Token (in)
Unbekannt
Token (out)
Unbekannt
Latenz
Unbekannt
USD / 1M Input
1,25 $
USD / 1M Output
4,25 $
Throughput
Unbekannt
Muse Spark 1.2
Veröffentlichung
August 2026
Knowledge Cutoff
Unbekannt
Parameter
Unbekannt
Modellfamilie
Muse Spark 1.2
Proprietär
Muse Spark 1.2 Modell-Übersicht
Muse Spark 1.2 ist ein Coding-Modell von Metas Superintelligence Lab und der direkte Nachfolger von Muse Spark 1.1, veröffentlicht am 5. August 2026. Das LLM wurde zusammen mit der Terminal / CLI-App Muse Code veröffentlicht und ist hauptsächlich für den Einsatz als Coding-Agent optimiert. Ausgeliefert wird das Modell mit einem Kontextfenster von bis zu 1 Mio. Token. Leider ist Muse Spark 1.2 ein geschlossenes Modell und nur über die Meta Model API (Standard: $1,25 / $4,25 pro 1 Mio. Input-/Output-Token) sowie OpenRouter nutzbar. Wer bereit ist, seine Daten für das Training neuer Modelle an Meta weiterzugeben, kann das Pricing auf bis zu $0,10 / $0,20 über die "Contributor" Variante drücken.
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 1.2 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
Meta trainierte Muse Spark 1.2 mit Muse Code über "rejection-sampled Harness-Trajektorien" und konnte so die Genauigkeit für Tool-Calls erhöhen. Zum Trainings-Setup gehört ein Self-Improvement-Loop, bei dem das Vorgängermodell Muse Spark 1.1 als "Judge" Lösungen bewertet. Architektur, Parameterzahl und Tokenizer legt Meta nicht offen.
Technische Spezifikationen
| Architektur | Unbekannt |
|---|---|
| Input Kontextlänge | 1,05 Mio. |
| Output Kontextlänge | 1,05 Mio. |
| Tokenizer | Unbekannt |
Besonderheiten
Derzeit sind keine besonderen Features für dieses Modell bekannt.
Vorteile & Nachteile
Vorteile
- Einführung eigener Coding-CLIMit Muse Spark 1.2 führt Meta nun ein Konkurrenzprodukt zu Claude Code, Codex, Gemini CLI, Kimi Code & Co. ein. Damit wird über das neu eingestellte Personal erwartungsgemäß eine weitere Lücke zu den aktuellen Frontier Labs geschlossen.
- Großes KontextfensterMit 1 Mio. Token deutlich mehr als die bei vielen vorigen Modellen üblichen 200K.
- Günstiges Caching senkt reale KostenCached Input kostet im Standard-Tier nur $0,15 statt $1,25 pro 1 Mio. Token; bei wiederholten Projekt-Kontexten drückt das den Preis spürbar.
- Starke Ergebnisse in Coding BenchmarksIn vielen Coding Benchmarks übertrifft Muse Spark 1.2 das Vorgängermodell deutlich. Ein Abstand zu den aktuellen SOTA Modellen wie Claude Opus 5, Fable 5 oder GPT 5.6 Sol existiert aber weiterhin.
Nachteile
- Proprietär, keine Open WeightsMuse Spark 1.2 läuft nur über die Meta Model API und OpenRouter. Lokales Deployment und Fine-Tuning sind nicht möglich.
- Kaum offengelegte SpezifikationenParameterzahl, Architektur, Tokenizer und Knowledge Cutoff bleiben unveröffentlicht, was eine unabhängige Einordnung erschwert.
- Wenig Vorteile gegenüber KonkurrenzmodellenGegen proprietäre SOTA Modelle hinkt Muse Spark 1.2 noch hinterher und im direkten Vergleich zu ähnlich starken Open Weights Modellen ist Muse Spark 1.2 verhältnismäßig teuer. Der wirkliche Product-Market-Fit scheint bei Meta noch zu fehlen.
Vergleiche Muse Spark 1.2 mit anderen LLMs
Vergleiche Muse Spark 1.2 mit anderen Sprachmodellen anhand wichtiger Metriken wie Kontextgröße, Parameteranzahl, Preisen und Benchmark-Leistung.
Provider & APIs
Du kannst Meta AI Muse Spark 1.2 über die API folgender Anbieter nutzen.