Token (in)
Unbekannt
Token (out)
Unbekannt
Latenz
Unbekannt
USD / 1M Input
1,25 $
USD / 1M Output
4,25 $
Throughput
Unbekannt
Muse Spark 1.1
Veröffentlichung
Juli 2026
Knowledge Cutoff
Unbekannt
Parameter
Unbekannt
Modellfamilie
Muse Spark 1.1
Proprietär
Muse Spark 1.1 Modell-Übersicht
Muse Spark 1.1 ist das zweite Modell aus Metas Superintelligence Labs und der Nachfolger von Muse Spark 1.0, das Meta AI antreibt. Erstmals bietet Meta das Modell auch über die neue Meta Model API an. Der Fokus liegt klar auf dem Einsatz als KI-Agent: Tool- und Function-Calling, Computer-Use auf Desktop, Mobile und im Browser sowie Multi-Agent-Orchestrierung über ein Kontextfenster von 1 Mio. Token. Mit $1,25 / $4,25 pro 1 Mio. Input-/Output-Token positioniert Meta das LLM als günstigere Alternative zu GPT-5.5 und Claude Opus 4.8. Bei der Tool-Nutzung liegt es laut dem Evaluationsreport von Meta vorne (88,1 % auf MCP Atlas), bei agentischen Coding-Aufgaben über längere Zeiträume (z. B. DeepSWE, Terminal-Bench) bleibt es dagegen hinter Opus 4.8 und GPT-5.5 zurück.
Features
Tools
Websuche, Bildgenerierung, Computer Use und MCP-Server.
Multimodalität
Das Modell kann Text, Bilder, Audio und PDFs als Input verarbeiten.
Finetuning
Finetuning des Modells ist aktuell nicht möglich.
Details zum Modell
Max. Input
1,05 Mio. Token
Max. Output
1,05 Mio. Token
Trainingsdaten
Unbekannt
Parameter
Unbekannt
Input Preis
1,25 $
Output Preis
4,25 $
Vokabular
Unbekannt
Dateigröße
Unbekannt
Muse Spark 1.1 Benchmark Scores
Im KI-Kontext bezeichnet Performance die Leistungsfähigkeit eines Modells in Bereichen wie Sprachverständnis, Logik oder Programmierung – gemessen anhand standardisierter Benchmarks zur objektiven Vergleichbarkeit.
Technologie & Daten
Muse Spark 1.1 ist ein proprietäres, closed-weight Frontier-Modell. Meta legt weder Parameterzahl noch Architektur oder Tokenizer offen. Bekannt ist der agentische Aufbau: Das Modell kann als Haupt-Agent Aufgaben planen und an parallel laufende Sub-Agenten delegieren oder selbst als Sub-Agent arbeiten und bei Bedarf eskalieren. Es verwaltet sein 1-Mio.-Token-Kontextfenster aktiv, indem es frühere Arbeitsschritte komprimiert (Context Compaction) und nur die später benötigten Informationen behält. Ein 'Thinking'-Modus stellt explizites Reasoning bereit. Die Meta Model API ist zu OpenAI- und Anthropic-SDKs kompatibel.
Technische Spezifikationen
| Architektur | Proprietärer Transformer |
|---|---|
| Input Kontextlänge | 1,05 Mio. |
| Output Kontextlänge | 1,05 Mio. |
| Tokenizer | Nicht offiziell veröffentlicht. |
Besonderheiten
| Multi-Agent-Orchestrierung | Delegiert Aufgaben an Sub-Agenten |
|---|---|
| Computer Use | Kann GUIs über Screenshots navigieren und bedienen. |
| Aktives Context Management | Context Compaction |
| API-Kompatibilität | OpenAI- und Anthropic-SDK-Kompatibilität |
Vorteile & Nachteile
Vorteile
- Starke Tool-Use-FähigkeitenErreicht laut Metas Evaluationsreport 88,1 % auf MCP Atlas und liegt damit über Claude Opus 4.8 (82,2 %) und GPT-5.5 (75,3 %).
- Sehr großes, aktiv verwaltetes Kontextfenster1 Mio. Token mit Context Compaction; das Modell hält auch bei langlaufenden Aufgaben die relevanten Schritte im Kontext.
- Günstiger Frontier-PreisMit $1,25 / $4,25 pro 1 Mio. Input-/Output-Token liegt es klar unter dem üblichen Frontier-Niveau und sogar noch unter dem Preis von Grok-4.5. $20 Startguthaben zum Testen.
- Funktionen für Einsatz als KI-Agent integriertMulti-Agent-Delegation, Computer-Use und integrierte Websuche mit Quellen sind direkt in Modell und API eingebaut.
- Einfache Migration über kompatible SDKsDie Drop-in-Kompatibilität zu OpenAI- und Anthropic-SDKs senkt die Umstiegskosten aus bestehenden Integrationen.
Nachteile
- Schwächer beim langlaufenden agentischen CodingAuf DeepSWE 1.1 erreicht es 53,3 % gegenüber 67,0 % (GPT-5.5) und 59,0 % (Opus 4.8); auch auf Terminal-Bench 2.1 (80,0 %) liegt es hinter Opus 4.8 (82,7 %) und GPT-5.5 (83,4 %). Meta räumt diesen Rückstand im Evaluation Report selbst ein.
- Closed-weight und proprietärAnders als bei Metas alten Llama-Modellen gibt es keine offenen Gewichte, kein lokales Deployment und kein Fine-Tuning für Muse-Spark. Das Modell ist ausschließlich über die Meta API nutzbar.
- Kaum technische Details offengelegtMeta nennt weder Parameterzahl noch Architektur, Tokenizer oder Knowledge Cutoff; eine unabhängige Einordnung der Modellgröße ist damit nicht möglich.
Vergleiche Muse Spark 1.1 mit anderen LLMs
Vergleiche Muse Spark 1.1 mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Parameteranzahl, Preisen und Benchmark-Leistung.
Provider & APIs
Du kannst Meta AI Muse Spark 1.1 über die API folgender Anbieter nutzen.