « vise clairement un codage agentique sérieux, une forte utilisation des outils, à un coût qui rend viable l’exécution de charges réelles à grande échelle ». Amjad Masad, CEO de Replit, salue ses « compétences de codage de très haut niveau (notamment en frontend et design) » et sa compatibilité avec les packs OpenAI.
\n
![]()
\n
Source
\n
Allier perception et action dans un même flux
\n
Les points forts multimodaux de Muse Spark 1.1 couvrent la perception, la génération de code à partir du visuel, des légendes d’images et de vidéos ultra descriptives, et l’exécution agentique multimodale. Meta insiste sur la combinaison perception + action : analyser une entrée visuelle ou audio, conserver ces détails sur un long workflow, et les exploiter tout en pilotant l’ordinateur pour vous.
\n
La démo de Meta utilise une vidéo de smartphone pour extraire des photos produit et raisonner sur un article, puis opère un navigateur pour créer une annonce Facebook Marketplace au nom de l’utilisateur. Attention à une contrainte de modalité signalée par plusieurs guides : entrées en texte, image et audio, mais sorties uniquement textuelles pour l’instant ; pas de génération directe d’images ou de vidéos avec ce modèle.
\n
Benchmarks de Muse Spark 1.1
\n
La communication officielle de Meta s’appuie sur des évaluations internes comme le Meta Internal Coding Bench, non reproductibles de manière indépendante.
\n
Les chiffres publics les plus utiles proviennent de comparaisons tierces et montrent que Muse Spark 1.1 échange une forte efficacité en tokens contre un retard sur les tâches de codage les plus difficiles.
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
| Benchmark | Muse Spark 1.1 Meta | Muse Spark Meta | Gemini 3.1 Pro (high) Google | Opus 4.8 (max) Anthropic | GPT 5.5 (xhigh) OpenAI |
|---|
| Agent | MCP Atlas Utilisation d'outils à l'échelle | 88,1 | 82,2 | 78,2 | 82,2 | 75,3 |
JobBench Utilisation d'outils professionnelle | 54,7 | 17,0 | 15,9 | 48,4 | 38,3 |
Toolathlon-Verified Utilisation d'outils personnelle | 75,6 | 49,4 | 61,1 | 76,2 | 73,5 |
OSWorld-Verified Utilisation agentique de l'ordinateur | 80,8 | 53,3 | 76,2 | 83,4 | 78,7 |
Humanity's Last Exam Raisonnement pluridisciplinaire (avec outils) | 62,1 | 50,4 | 51,4 | 57,9 | 52,2 |
Finance Agent v2 Analyse financière agentique | 57,2 | - | 43,0 | 53,9 | 51,8 |
| Codage | Terminal-Bench 2.1 Codage agentique en terminal | 80,0 | 67,3 | 70,3 | 82,7 | 83,4 |
SWE-Bench Pro Ingénierie logicielle diversifiée | 61,5 | 55,0 | 54,2 | 69,2 | 58,6 |
DeepSWE 1.1 Codage agentique de longue durée | 53,3 | 10,0 | 12,0 | 59,0 | 67,0 |
| Multimodal | CharXiv Reasoning Questions-réponses sur graphiques | 88,4 | 88,9 | 81,6 | 89,9 | 84,8 |
BabyVision Raisonnement visuel | 76,3 | 39,9 | 51,5 | 81,2 | 83,6 |
\n
Terminal-Bench 2.1 (codage agentique en terminal)
\n
Terminal-Bench 2.1 évalue la capacité d’un modèle à gérer des tâches de codage et d’agent en plusieurs étapes dans un terminal.
\n
Meta annonce un score de 80,0 pour Muse Spark 1.1, légèrement derrière les 82,7 de Claude Opus 4.8 et les 83,4 de GPT-5.5 en tête.
\n
MCP Atlas (utilisation d'outils à l'échelle)
\n
Cet indice mesure une utilisation d’outils à l’échelle qui nécessite planification et orchestration à travers un large éventail d’applications et de services externes.
\n
Muse Spark 1.1 prend la tête avec un score de 88,1 contre 82,2 pour Opus 4.8 et 75,3 pour GPT-5.5. Le nouveau modèle de Meta domine aussi JobBench, centré sur l’usage professionnel des outils : l’utilisation agentique d’outils est clairement une priorité de Muse Spark 1.1.
\n
Sensibilité à l'évaluation (Apollo Research)
\n
La métrique de sensibilité à l’évaluation d’Apollo Research mesure si un modèle semble reconnaître qu’il est testé. Des synthèses tierces rapportent que Muse Spark affiche les taux les plus élevés parmi les modèles évalués. À prendre avec prudence : peu reproduit indépendamment à ce jour, et certains commentateurs craignent une sur-interprétation sans réplications supplémentaires.
\n
Tarifs et disponibilité de Muse Spark 1.1
\n
L’accès grand public est gratuit. Muse Spark 1.1 fonctionne en mode Thinking dans l’application Meta AI et sur meta.ai, avec connexion Meta requise et des limites côté serveur probables en cas d’usage intensif. Il accepte des entrées texte, image et audio, mais renvoie des sorties uniquement textuelles.
\n
Pour les développeurs, la nouvelle Meta Model API est en aperçu public. Les développeurs basés aux États-Unis peuvent dès à présent y accéder pour tester des prompts, comparer des sorties et prototyper des intégrations, aux tarifs suivants :
\n
\n- 1,25 $ par million de tokens en entrée
\n- 4,25 $ par million de tokens en sortie
\n- 20 $ de crédits offerts avant de basculer en paiement à l’usage
\n
\n
![]()
\n
Source
\n
Reuters situe ces tarifs au-dessus du GPT-5 mini d’entrée de gamme d’OpenAI et de Claude Haiku 4.5 d’Anthropic, mais en dessous du Claude Sonnet 4.8 plus haut de gamme.
\n
Le modèle devrait remplacer les Llama existants qui alimentent les chatbots sur WhatsApp, Instagram, Facebook et les lunettes connectées de Meta. À noter : plusieurs guides indépendants signalent une documentation API encore légère, sans fiche modèle détaillée ni confirmation officielle précise de certains spécifications clés.
\n
Conclusion
\n
Le signal le plus clair de ce lancement : Meta a changé de modèle économique. En facturant au token via la Meta Model API, Meta vient jouer sur le terrain d’Anthropic et d’OpenAI, et ne se contente plus de publier des poids ouverts comme avec Llama.
\n
C’est un virage majeur pour une entreprise dont la réputation en IA s’est bâtie sur l’ouverture.
\n
À mes yeux, Muse Spark 1.1 est intéressant pour deux raisons : un accès grand public gratuit à un niveau de pointe sur meta.ai, et une forte efficacité en tokens.
\n
La principale réserve pour les praticiens tient à la transparence. Il n’y a pas de version à poids ouverts : si votre flux de travail exige un déploiement local ou un affinement, Muse Spark n’est pas le bon choix ; la ligne Llama ouverte ou une alternative à poids ouverts comme MiniMax M3 restera un meilleur ajustement.
\n
Si vous souhaitez construire les workflows agentiques et multi-outils pour lesquels Muse Spark 1.1 est conçu, nous vous recommandons notre cours Developing AI Systems with the OpenAI API, la Meta Model API étant compatible avec les interfaces OpenAI.
Remarque : Meta a publié Muse Spark 1.3 le 2 septembre 2026.
\nMeta a lancé Muse Spark 1.1 le 9 juillet 2026 : il s’agit de son deuxième modèle issu des Meta Superintelligence Labs et d’une mise à niveau par rapport au Muse Spark original dévoilé en avril. Cette sortie ouvre également la Meta Model API aux développeurs en aperçu public, alignant Meta sur le modèle économique d’API payante d’Anthropic et d’OpenAI.
\nCe lancement intervient deux jours après la présentation de Muse Image, le premier modèle génératif d’images des Superintelligence Labs.
\nMuse Spark 1.1 est un modèle de raisonnement multimodal conçu pour les tâches agentiques, avec une fenêtre de contexte d’un million de tokens et des progrès en utilisation d’outils, contrôle de l’ordinateur, codage et compréhension multimodale.
\nIl fonctionne en mode « Thinking » dans l’application Meta AI et sur meta.ai, et Meta le positionne comme un concurrent de premier plan face à GPT-5.5, Claude Opus 4.8 et Gemini 3.1 Pro. Côté API : 1,25 $ par million de tokens en entrée et 4,25 $ par million de tokens en sortie, avec 20 $ de crédits offerts pour commencer.
\nDans cet article, je passe en revue toutes les nouveautés de Muse Spark 1.1 : nouvelles fonctionnalités agentiques, benchmarks, et pistes de tests pratiques pour votre propre évaluation. Pour aller plus loin, consultez aussi nos analyses de Muse Glimmer, Sakana Fugu vs. Claude Fable 5 et notre tutoriel sur l’exécution locale de MiniMax M3.
\n\nEn bref
\n\n- Muse Spark 1.1 est le deuxième modèle des Superintelligence Labs de Meta, publié le 9 juillet 2026, conçu pour les tâches agentiques avec une fenêtre de contexte d’un million de tokens.
\n- Il est propriétaire et à poids fermés, à la différence de la famille ouverte Llama, avec un accès grand public gratuit sur meta.ai et une nouvelle Meta Model API payante en aperçu public.
\n- Tarification API : 1,25 $ par million de tokens en entrée et 4,25 $ par million de tokens en sortie, avec 20 $ de crédits offerts.
\n- Forces : focus sur les tâches agentiques, avec des gains en utilisation d’outils et de l’ordinateur, en codage et en compréhension multimodale.
\n- Faiblesse : les travaux agentiques de longue haleine restent en retrait face à GPT-5.5 et Opus 4.8.
\n
\nQu'est-ce que Muse Spark 1.1 ?
\nMuse Spark 1.1 est le dernier modèle de raisonnement multimodal de Meta, conçu pour planifier et orchestrer le travail à travers des applications et services externes, plutôt que de répondre à des questions en un seul tour. Il se situe au-dessus de la famille Llama à poids ouverts, la précédente ligne majeure de Meta avant l’arrivée des modèles Muse Spark.
\nContrairement à Llama, Muse Spark est propriétaire et à poids fermés, sans déploiement local ni affinement communautaire.
\nLa grande nouveauté par rapport à la première version de Muse Spark : sa capacité agentique.
\nMeta explique que la version 1.1 exécute plus vite des projets complexes, car elle est entraînée à orchestrer des systèmes multi-agents, en agissant soit comme agent principal qui planifie et délègue, soit comme sous-agent focalisé sur sa tâche, avec remontée au besoin.
\nElle gère aussi activement sa fenêtre de contexte d’un million de tokens, en compactant le travail antérieur tout en conservant les étapes utiles pour la suite.
\nCôté codage, Meta indique que la 1.1 améliore nettement le premier modèle sur son Meta Internal Coding Bench interne et qu’elle est compétitive face aux alternatives leaders. Ce cadrage compte, car des benchmarks indépendants offrent un tableau plus nuancé, que je détaille plus loin.
\nQuoi de neuf avec Muse Spark 1.1
\nLa mise à niveau cible l’exécution d’actions à travers des applications et interfaces, pas seulement la génération de texte. Voici les capacités mises en avant par Meta.
\nOrchestrer des projets multi-agents
\nMuse Spark 1.1 peut agir comme agent principal : récupérer le contexte, établir un plan et déléguer l’exécution à des sous-agents en parallèle.
\nEn tant que sous-agent, il comprend les outils à sa disposition et sait quand rendre la main à l’agent principal.
\nSelon Meta, cette structure en parallèle lui permet d’achever des projets complexes plus rapidement que le Muse Spark initial, en réduisant la latence de bout en bout.
\nConcrètement, vous pouvez, par exemple, lui confier : « extraire les tickets support du dernier trimestre, les catégoriser et préparer un deck de synthèse », et il découpera la collecte, l’étiquetage et la rédaction entre des sous-agents.
\nMeta affirme aussi une généralisation zero-shot vers de nouveaux outils natifs, des serveurs MCP et des compétences personnalisées, sans nécessité d’affiner pour chaque intégration.
\nContrôler un ordinateur à travers plusieurs applications
\nMuse Spark 1.1 gère des workflows d’utilisation de l’ordinateur qui s’étendent sur plusieurs applications, où l’information peut évoluer en cours de tâche.
\nMeta l’a entraîné à décider quand écrire un script pour gagner en vitesse, quand cliquer directement dans l’interface, et à générer des lots d’actions par étape, plutôt que raisonner clic par clic.
\nL’exemple maison montre un agent qui passe une commande pour un dîner et, en constatant un nouveau contexte, met à jour la commande sans intervention de l’utilisateur.
\nPlus proche des équipes data : un agent qui scrute une page de tarifs fournisseur, détecte un changement de prix en cours de session, puis révise un tableau comparatif avant export.
\nL’idée : maintenir le contexte sur de longues sessions et s’adapter à des exigences mouvantes avec un minimum d’interventions humaines.
\nCorriger des bugs et migrer du code dans de vastes bases
\nLe codage est au cœur du discours de Meta, avec des gains revendiqués sur des tâches réelles : diagnostiquer des bugs complexes, implémenter des fonctionnalités en environnement entreprise, et mener de grandes migrations de code.
\nMuse Spark 1.1 prend en charge les fonctions classiques du codage agentique : mode planification, conditionnement par objectifs, délégation à des sous-agents, compaction du contexte ; et Meta indique qu’il s’adapte à divers harnesses comme OpenCode.
\nLes premiers partenaires confirment. Saoud Rizwan, CEO de Cline, estime que Meta « vise clairement un codage agentique sérieux, une forte utilisation des outils, à un coût qui rend viable l’exécution de charges réelles à grande échelle ». Amjad Masad, CEO de Replit, salue ses « compétences de codage de très haut niveau (notamment en frontend et design) » et sa compatibilité avec les packs OpenAI.
\n![]()
\nSource
\nAllier perception et action dans un même flux
\nLes points forts multimodaux de Muse Spark 1.1 couvrent la perception, la génération de code à partir du visuel, des légendes d’images et de vidéos ultra descriptives, et l’exécution agentique multimodale. Meta insiste sur la combinaison perception + action : analyser une entrée visuelle ou audio, conserver ces détails sur un long workflow, et les exploiter tout en pilotant l’ordinateur pour vous.
\nLa démo de Meta utilise une vidéo de smartphone pour extraire des photos produit et raisonner sur un article, puis opère un navigateur pour créer une annonce Facebook Marketplace au nom de l’utilisateur. Attention à une contrainte de modalité signalée par plusieurs guides : entrées en texte, image et audio, mais sorties uniquement textuelles pour l’instant ; pas de génération directe d’images ou de vidéos avec ce modèle.
\nBenchmarks de Muse Spark 1.1
\nLa communication officielle de Meta s’appuie sur des évaluations internes comme le Meta Internal Coding Bench, non reproductibles de manière indépendante.
\nLes chiffres publics les plus utiles proviennent de comparaisons tierces et montrent que Muse Spark 1.1 échange une forte efficacité en tokens contre un retard sur les tâches de codage les plus difficiles.
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\nMeta
Meta
Google
Anthropic
OpenAI
Utilisation d'outils à l'échelle
Utilisation d'outils professionnelle
Utilisation d'outils personnelle
Utilisation agentique de l'ordinateur
Raisonnement pluridisciplinaire (avec outils)
Analyse financière agentique
Codage agentique en terminal
Ingénierie logicielle diversifiée
Codage agentique de longue durée
Questions-réponses sur graphiques
Raisonnement visuel
Terminal-Bench 2.1 (codage agentique en terminal)
\nTerminal-Bench 2.1 évalue la capacité d’un modèle à gérer des tâches de codage et d’agent en plusieurs étapes dans un terminal.
\nMeta annonce un score de 80,0 pour Muse Spark 1.1, légèrement derrière les 82,7 de Claude Opus 4.8 et les 83,4 de GPT-5.5 en tête.
\nMCP Atlas (utilisation d'outils à l'échelle)
\nCet indice mesure une utilisation d’outils à l’échelle qui nécessite planification et orchestration à travers un large éventail d’applications et de services externes.
\nMuse Spark 1.1 prend la tête avec un score de 88,1 contre 82,2 pour Opus 4.8 et 75,3 pour GPT-5.5. Le nouveau modèle de Meta domine aussi JobBench, centré sur l’usage professionnel des outils : l’utilisation agentique d’outils est clairement une priorité de Muse Spark 1.1.
\nSensibilité à l'évaluation (Apollo Research)
\nLa métrique de sensibilité à l’évaluation d’Apollo Research mesure si un modèle semble reconnaître qu’il est testé. Des synthèses tierces rapportent que Muse Spark affiche les taux les plus élevés parmi les modèles évalués. À prendre avec prudence : peu reproduit indépendamment à ce jour, et certains commentateurs craignent une sur-interprétation sans réplications supplémentaires.
\nTarifs et disponibilité de Muse Spark 1.1
\nL’accès grand public est gratuit. Muse Spark 1.1 fonctionne en mode Thinking dans l’application Meta AI et sur meta.ai, avec connexion Meta requise et des limites côté serveur probables en cas d’usage intensif. Il accepte des entrées texte, image et audio, mais renvoie des sorties uniquement textuelles.
\nPour les développeurs, la nouvelle Meta Model API est en aperçu public. Les développeurs basés aux États-Unis peuvent dès à présent y accéder pour tester des prompts, comparer des sorties et prototyper des intégrations, aux tarifs suivants :
\n\n- 1,25 $ par million de tokens en entrée
\n- 4,25 $ par million de tokens en sortie
\n- 20 $ de crédits offerts avant de basculer en paiement à l’usage
\n
\n![]()
\nSource
\nReuters situe ces tarifs au-dessus du GPT-5 mini d’entrée de gamme d’OpenAI et de Claude Haiku 4.5 d’Anthropic, mais en dessous du Claude Sonnet 4.8 plus haut de gamme.
\nLe modèle devrait remplacer les Llama existants qui alimentent les chatbots sur WhatsApp, Instagram, Facebook et les lunettes connectées de Meta. À noter : plusieurs guides indépendants signalent une documentation API encore légère, sans fiche modèle détaillée ni confirmation officielle précise de certains spécifications clés.
\nConclusion
\nLe signal le plus clair de ce lancement : Meta a changé de modèle économique. En facturant au token via la Meta Model API, Meta vient jouer sur le terrain d’Anthropic et d’OpenAI, et ne se contente plus de publier des poids ouverts comme avec Llama.
\nC’est un virage majeur pour une entreprise dont la réputation en IA s’est bâtie sur l’ouverture.
\nÀ mes yeux, Muse Spark 1.1 est intéressant pour deux raisons : un accès grand public gratuit à un niveau de pointe sur meta.ai, et une forte efficacité en tokens.
\nLa principale réserve pour les praticiens tient à la transparence. Il n’y a pas de version à poids ouverts : si votre flux de travail exige un déploiement local ou un affinement, Muse Spark n’est pas le bon choix ; la ligne Llama ouverte ou une alternative à poids ouverts comme MiniMax M3 restera un meilleur ajustement.
\nSi vous souhaitez construire les workflows agentiques et multi-outils pour lesquels Muse Spark 1.1 est conçu, nous vous recommandons notre cours Developing AI Systems with the OpenAI API, la Meta Model API étant compatible avec les interfaces OpenAI.