Muse Spark 1.3 : la mise à jour de Meta pour les agents et le codage

Muse Spark 1.3 en bref

• Muse Spark 1.3 est la mise à jour phare de Meta, axée sur les workflows agentiques et le développement, disponible dans Muse Code et l'API Meta Model avec une fenêtre de contexte de 1 000 000 de tokens.
• Il utilise ∼20 % d'appels d'outils et ∼25 % de tokens en moins que Muse Spark 1.2 selon des comparaisons d'ingénieurs Meta.
• Artificial Analysis a noté la variante xhigh à Intelligence Index 61, 182 tokens/s et 0,55 $ par tâche ; la variante max a atteint 62 en préversion limitée.
• Tarifs : 0,10 $/0,20 $ par 1 million sur le palier contributor et 1,25 $/4,25 $ sur le palier standard xhigh, avec 88 % de remise sur le cache.
• Avertissements : pas de traces de raisonnement exposées, déploiement régional inégal (toujours 1.1 dans l'UE selon certains retours sur Reddit), et mode de raisonnement max attendu après des tests de sécurité supplémentaires.

Quelques heures seulement après la présentation de Gemini 3.8 Flash par Google, Meta a publié Muse Spark 1.3, une mise à jour de sa famille de modèles phares, conçue spécifiquement pour les workflows agentiques et le code.

Cette sortie arrive dans un paysage très concurrentiel où GPT-5.6 Sol d'OpenAI, Claude Opus 5 d'Anthropic et Grok 4.6 de xAI se disputent l'attention des développeurs.

Muse Spark 1.3 est en déploiement dans Muse Code et l'API Meta Model, avec une fenêtre de contexte maintenue à 1 million de tokens.

Dans des comparaisons menées par des ingénieurs Meta, le modèle a utilisé environ 20 % d'appels d'outils et 25 % de tokens en moins que Muse Spark 1.2, et Artificial Analysis a noté la variante xhigh à Intelligence Index 61 avec une vitesse de sortie de 182 tokens/s.

Dans cet article, je passe en revue tout ce qui change avec Muse Spark 1.3 : ses fonctionnalités pour les agents et le code, les benchmarks et les tarifs.

Pour le comparer à la concurrence, consultez nos guides GPT-5.6 Terra vs Claude Sonnet 5 et Claude Opus 5 vs Claude Sonnet 5. Je vous recommande aussi notre guide de Muse Agent de Meta. 

Qu'est-ce que Muse Spark 1.3 ?

Muse Spark 1.3 est le modèle phare actuel de Meta, présenté comme une mise à jour incrémentale par rapport à Muse Spark 1.2 plutôt qu'une refonte complète.

Deux variantes apparaissent dans la recherche :

• Muse Spark 1.3 (xhigh), qui est publiquement benchmarkée
• Muse Spark 1.3 (max), en préversion limitée pour des partenaires Meta au moment de l'analyse.

Les changements se concentrent sur deux axes : soutenir un travail agentique de longue haleine et assainir le comportement en génération de code.

Meta a entraîné le modèle sur différents harnesses pour qu'il généralise à divers environnements agentiques, et a ajouté de l'apprentissage sur des tâches de codage plus longues. Ils positionnent cette sortie comme une étape vers leur objectif affiché de superintelligence personnelle.

Le principal enseignement de ce lancement concerne l'efficacité : Muse Spark 1.3 a réussi les comparaisons internes avec environ 20 % d'appels d'outils et 25 % de tokens en moins que la 1.2.

Pour toute personne facturée au token sur l'API Meta Model, c'est une réduction de coût directe à charge de travail égale.

Quoi de neuf avec Muse Spark 1.3 ?

Les mises à jour de Muse Spark 1.3 portent sur le comportement du modèle lors de longues sessions agentiques et sur sa façon d'écrire et d'éditer du code.

Voici les capacités qui ressortent.

Maintenir un long travail agentique dans un seul fil

Muse Spark 1.3 est conçu pour garder un long fil de discussion cohérent tout en gérant plusieurs workflows en parallèle.

Face à un objectif ouvert, il utilise des outils pour se construire son propre contexte à partir de sources brouillonnes et contradictoires, corrige les lacunes de son plan au fil de l'eau et suit ce qu'il a appris pour produire un livrable final.

Meta a aussi amélioré le multitâche dans un contexte monotâche.

Le modèle associe les invites entrantes à la bonne tâche même lorsque vous redirigez une demande antérieure ou l'interrompez en cours d'exécution, ce qui est généralement la cause d'échec des longues sessions d'agents.

Pour celles et ceux qui utilisent régulièrement Muse Spark, c'est crucial : la plupart des travaux d'agents réels ne sont pas une instruction unique et propre. C'est une conversation continue où vous changez d'avis, ajoutez des contraintes, suspendez des tâches ; un modèle qui perd le fil rend l'outil vite inutilisable.

Collaborer et demander confirmation avant les actions engageantes

Meta indique que Muse Spark 1.3 a été entraîné à travailler avec vous plutôt qu'à foncer avec des consignes ambiguës. Il pose des questions de clarification quand l'invite est vague, vous sollicite quand il bute, et demande confirmation avant des actions aux conséquences importantes.

Sur les longues tâches, il s'adapte à votre préférence de reporting. Vous pouvez demander des comptes rendus fréquents ou le laisser travailler en arrière-plan jusqu'au résultat ; utile pour lancer une tâche et y revenir plus tard.

Meta a aussi amélioré la calibration du modèle sur les actions irréversibles : il traite une opération destructive avec plus de prudence qu'une action réversible.

C'est un garde-fou pertinent pour des agents qui manipulent des fichiers, envoient des messages ou exécutent des commandes shell.

Suivre des consignes longues et multiétapes sans perdre les contraintes

Muse Spark 1.3 suit plus fidèlement des consignes complexes et longues que les versions précédentes.

Sur des tâches en plusieurs étapes, Meta indique qu'il conserve mieux les exigences détaillées sans oublier de contraintes ni dériver du workflow demandé.

Par exemple : rédiger un rapport de conformité, extraire des chiffres d'une feuille de calcul jointe, mettre les nombres en forme dans deux tableaux, l'exporter en PDF et l'organiser sous six intertitres nommés. Les anciens modèles réussissaient souvent les trois premières exigences et oubliaient discrètement les deux dernières.

Le modèle a aussi une meilleure conscience de ses limites.

Meta l'a entraîné à reconnaître quand il atteint une impasse et à le dire, plutôt que d'halluciner un résultat pour donner l'illusion d'avoir terminé, même si la fréquence n'est pas quantifiée dans la recherche.

Code plus propre, plus rapide, avec moins d'échanges inutiles

Muse Spark 1.3 a été entraîné sur davantage de tâches de code longues et se comporte mieux dans les workflows d'ingénierie courants.

Par rapport à Muse Spark 1.2, Meta indique qu'il n'ajoute pas d'étapes superflues, est moins verbeux et produit un style de code plus propre.

Les gains d'efficacité sont tangibles : dans les comparaisons internes, Muse Spark 1.3 a utilisé environ 20 % d'appels d'outils et 25 % de tokens en moins que la 1.2.

Moins d'appels d'outils signifie moins d'allers‑retours et une latence réduite pour le code agentique, et moins de tokens signifie un coût par tâche accomplie plus faible.

Un bémol relevé par la communauté : certains utilisateurs Reddit trouvent le modèle frustrant car il n'expose pas son processus de pensée, ce qui complique le débogage par rapport à des modèles qui montrent leurs traces de raisonnement.

Benchmarks de Muse Spark 1.3

Meta a publié des scores sur trois catégories pour Muse Spark 1.3 : tâches d'agents, recherche en long contexte et codage.

Les résultats ci-dessous comparent la variante max à Muse Spark 1.2 xhigh, GPT-5.6 Sol (max) et Claude Opus 5 (max).

Codage

C'est en codage que Muse Spark 1.3 est le plus convaincant. Il prend la tête sur les trois benchmarks, y compris une égalité avec GPT-5.6 Sol sur Terminal-Bench 2.1.

Le résultat DeepSWE v1.1 (75,4) est le plus marquant.

Ce benchmark évalue du codage agentique de longue haleine, où le modèle doit accomplir de vraies tâches d'ingénierie logicielle en autonomie.

Devancer à la fois Opus 5 et GPT-5.6 Sol sur cet éval est significatif pour qui évalue des agents de codage.

Le score de compréhension de codebase SWEAtlas (59,4) raconte la même histoire : Muse Spark 1.3 lit et raisonne sur de grandes bases de code mieux que ses deux rivaux directs ici.

Long contexte

Muse Spark 1.3 affiche une nette avance sur la recherche en long contexte, en particulier à l'extrémité supérieure de la fenêtre où la plupart des modèles se dégradent.

Entre 512K et 1M de tokens, GPT-5.6 Sol tombe à 73,8 tandis que Muse Spark 1.3 tient à 98,1. Si votre travail implique d'intégrer des bases de code complètes, de longues chaînes de documents ou des traces d'agents étendues dans un même contexte, c'est la catégorie qui compte le plus. Les scores d'Opus 5 ne sont pas publiés pour MRCR, donc pas de comparaison à trois ici.

Tâches d'agents

Sur les benchmarks d'agents, Muse Spark 1.3 se situe entre GPT-5.6 Sol et Opus 5.

Il bat GPT sur la plupart des catégories mais reste légèrement derrière Opus 5 dans l'ensemble.

L'écart sur JobBench par rapport à GPT-5.6 Sol (64,9 vs 45,4) est le plus marqué dans la catégorie et à noter pour quiconque utilise l'IA dans des workflows professionnels.

DeepSearchQA est la seule zone où GPT-5.6 Sol mène (93,0 vs 89,4), et le suivi d'instructions (Agentic IF Index) est légèrement à l'avantage de GPT.

Sur l'usage de l'ordinateur (OSWorld 2.0), Muse Spark 1.3 est compétitif à 66,9 face aux 68,3 d'Opus 5.

En synthèse : Muse Spark 1.3 mène sur le codage et la recherche en long contexte, est compétitif sur les tâches d'agents, et se place juste derrière Opus 5 pour le travail de connaissance et l'orchestration générale d'agents.

Muse Spark 1.3 vs concurrents en un coup d'œil

Voici un récapitulatif rapide comparant Muse Spark 1.3 aux modèles milieu de gamme et phares que nous avons évalués.

Les chiffres pour Muse Spark proviennent d'Artificial Analysis ; ceux des concurrents de nos couvertures précédentes.

L'écart de prix est net : les tokens de sortie de Muse Spark 1.3 coûtent environ un tiers de ceux de Sonnet 5 et un sixième de ceux d'Opus 5.

Tarifs et disponibilité de Muse Spark 1.3

Muse Spark 1.3 est disponible dès aujourd'hui dans Muse Code et l'API Meta Model.

Meta for Developers précise que les utilisateurs existants peuvent changer l'ID du modèle et conserver les mêmes endpoints, SDK et tarifs, ce qui rend la mise à niveau sans friction.

Les tarifs sur l'API Meta Model dépendent du palier : un palier contributor, où vos données servent à améliorer les produits Meta à un tarif plus bas, et un palier standard qui ne les utilise pas.

Artificial Analysis signale une remise de 88 % sur le cache au palier xhigh, et OpenRouter reflète les tarifs 1,25 $ entrée / 4,25 $ sortie, avec des options comme la recherche web à 2,50 $ pour 1 000 appels.

Les tarifs de la variante max n'étaient pas encore publics au moment de l'analyse.

Deux points d'attention remontés par la communauté au moment de l'écriture :

• Des utilisateurs Reddit ont indiqué que Meta.ai servait encore Muse Spark 1.1 dans l'UE, ce qui suggère un déploiement régional inégal
• Meta a indiqué que le mode de raisonnement max arrivera après des tests de sécurité supplémentaires, et non au lancement.

Conclusion

Muse Spark 1.3 est une mise à jour ciblée sur l'efficacité et la fiabilité plutôt qu'un saut de capacités, et Meta assume ce cadrage.

Les 20 % d'appels d'outils et 25 % de tokens en moins par rapport à 1.2 sont les chiffres qui comptent pour qui exécute des agents à l'échelle, car ils se traduisent directement par une baisse des coûts et de la latence.

Si vous êtes déjà sur l'API Meta Model ou Muse Code, la mise à niveau plug-and-play avec moins de tokens est une évidence.

Si vous choisissez un modèle neuf pour des agents en production, j'attendrais de voir son comportement en conditions réelles et les tarifs de la variante max avant de m'y engager face à une alternative bien documentée. 

Si vous souhaitez développer les compétences pour évaluer et utiliser ce type de modèles dans vos workflows, commencez par notre parcours de compétences AI Agent Fundamentals.