メタ・スーパーインテリジェンス・ラボが「Muse Spark 1.1」をリリース：エージェントタスク向け多モーダル推論モデル
Meta Superintelligence Labs は、エージェントタスクに特化した多モーダル推論モデル「Muse Spark 1.1」と、トークン課金制の「Meta Model API」を公開し、業界標準であるオープンウェイト戦略からクローズド・API 中心への転換を示した。
キーポイント
戦略的転換：オープンウェイトから API へ
Meta は従来のオープンウェイト提供から、Muse Spark 1.1 をクローズドかつトークン課金制の Meta Model API で提供する構造変更を行い、開発者へのアクセスモデルを根本的に変えた。
エージェント特化と推論機能
本モデルはツール使用、コンピューター操作、コーディングに優れ、100 万トークンのコンテキストウィンドウ内で思考プロセスを調整可能にし、複雑なエージェントタスクのオーケストレーションに最適化されている。
ベンチマークでの競争力
ツール使用や拡張推論におけるベンチマークで競合他社を上回るスコアを記録し、特に「MCP Atlas」や「JobBench」で高い性能を示したが、コーディング精度では中位に留まっている。
価格設定と利用制限
開発者向けには入力 100 万トークンあたり$1.25、出力$4.25で課金され、米国限定の公開プレビューとして開始された。
既存スタックへのシームレスな統合
OpenAI互換のModel APIを採用しているため、マイグレーションはベースURLの変更だけで済み、既存のSDKやAgent CLIをそのまま利用可能です。
多様なユースケースと高度な機能
マルチモーダルによるリスト自動化やスクリーンショットデバッグなど実務に即した事例に加え、100万トークンのコンテキストをモデル自身が圧縮する機能を備えています。
強みと弱点の明確なトレードオフ
ツール使用評価では首位ですが、コード生成ベンチでは競合に劣り、クローズドソースであるためローカル展開やファインチューニングは不可です。
影響分析・編集コメントを表示
影響分析
この発表は、Meta が AI エコシステムを「オープンソースモデルの共有」から「高付加価値な推論機能を提供するプラットフォームビジネス」へと転換させる決定的な一歩を示しています。特にエージェントタスクに特化した性能と API 課金モデルの組み合わせは、開発者が複雑な自動化ワークフローを構築する際の基準となる可能性があり、業界全体のアーキテクチャ設計に影響を与えるでしょう。
編集コメント
Meta の戦略転換は、オープンソースコミュニティへの影響と、クローズドな高機能モデルの台頭という両面で業界に大きな波紋を広げるでしょう。開発者は今後は「無料のオープンウェイト」と「高性能な API サービス」を使い分ける新たなポートフォリオ管理が求められます。
本日、Meta Superintelligence Labs は Muse Spark 1.1 をリリースしました。これに伴い、Meta Model API のパブリックプレビューも開始されました。この二つ目の部分が構造的な変化です。Meta のモデルはこれまで主にオープンウェイトとして開発者に提供されていましたが、Muse Spark 1.1 はクローズドでホストされ、トークン単位で課金されます。したがって、問いかけられるのは限定的なものになります。「あなたがすでに運用しているスタックの中で、どこに位置すべきか？」という点です。
Muse Spark 1.1 とは何か？
Meta はこれを、エージェントタスク向けに構築されたマルチモーダル推論モデルとして説明しています。最初の Muse Spark からの報告された改善点は、ツール使用、コンピュータ操作、コーディング、そしてマルチモーダル理解にあります。コンテキストウィンドウは 1,000,000 トークンです（Meta Model API のドキュメントでは 1,048,576 と記載されています）。
中核的な機能と特徴
推論モデルであるため、回答する前に思考を行います。さらに、この推論の努力はリクエストごとに調整可能です。入力にはテキスト、画像、動画、文書が含まれ、出力はテキストとなります。API は構造化された出力、並列ツール呼び出し、Files API（ファイル API）、プロンプトキャッシュも提供します。Responses API 呼び出しに web_search ツールを追加すると、引用付きの回答が返されます。
価格設定と地域別利用状況
アクセス方法は二つに分かれています。一般ユーザーは Meta AI アプリおよび meta.ai 上で「Thinking」モードで無料で利用できます。開発者は入力トークン 100 万あたり 1.25 ドル、出力トークン 100 万あたり 4.25 ドルを支払います。新規アカウントには 20 ドルの無料クレジットが付与されます。初期リリースの発表では、パブリックプレビューは米国限定であり、EU へのアクセスはまだないと記されています。
パフォーマンス
仕様が決まったことで、数値がその位置づけを説明しています。これを示すために Meta は発表テーブルを公開しており、この表は明確に分割されています。
ベンチマークテスト：Muse Spark 1.1 / Opus 4.8 (max) / GPT-5.5 (xhigh) / Gemini 3.1 Pro (high)
MCP Atlas（スケーラブルなツール使用）: 88.1 / 82.2 / 75.3 / 78.2
JobBench（専門的なツール使用）: 54.7 / 48.4 / 38.3 / 15.9
Humanity's Last Exam（ツールを用いた推論）: 62.1 / 57.9 / 52.2 / 51.4
OSWorld-Verified（コンピュータ操作）: 80.8 / 83.4 / 78.7 / 76.2
SWE-Bench Pro（実リポジトリでのコーディング）: 61.5 / 69.2 / 58.6 / 54.2
DeepSWE 1.1（長期ホライズンのコーディング）: 53.3 / 59.0 / 67.0 / 12.0
BabyVision（視覚的推論）: 76.3 / 81.2 / 83.6 / 51.5
ベンチマーク分析
Meta が報告したもので、競合他社は最も強力なモードで示されています。Muse Spark 1.1 はツール使用およびツール拡張推論の項目で首位に立ちます。コーディングとマルチモーダルでは第 3 位です。したがって、これはコーディング精度のリーダーというより、オーケストレーションモデルです。また、ベンチマークセットの選定とハッチの実行も Meta が担当しました。
真剣に取り組むべき特徴：圧縮と委任
スコアを超えて、ツール使用の結果を説明するのはオーケストレーション行動です。このモデルは百万トークンのコンテキストウィンドウを積極的に管理します。過去のアクションを記憶し、より以前の作業から情報を取得し、保持する内容を圧縮します。
委譲は後半の要素です。メインエージェントとして、コンテキストを収集し、計画を立て、並列するサブエージェント間で実行を委譲します。サブエージェントとしては、与えられたタスクに忠実に従い、利用可能なツールを理解し、必要に応じてエスカレーションして戻ります。研究チームはまた、新しいネイティブツール、MCP サーバー（Model Context Protocol Server）、カスタムスキルに対するゼロショット汎化能力も報告しています。
コンピュータ操作も同じ論理に従います。自動化がより速い場合はスクリプトを記述するように訓練され、直接的な対話の方が簡単な場合はクリックを行います。各ステップで一連のアクションを生成します。
既存のスタックへの統合
Model API は OpenAI 互換であるため、移行は書き換えではなくベース URL の変更だけで済みます。以下のスニペットは Meta 自身が提供する最初の呼び出しレシピです。
コードをコピーしました
異なるブラウザを使用してください
pip install openai
import os
from openai import OpenAI
OpenAI SDK は MODEL_API_KEY を自動的に読み取らないため、明示的に渡します。
client = OpenAI(
base_url="https://api.meta.ai/v1",
api_key=os.environ["MODEL_API_KEY"],
)
response = client.chat.completions.create(
model="muse-spark-1.1",
messages=[{"role": "user", "content": "Hello, world!"}],
)
print(response.choices[0].message.content)
Claude Code などの Anthropic フォーマットハーンは、代わりにメッセージ API を指し示します。OpenCode などのエージェント CLI では、ベース URL、キー、モデル ID の 3 つの値を使用してプロバイダーを登録します。
ユースケース
実際には、提供されたデモはエンジニアリングチームがすでに認識しているワークロードにマップされます。
例えば：
マルチモーダルリスト自動化：
Facebook Marketplace のデモでは、モデルがスマートフォンの動画を取得し、有用な写真を抽出して製品について推論した上でブラウザを操作し、出品リストを投稿します。
スクリーンショット駆動型デバッグ:
OpenCode デモでは、チャット Web アプリを構築し、自動でスクリーンショットを取得し、失敗の原因をコードまで遡って特定し、修正を検証します。
適応的プランニング:
ディナーパーティーのデモでは、注文の最中に新しいコンテキストが追加され、モデルはプロンプトなしで計画を更新します。
コーディングハッチ（harness）には第一級のサポートが提供されます：プランニングモード、ゴール条件付け、サブエージェントへの委任、コンテキスト圧縮です。Meta チームはまた、Meta 内部のコーディングベンチマークにおいて顕著な向上を報告しています。
(function(){
window.addEventListener('message', function(e){
var d = e.data;
if(!d || d.type !== 'mtp-muse-spark-resize') return;
var f = document.getElementById('mtp-muse-spark-frame');
if(f && d.height && d.height > 200){ f.style.height = d.height + 'px'; }
}, false);
})();
強みと弱み
総合的に見れば、このトレードオフは明確です。
強み
Meta が報告するツール使用およびツール拡張推論の評価で首位を占める
百万トークンのコンテキスト（モデルが長期間のセッション全体で圧縮）
未知のツール、MCP サーバー、カスタムスキルに対するゼロショット汎化能力
OpenAI および Anthropic SDK との互換性により、A/B テストのコストが低廉
弱み
Meta の表において、SWE-Bench Pro、DeepSWE 1.1、BabyVision で第3位
重みがクローズドであるため、ローカル展開やファインチューニングは不可
すべての数値はベンダー報告に基づくもので、競合他社のデータは最大設定時のものである
パブリックプレビューは米国限定と報告されており、プレビュー価格は変更される可能性がある
主なポイント
Meta の報告するツール使用評価では首位に立つが、コーディングにおいては Opus 4.8 および GPT-5.5 に劣る。
100 万トークンのウィンドウはモデル自体によって積極的に圧縮されている。
価格：入力 100 万トークンあたり 1.25 ドル、出力 100 万トークンあたり 4.25 ドル。さらに無料クレジット 20 ドルが付与される。
OpenAI および Anthropic の SDK にそのまま置き換え可能だが、プレビューは米国限定である。
Meta が自社最前線モデルに対して提供する初の有料 API となる。
技術詳細はこちらをご覧ください。また、Twitter でフォローしていただくか、150,000 人以上の ML サブレッドに参加し、ニュースレターを購読してください。待ってください！Telegram をご利用ですか？今なら Telegram でもご参加いただけます。
GitHub リポジトリや Hugging Face ページ、製品リリース、ウェビナーなどのプロモーションのためにパートナーシップをご検討の場合は、こちらからご連絡ください。
本記事「Meta Superintelligence Labs が Muse Spark 1.1 を発表：Meta Model API 上のエージェントタスク向け多モーダル推論モデル」は、MarkTechPost で最初に公開されました。
原文を表示
Today, Meta Superintelligence Labs released Muse Spark 1.1. Alongside it, Meta opened a public preview of the Meta Model API. That second part is the structural change. Meta’s models previously reached developers mainly as open weights. Muse Spark 1.1 is closed, hosted, and metered per token. So the question is narrow. Where does it belong in a stack you already run?
What is Muse Spark 1.1?
Meta describes it as a multimodal reasoning model built for agentic tasks. Reported gains over the first Muse Spark sit in tool use, computer use, coding, and multimodal understanding. The context window is 1,000,000 tokens. Meta Model API docs list 1,048,576.
Core Capabilities and Features
Because it is a reasoning model, so it thinks before answering. Furthermore, this reasoning effort is adjustable per request. Inputs span text, images, video, and documents; output is text. The API also exposes structured output, parallel tool calling, a Files API, and prompt caching. Adding a web_search tool to a Responses API call returns cited answers.
Pricing and Regional Availability
Access splits two ways. Consumers get it free in ‘Thinking’ mode in the Meta AI app and on meta.ai. Developers pay $1.25 per million input tokens and $4.25 per million output tokens. New accounts get $20 in free credits. Initial launch post describes the public preview as US-only, with no EU access yet.
Performance
With the spec in place, the numbers explain the positioning. To illustrate this, Meta published a launch table, and the table splits cleanly.
BenchmarkTestsMuse Spark 1.1Opus 4.8 (max)GPT-5.5 (xhigh)Gemini 3.1 Pro (high)
MCP AtlasScaled tool use88.182.275.378.2
JobBenchProfessional tool use54.748.438.315.9
Humanity’s Last ExamReasoning with tools62.157.952.251.4
OSWorld-VerifiedComputer use80.883.478.776.2
SWE-Bench ProReal-repo coding61.569.258.654.2
DeepSWE 1.1Long-horizon coding53.359.067.012.0
BabyVisionVisual reasoning76.381.283.651.5
Benchmark Analysis
Meta-reported, with rivals shown in their strongest modes. Muse Spark 1.1 leads the tool-use and tool-augmented reasoning rows. It places third on coding and multimodal. Consequently, this is an orchestration model, not a coding-accuracy leader. Meta also chose the benchmark set and ran the harness.
The Feature Worth Taking Seriously: Compaction and Delegation
Beyond the scores, orchestration behavior explains the tool-use results. The model actively manages its million-token context window. It remembers actions, retrieves information from much earlier work, and compacts what it keeps.
Delegation is the second half. As a main agent, it gathers context, plans, and delegates execution across parallel subagents. As a subagent, it adheres to its job, understands available tools, and escalates back when needed. The research team also reports zero-shot generalization to new native tools, MCP servers, and custom skills.
Computer use follows the same logic. The model was trained to write scripts when automation is faster. It clicks when direct interaction is simpler. It generates batches of actions at each step.
Wiring It Into an Existing Stack
Because the Model API is OpenAI-compatible, migration is a base-URL change rather than a rewrite. The snippet below is Meta’s own first-call recipe.
Copy CodeCopiedUse a different Browser
pip install openai
import os
from openai import OpenAI
The OpenAI SDK does not auto-read MODEL_API_KEY, so pass it explicitly.
client = OpenAI(
base_url="https://api.meta.ai/v1",
api_key=os.environ["MODEL_API_KEY"],
)
response = client.chat.completions.create(
model="muse-spark-1.1",
messages=[{"role": "user", "content": "Hello, world!"}],
)
print(response.choices[0].message.content)
Anthropic-format harnesses, such as Claude Code, point at the Messages API instead. Agent CLIs like OpenCode register a provider using three values: base URL, key, model ID.
Use Cases
In practice, the shipped demos map onto workloads engineering teams already recognize.
For instance:
Multimodal listing automation:
In the Facebook Marketplace demo, the model takes smartphone video, extracts useful photos, reasons about the product, then operates a browser to publish the listing.
Screenshot-driven debugging:
In an OpenCode demo, it builds a chat web app, takes automated screenshots, traces failures back to code, then validates fixes.
Adaptive planning:
In the dinner-party demo, new context arrives mid-order, and the model updates the plan unprompted.
Coding harnesses get first-class support: planning mode, goal conditioning, subagent delegation, context compaction. Meta team also reports a significant gain on Meta Internal Coding Bench.
(function(){
window.addEventListener('message', function(e){
var d = e.data;
if(!d || d.type !== 'mtp-muse-spark-resize') return;
var f = document.getElementById('mtp-muse-spark-frame');
if(f && d.height && d.height > 200){ f.style.height = d.height + 'px'; }
}, false);
})();
Strengths and Weaknesses
Taken together, the trade is legible.
Strengths
Leads Meta’s reported tool-use and tool-augmented reasoning evaluations
Million-token context, compacted by the model across long sessions
Zero-shot generalization to unfamiliar tools, MCP servers, custom skills
OpenAI and Anthropic SDK compatibility makes an A/B test cheap
Weaknesses
Third on SWE-Bench Pro, DeepSWE 1.1, and BabyVision in Meta’s table
Closed weights, so no local deployment and no fine-tuning
Every launch figure is vendor-reported, rivals shown at maximum settings
Public preview reported as US-only; preview pricing can change
Key Takeaways
Tops Meta’s reported tool-use evals; trails Opus 4.8 and GPT-5.5 on coding.
The 1M-token window is actively compacted by the model itself.
Pricing: $1.25 in / $4.25 out per million tokens, plus $20 free credits.
Drop-in for OpenAI and Anthropic SDKs; preview is US-only.
Meta’s first paid API for its own frontier model.
Check out the Technical details. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
Need to partner with us for promoting your GitHub Repo OR Hugging Face Page OR Product Release OR Webinar etc.? Connect with us
The post Meta Superintelligence Labs Releases Muse Spark 1.1: A Multimodal Reasoning Model for Agentic Tasks on Meta Model API appeared first on MarkTechPost.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み