Muse Spark 1.3 Eğitimi: Uygulamalı Geliştirici Rehberi

Meta, 2 Eylül 2026’da Muse Spark 1.3’ü yayınladı ve yükseltme talimatları tek satıra sığıyor: model kimliğini değiştirin. Bu, aynı uç noktaları, aynı yazılım geliştirme kitini (SDK) ve aynı fiyatlandırmayı kullandığı anlamına geliyor.

Meta’ya göre bu tek satırlık düzenleme, aynı görevi yaklaşık %20 daha az araç çağrısı ve %25 daha az belirteçle (token) tamamlayan bir model sağlıyor. Bu rakamlar, Meta’nın kendi mühendisleri tarafından, adı verilmeyen görevlerde, yöntem yazımı olmadan yapılan karşılaştırmalardan geliyor.

Bu, tekrar etmeden önce kontrol etmek istediğim türden bir iddia.

Bu yüzden Muse Code’u kurdum, bilerek gerçek bir açık kaynak projeyi bozdum ve her iki modelde de aynı üç görevi çalıştırdım.

Bu Muse Code eğitimini takip etmek için bir Meta geliştirici hesabına, rahat ettiğiniz bir terminale ve Muse Code ajanı için macOS veya Linux’a ihtiyacınız olacak. Windows kullanıcıları mevcut beta sürümünde hâlâ şanssız.

Kısaca

• Muse Spark 1.3, 2 Eylül 2026’da yayınlanan, 1M belirteç bağlam penceresine sahip Meta’nın amiral gemisi çok modlu akıl yürütme modelidir.
• Muse Code sizi varsayılan olarak muse-spark-1.3-contributor ile başlatır; bu da siz değiştirmedikçe Meta’nın kodunuz üzerinde eğitim yaptığı anlamına gelir. Eğitim, katılım değil vazgeçme (opt-out) esaslıdır.
• 3 kodlama görevi üzerinde 6 çalıştırma boyunca, 1.3 iki görevde daha ucuzdu, üçüncüde ise %38 daha pahalıydı; set genelinde net %12 maliyet artışı.
• Model tamamlamaları, 1.3’ün kazandığı 2 görevde sırasıyla %23 ve %32 düştü; bu da Meta’nın araç çağrısı iddiasıyla örtüşüyor. Önbelleğe alınmamış girdi tüm 3 görevde düştü ama hiçbirinde %25 olmadı.
• ultra akıl yürütme düzeyi komut satırı arayüzünde (CLI) ve oturum içi seçimcisinde mevcut, ancak arka uç adlandırılmış bir özellik kapısıyla reddediyor.

Muse Spark 1.3 Nedir?

Muse Spark 1.3, Meta Superintelligence Labs tarafından 2 Eylül 2026’da yayınlanan, büyük depolar boyunca kodlama ve uzun ajan oturumları için tasarlanmış Meta’nın amiral gemisi çok modlu akıl yürütme modelidir. 1.048.576 belirteç bağlamı tutar ve metin, görsel, video ve dosya kabul eder.

Muse Spark 1.2’den altı şey değişti:

• Verimlilik. Meta’nın dahili karşılaştırmalarında yaklaşık %20 daha az araç çağrısı ve %25 daha az belirteç.
• İşbirliği. Muğlak istemlerde netleştirici sorular sorar ve sonuç doğuracak eylemlerden önce kontrol eder.
• Çoklu görev tek bir iş parçacığında; akış ortasında gönderilen bir mesajı kastettiğiniz göreve iliştirir.
• Uzun talimat takibi; çok adımlı işlerde daha az kaçırılan kısıt.
• Geri döndürülemez eylemlerde daha iyi kalibrasyon.
• Daha temiz kodlama stili. Daha az gereksiz tur, daha az gevezelik.

Tüm bunlar iyi görünüyor, ancak Meta’nın yayınladığı puan kartı Muse Spark 1.3’ü max akıl yürütmede, Muse Spark 1.2’yi ise xhigh seviyesinde çalıştırıyor ve max lansmanda hâlâ kapalıydı. 

Artificial Analysis, sevk edilen xhigh varyantını Zekâ Endeksi 61, max’i 62 olarak puanladı. Yani yalnızca bir puan farkı.

Matt Crabtree, Muse Spark 1.3 sürüm analizinde zaten tam karşılaştırma tablolarını, fiyatlandırma dökümünü ve bunun GPT-5.6 Sol ve Claude Opus 5’e karşı nasıl durduğunu ele aldı. Bunların hiçbirini tekrar etmeyeceğim. Aşağıda, kurup çalıştırdığınızda neler olduğuna dair notlar var.

Muse Spark 1.3’e Nasıl Erişilir

Üç yol var ve doğru olanı, ne inşa ettiğinize bağlı. Tablodan seçin, ardından eşleşen bölüme atlayın.

Terminal ajanı Muse Code

Muse Code, macOS ve Linux için betada olan Meta’nın terminal kodlama ajanıdır. Muse Spark’ı çalıştıran harness budur ve ikisi bağımsız sürümlenir; dolayısıyla muse --version hangi modelle konuştuğunuz hakkında hiçbir şey söylemez. Bunu zihninizde ayrı tutun.

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

Bu, 230 MB’lık bir ikili dosya indirir ve ~/.local/bin/muse konumuna bırakır; bu yol herkesin PATH değişkeninde bulunmaz.

Ardından ne aldığınızı kontrol edin:

muse --version

4 Eylül 2026’da bana Muse Code 1.0.2 (1.0.2-R2040.1) verdi.

Bir betanın söylemesi için biraz tuhaf; zira üçüncü taraf araçlar, haftalar önce Muse Code’u 0.2.1 olarak belgeliyordu. Hangi sürümü aldıysanız, aldığınız tarihe sabitleyin.

Yazarın ekran görüntüsü. Tek satırlık betikle Muse Code’u kurmak ve ardından macOS’ta sürüm 1.0.2’yi doğrulamak.

Şimdi muse çalıştırın. İlk seferinde Not logged in. Run muse again to log in yazdı ve çıktı. Yani iki kez çalıştırıyorsunuz; bu da kurulumu bozduğunuzu düşündürebilecek küçük bir ayrıntı.

İkinci çalıştırma bir OAuth cihaz akışı başlatır. Kısa bir kod içeren bir oturum açma URL’si yazdırır, aynı kodu ayrıca gösterir ve tarayıcıda onaylamadan önce eşleştiğini teyit etmenizi ister.

Sign in at this page:
  https://auth.meta.com/oauth/device/?code=XXXX-XXXX
confirm this code matches:
  XXXX-XXXX

Waiting for approval…

Ve ardından aşağıdaki görünümü görmelisiniz: 

Yazarın ekran görüntüsü. Kimlik bilgileri verilmeden önce hesap detaylarını doğrulayan Meta Model API oturum açma akışı.

Tarayıcı tarafı adınızı doğrular, şartları kabul eder ve bir kart alır. Ödeme ekranındaki fiyatlandırma panelini, yaklaşık otuz saniye içinde netleşecek nedenlerle, tıklayıp geçmek yerine okuyun.

Varsayılan kademe kodunuz üzerinde eğitim yapar

Terminale geri döndüğünüzde, oturum başlığı ne çalıştırdığınızı söyler:

Muse Code 1.0.2
You are logged in.
Model set to muse-spark-1.3-contributor
└ Discounted tokens: your content, including inter-session messages, may be
  used for product improvement.

Model adını tekrar okuyun. Contributor varyantı; varsayılan olarak, yeni bir kurulumda, kimse sormadan ayarlanmış.

Meta bunu gizlemiyor. Beyan, model adının altında duruyor; ödeme ekranı contributor’ı DEFAULT olarak etiketliyor ve durum çubuğu siz çalışırken muse-spark-1.3-contributor değerini görünür tutuyor.

Ancak yük, çoğu geliştiricinin beklediğinin tersine çevrilmiş.

Muse Code’u bir müşteri deposu içinde açıp çalışmaya başlarsanız, o kodu çoktan eğitime uygun bir uç noktaya göndermiş olursunuz. İlk isteminizden sonra değil, önce durum çubuğunu kontrol edin.

Yazarın ekran görüntüsü. İlk Muse Code oturumu; varsayılan model muse-spark-1.3-contributor olarak ayarlı ve altında ürün iyileştirme bildirimi.

Durum çubuğu ayrıca akıl yürütme çabasını gösterir; bende high seviyesindeydi. xhigh değil; Artificial Analysis’in kıyasladığı varyant. Bu, sonuçlarınızı yayımlanmış herhangi bir rakamla karşılaştırırken hatırlanmaya değer.

Kademeleri seçmek ve değiştirmek

/model çalıştırdığınızda, dört seçenek ve oranlarıyla birlikte etkileşimli bir seçim aracı alırsınız. Bu rakamlar Meta’nın kendi ödeme ekranıyla eşleşiyor:

Contributor, girdi için kabaca 12, çıktı için 21 kat daha ucuzdur.

Bu indirimi satın alan şey fikri mülkiyetinizdir (IP). Meta’nın ifadesi “oturumlar arası mesajlar da dahil olmak üzere içeriğiniz ürün iyileştirme için kullanılabilir”; bu da yalnızca verdiğiniz koddan fazlasını kapsar.

Muse Spark 1.2’nin her iki varyantı da seçim aracında hâlâ aynı fiyatlarla duruyor; bu, birazdan yapılacak kıyas için önemli: oranlar nesiller arasında değişmediğinden, belirteç karşılaştırması normalleştirme gerektirmeyen bir maliyet karşılaştırmasıdır.

Yazarın ekran görüntüsü. /model seçim aracı; dört Muse Spark varyantını önbellekli, girdi ve çıktı oranlarıyla gösteriyor.

Vazgeçmek (opt-out) için, oku muse-spark-1.3 üzerine getirin ve enter’a basın. “Discounted tokens” satırı başlıktan kaybolur.

Müşteri işleri için, terminalde hiç görünmeyen daha güçlü bir seçenek var. Meta, sıfır veri saklama taleplerini kabul etmeye başladığını söylüyor; bu, bir geçiş (toggle) ile değil satış kanalı üzerinden yönetiliyor.

Saklama ve eğitim ayrı sorulardır ve ajans sözleşmeleri genellikle ikisine de yanıt ister.

Oran sınırlaması kademeler arasında farklı çalışır; ancak kaynaklar nasıl olduğunda anlaşmaz. Meta’nın geliştirici blogu, contributor kademesini, istek sayısıyla değil, kayan 5 saatlik penceredeki belirteçlerle sınırlandığını tanımlar. 1.2 lansmanı sırasında basın yansımaları ise dakikada 60 istek sınırı bildirdi; bu bambaşka bir mekanizma. Bir öğleden sonra yaklaşık 90 model tamamlaması boyunca hiçbirine takılmadım.

Meta Model API ve OpenRouter

Meta Model API, OpenAI SDK ile uyumludur; bu nedenle geçiş, model kimliğini değiştirmek ve istemci kodunuzu korumak anlamına gelir. Model kimlikleri muse-spark-1.3 ve muse-spark-1.3-contributor.

OpenRouter bunu meta/muse-spark-1.3 slug’ı altında taşır. Bunun bir maliyeti var: OpenRouter, doğrudan giden Artificial Analysis’in kaydettiği 182 belirteç/sn’ye karşı 81 belirteç/sn civarı aktarım ölçtü; ilk üç gün boyunca kullanılabilirlik yaklaşık %92 idi. Sağlayıcı tek, yani devre dışı kalma durumunda devreye girecek ikinci bir sağlayıcı yok.

İlk Muse Spark 1.3 Oturumunuz

Aşağıdaki her şey python-humanize/humanize üzerinde, 823ad6096 commit’ine sabitlenmiş olarak çalışır. 6 modülde 1.676 satır kaynak, test takımı bir saniyeden kısa sürede koşuyor ve alanın açıklamaya ihtiyacı yok. Burada hiçbir şey depoyu değiştirmiyor.

Bunlar, yazma işlemi yaptırmadan önce ajanın bir kod tabanını nasıl keşfettiğini görmek için salt-okunur sorular.

Kodu nasıl okuduğunu hissetmek için iki istem; ilkiyle başlayalım: 

Map the dependency graph of this project and tell me which module has the most inbound imports.

İki komut çalıştırdı, proje yapısını listeledi, sonra import için grep yapmak yerine bir AST ayrıştırıcı yazdı. Yanıt: 4 inbound import ile i18n; dağılım i18n 4, number 2 ve filesize, lists, time ve _version birer adet.

Kendi betiğimle kontrol ettim ve farklı sayılar aldım; bu da yakaladığımı düşündürdü. Betiğim yanlıştı. Yalnızca göreli içe aktarmaları (from ._version import ...) saydı ve mutlak biçimi (from humanize.i18n import ...) kaçırdı; bu paket çoğunlukla böyle içe aktarır. Model ikisini de ele aldı.

İkinci istem, notlandırabileceğiniz için çalıştırmaya değer olanı:

List every public function in src/humanize, grouped by module, with a count per module.

Toplam 20 yanıtladı: filesize 1, i18n 5, lists 1, number 8, time 5. Hepsi doğru. Ardından, istenmeden, i18n.get_translation’ın ada göre herkese açık olduğunu ama i18n.__all__’da yer almadığını; orada yalnızca diğer dördünün dışa aktarıldığını ekledi. Bu da doğru.

Bu oturum 8 turda 0,01 $ tuttu.

Meta’nın Bahsetmediği Akıl Yürütme Düzeyi

muse --help şunu belgeliyor:

--reasoning-effort <EFFORT>
    Meta reasoning effort: none|minimal|low|medium|high|xhigh|ultra
    (default: high)

Oturum içi /effort seçimcisi bunların yedisinden altısını sunar; none düşer.

Yazarın ekran görüntüsü. /effort seçimcisi, high geçerli olarak işaretli altı seçilebilir akıl yürütme düzeyini listeliyor.

Her ikisi de Meta duyurularında yer almayan ultra adlı bir seviye listeler. Meta’nın kamuoyu pozisyonu, max akıl yürütmenin “ek güvenlik testlerini bitirdikten kısa süre sonra geliyor” olduğudur.

Ben de bunu istedim:

muse exec --model muse-spark-1.3-contributor --reasoning-effort ultra 'Reply with exactly: ok'

tbh: reasoning effort ultra is not available (gate ultra_reasoning_effort is closed); using xhigh

ultra_reasoning_effort adlı bir özellik kapısı var ve kapalı. Yetenek inşa edilmiş ve anahtar sunucu tarafında kapalı. Bu, “güvenlik testi bekleniyor”dan daha spesifik bir tablo ve içinde “tbh” kelimesini de barındıran bir uyarı mesajıyla geldi.

İki pratik nokta. İstemci, hem CLI’da hem seçimçide, arka ucun sunmayacağı bir seviyeyi reklam ediyor. Ve betikte ya da sürekli tümleştirme günlüğünde fark edilmeyecek şekilde xhigh’a tek satırlık stderr ile sessizce düşürüyor. Çalıştırdığınız yapılandırmanın farklı olduğuna inanabilirsiniz.

Sonra belgelerde hiçbir yerde görünmeyen bir değer denedim:

muse exec --model muse-spark-1.3-contributor --reasoning-effort max 'Reply with exactly: ok'

Hiç uyarı yok. Çalıştı ve ok döndü. Yani belgesiz bir değer yorum yapılmadan doğrulamadan geçerken belgeli olanı kapıya takılıyor ve hangi çaba düzeyinin isteğinizi gerçekten karşıladığını çıktıya bakarak anlayamıyorsunuz.

Yazarın ekran görüntüsü. ultra talebi, kapalı özellik kapısı ve xhigh’a sessiz düşüş döndürürken, belgesiz max yorum yapılmadan geçiyor.

Hangi akıl yürütme seviyesinde çalıştığınız önemliyse, bunu açıkça ayarlayın ve stderr’i okuyun. Verdiğiniz bayrağın kullanılan bayrak olduğunu varsaymayın.

Muse Spark 1.3’ün Verimlilik İddiası Geçerli mi?

Test şu: Açık kaynak bir depoyu alın, test takımını gerçekten bozacak bir hata düzeltme commit’ini geri alın, ardından her iki modelde de aynı istemler ve aynı bayraklarla üç kodlama görevini çalıştırın.

Bunlar yukarıdaki keşif oturumundan ayrıdır. Her biri kod yazar.

Commit 823ad6096’nın kaynak kısmını geri alıp testlerini tutmak 6 başarısız teste yol açar; başlangıç durumu budur:

git checkout 823ad6096e1e5ba82ea876ce761fc2efebd76157
git show 823ad6096 -- src/humanize/filesize.py | git apply -R -
python -m pytest tests/test_filesize.py -q

Her çalıştırma aynı komut şeklini kullandı; yalnızca model kimliği ve istem değişti:

muse exec \
  --model muse-spark-1.3-contributor \
  --reasoning-effort high \
  --no-parallel-tool-calls \
  --approval-mode never \
  'PROMPT GOES HERE'

Görev 1, hata düzeltme. 

Burada başarı iki değerli (binary): 6 test geçer ya da geçmez. 

The test suite tests/test_filesize.py is failing. 
Fix the source code in src/humanize/ so that all tests pass. 
Do not modify any file in tests/.

Görev 2, küçük özellik.

Kapsam konusunda iki modelin anlaşamayacağı kadar açık; bu da önemli çıktı.

Add a function called natural_list_with_limit to src/humanize/lists.py. 
It formats a list but truncates after a given number of items, appending "and N more". 
Export it from the package and add tests.

Görev 3, yeniden düzenleme.

Üçünün en ağırı; birkaç dosyaya dokunur.

src/humanize/number.py is 571 lines. 
Split it into two modules along a sensible boundary, 
update all imports across the package, and make sure the full test suite still passes.

Üç görev, aralarında sıfırlama olmadan sırayla çalıştı; dolayısıyla 2 ve 3. görevler, modelin daha önce ürettiği çıktının üzerine inşa edildi. Her iki model de aynı yolu izledi.

Belirteç sayıları, ~/.local/share/muse/sessions/ konumundaki oturum günlüklerinden, model tamamlaması başına bir kez sayılarak geldi. Altı çalıştırmanın tamamı testlerini geçti.

Ve farklar; negatif, 1.3’ün daha az kullandığı anlamına gelir:

Sonucu dürüstçe okumak

Üç görevden ikisi daha ucuza geldi; model tamamlamaları %23 ve %32 düştü. Bu, Meta’nın araç çağrısı iddiasına tam denk. Sonra yeniden düzenleme ters gitti: %70 daha fazla tamamlamayla %38 daha fazla maliyet.

Üçü toplamında, 1.3, 1.2’ye göre %12 daha pahalıya geldi. Yani verimlilik iddiası gerçek ama göreve bağlı ve tek bir manşet yüzdesi bunu tamamen gizliyor.

Önbelleğe alınmamış girdi her görevde %19, %22 ve %5 düştü. Hiçbiri %25 olmadı.

Meta hangi belirteçleri saydığını söylemiyor; yanıt, girdi mi, çıktı mı, önbelleksiz mi yoksa toplam mı demenize bağlı olarak çok değişir.

Önbellek isabet oranları %88 ile %97 arasında seyretti ve görev uzunluğuyla arttı. Önbellekli ve önbelleksizi ayırmadan ham girdi belirteçlerini raporlamak, yeniden düzenlemenin 4,18M girdisinin gerçekte 109 bin yeni bağlam + ellide bir oranda faturalandırılan 4,07M tekrar okuma olduğu düşünüldüğünde, neredeyse anlamsız olurdu.

Yeniden düzenlemenin dümdüz bir kayıp olmamasının nedeni

Verimsiz demeden önce 1.3’ün bu görevde gerçekte ne yaptığına bakın.

Taşınan her bloğun, programatik olarak, bayt düzeyinde özgün olanla özdeş olduğunu doğruladı.

--doctest-modules’ı her iki yeni dosyada da çalıştırdı. /tmp’de geçici bir dizinden içe aktarma çözümlemesini test etti. Sonra kimsenin sormadığı iki şeyi işaretledi: humanize.scientific işlevinin yeni alt modülü gölgelediğini ve bir naturaldelta doctest’inin el değmemiş ağaçta da aynı şekilde başarısız olduğunu; dolayısıyla hatanın değişikliğe atfedilemeyeceğini.

Muse Spark 1.2, bir döngüsel içe aktarmadan kaçınmak için bir yardımcı işlevi çoğalttı ve devam etti. 1.3 onu içe aktardı ve neden döngü olmadığını açıkladı.

Bu tasarımla “daha çok belirteç harcadı”yı “daha kapsamlı iş yaptı”dan ayıramazsınız. Dürüst ifade, 1.3’ün daha çok harcadığı ve daha çok teslim ettiğidir; bunun kazanım olup olmadığı, ekstra titizliği isteyip istemediğinize bağlıdır.

Özellik görevi ters modeli gösteriyor ve Meta’nın “daha az gevezelik” iddiasının en temiz örneği. Muse Spark 1.2, kimsenin istemediği max_items, n ve max_len parametre takma adlarını icat edip 28 test yazdı.

Muse Spark 1.3, makul bir varsayılanla tek bir imza ve 20 test yazdı; çıktı belirteçlerinde %54 daha az.

Kontrol edemediğim şeyler

Dört şey; ve makale bunlar olmadan dürüst olmazdı.

1. Muse Code, ortasında kendini 1.0.2’den 1.0.3’e güncelledi; yani altı çalıştırmanın tümünde harness aynı değildi.
2. 2 ve 3. görevler, sıfırlama olmadığından, her modelin kendi önceki çıktısından değil, bayt düzeyinde özdeş bir ağaçtan başlamadı.
3. Her hücre tek bir denemedir; yani olağan çalıştırma-çalıştırma varyansı ölçülmedi.
4. Ve her şeyi contributor kademesinde çalıştırdım; bu aynı modeldir ama aynı veri koşulları değildir.

Bunların hiçbiri sonuçların yönünü geçersiz kılmaz. Ancak, %12’lik toplam fark, hücre başına üç eşleşen çalıştırmanın vereceğinden daha zayıf bir sinyaldir.

Mose Spark 1.3 En İyi Uygulamalar ve Sorun Giderme

İlk günde bilmek isteyeceğim birkaç şey.

İşbirliği davranışları için istemleme

Muse Spark 1.3, muğlak istemlerde netleştirici sorular sorar; bu nedenle aşırı belirlenmiş bir istem, para verdiğiniz bir özelliği kapatır. Son iki yılı her talimatı önden yüklemeyi öğrenerek geçirdiyseniz sezgiye aykırı.

Yine de kapsam önemlidir. “number.py’ı böl” modelin sınırı, içe aktarma güncellemeleri ve neyin bittiği konusunda tahmin yürütmesine yol açar. Benim kullandığım sürüm, üçünü de açıklar:

src/humanize/number.py is 571 lines. Split it into two modules along a sensible boundary, update all imports across the package, and make sure the full test suite still passes.

Bilinmeye değer bir şey daha. Yeniden düzenleme istemim number.py is 571 lines diyordu. 567. Her iki model de sorulmadan beni düzeltti ve 1.3 bunu açılış cümlesinde yaptı. Benim sayım, sabitlenmiş commit yerine deponun ucunu ölçmekten geliyordu.

Maliyetleri düşük tutmak

İstemin kararlı kısmını öne koyun ki önbelleğe alınabilir kalsın. %88–%97 isabet oranlarında, önbellek davranışınız faturayı, model seçiminizden çok daha fazla etkiler.

Üç görev contributor’da toplam 0,034 $ tuttu. Aynı iş standartta 0,91 $ olurdu; 27 kat fark. Kademe kararının parayla ifadesi: doksanın karşısında üç kuruş.

OpenRouter üzerinden giderseniz, web araması 1.000 çağrı başına 2,50 $ olarak ayrı faturalandırılır.

Muse Spark 1.3’ün yanlış seçim olduğu durumlar

• Açığa çıkarılmış akıl yürütme izleri yok. Neye karar verdiğini görürsünüz, nedenini değil; bu da kötü bir yeniden düzenlemeyi ayıklamayı zorlaştırır.
• Max akıl yürütme kapalı; yani her manşet kıyas rakamının arkasındaki yapılandırma masada değil.
• Kapalı ağırlıklar. Kendi barındırma yok, ince ayar yok. Meta’nın yol haritası “Muse Spark açık ağırlık yayınını” versiyon, tarih veya lisans olmadan anıyor.
• Tek sağlayıcı. Meta’nın uç noktası bozulduğunda yönlendirilecek yer yok.

Yaygın sorunlar ve çözümler

• muse: command not found temiz kurulum sonrası. Betik, ~/.local/bin/muse konumuna kurar; bu yol her kabuğun PATH’ında değildir.
• Not logged in. Run muse again to log in. Tam olarak dediği gibi. İlk muse çıkar, ikincisi oturum açmayı başlatır.
• Contributor kademesindesiniz ve bunu siz seçmediniz. Bu varsayılandır. Durum çubuğunu kontrol edin ve size ait olmayan bir şeyi açmadan önce /model çalıştırın.
• ultra akıl yürütme sessizce xhigh olur. Kapı kapalı. Verdiğiniz bayrağa güvenmek yerine stderr’i okuyun.
• Muse Code oturum ortasında kendini günceller. Bende 1.0.2’den 1.0.3’e geçti. Bir şeyi ölçüyorsanız, sürümü sabitleyin ve kaydedin.

Tekrarlanamayan bir durum

AB kullanıcılarına, 1.3 sevk edildikten sonra hâlâ Muse Spark 1.1 sunulduğuna dair raporlar dolaştı. Tüm bunları Hollanda’dan çalıştırdım ve baştan sona 1.3 aldım. Bu raporlar tüketici asistanı Meta.ai ile ilgiliydi ve Muse Code veya Model API için geçerli görünmüyor. İki farklı yayılım.

Son Düşünceler

Meta’nın verimlilik iddiası, üç görevimin ikisinde tuttu ve üçüncüsünde tersine döndü; set genelinde net %12 maliyet artışı. 1.3’ün kazandığı yerlerde araç çağrısı tarafı %23 ve %32 düşüşle sağlam görünüyor. Belirteç tarafı ise tamamen hangi belirteçleri saydığınıza bağlı.

Zaten Meta Model API’de veya Muse Code’da iseniz, model kimliğini değiştirmek bir dakikanızı alır ve rutin işlerde muhtemelen kârlı çıkarsınız. Üretim ajanları için sıfırdan seçim yapıyorsanız, kapalı max varyantı ve olmayan akıl yürütme izleri birkaç hafta beklemek için somut nedenlerdir.

Benim gerçekten aksiyon alacağım şey verimlilik rakamı değil. Muse Code’un sizi varsayılan olarak eğitime uygun bir kademeye koyması ve belgelenmiş bir akıl yürütme düzeyinin bunu istediğinizde sessizce düşürülmesi. İkisi de kontrolü bir satır ve gözden kaçırması kolay.

Kıyaslamayı kendi iş yükünüzde çalıştırın. Benim üç görevim sizin üç göreviniz değil ve aralarındaki yayılım, modeller arasındaki farktan daha büyüktü.

Tam kıyas resmi için, Matt’in Muse Spark 1.3 sürüm analizi tabloları içeriyor. Bu tür modelleri kendiniz değerlendirme becerilerini geliştirmek için, AI Agent Fundamentals beceri yolumuzla başlayın.