Muse Spark 1.3: Metas Agentenmodell wird besser – und bleibt auffällig günstig

Meta hat am 2. September Muse Spark 1.3 veröffentlicht, vier Wochen nach dem Vorgänger. Es ist das vierte Muse-Spark-Release in fünf Monaten. Das Tempo sagt fast mehr über die Strategie aus als die eigentliche Versionsnummer.

Muse Spark 1.2 hatte ich in den AI Picks der 32. Kalenderwoche bereits kurz ausprobiert. Für ein belastbares Urteil über 1.3 ist es zu früh – einen eigenen Lauf habe ich noch nicht gefahren. Weit oben auf der Liste für die nächsten Wochen steht die neue Version bei mir dennoch, und das liegt weniger an einer einzelnen Benchmark-Zahl als an der Kombination aus agentischer Leistung und Preis.

Weniger Agenten-Gewusel, mehr Aufgabe zu Ende bringen

Metas eigener Pitch für 1.3 dreht sich auffällig wenig um klassische Chat-Fähigkeiten. Das Modell soll längere Aufgaben besser durchhalten, mehrere Workflows innerhalb eines Threads auseinanderhalten und Anforderungen über viele Schritte hinweg weniger schnell verlieren.

Das passt zur Richtung, die Muse schon mit 1.2 eingeschlagen hat. Kein Chatbot, der zufällig auch Tools bedienen kann, sondern ein Modell, das ziemlich eindeutig für Tool Calling, Coding und längere Agent-Loops trainiert wird.

Meta äußert ein paar Änderungen, die im Alltag relevanter sein könnten als zwei Punkte auf irgendeinem Leaderboard: Muse Spark 1.3 soll bei unklaren Aufgaben häufiger nachfragen, erkennen, wenn es feststeckt, und vor folgenreichen Aktionen eine Bestätigung einholen. Gleichzeitig will Meta die unnötigen Schleifen reduziert haben. In internen Vergleichen mit 1.2 brauchte das Modell rund 20 % weniger Tool Calls und 25 % weniger Tokens.

Das sind Werte von Meta, aber immerhin Werte, die ein reales Problem treffen. Ein Agent, der zehn Minuten lang beeindruckend nachdenkt, zwölf Tools aufruft und am Ende doch noch einmal dieselbe Datei liest, ist keine höhere Form der Intelligenz – er ist erstmal einfach nur teuer.

Muse Spark 1.3 bei Artificial Analysis: Der Sprung ist messbar

Aufschlussreicher sind die ersten unabhängigen Messungen. Artificial Analysis führt Muse Spark 1.3 in zwei Reasoning-Stufen. xhigh ist regulär verfügbar, max liegt in einer begrenzten Preview für Metas Partner. Meta selbst beschreibt denselben Zustand anders und schreibt, max reasoning komme, sobald zusätzliche Sicherheitstests abgeschlossen seien.

Die xhigh-Variante kommt im Artificial Analysis Intelligence Index auf 61 Punkte. Muse Spark 1.2 lag bei 57, Muse Spark 1.1 bei 53. Die max-Variante schafft 62.

Vier Punkte von 1.2 auf 1.3 sind ordentlich, zumal die Gewinne nicht nur aus einem einzelnen Ausreißer stammen. Besonders stark legt 1.3 bei agentischen Aufgaben zu. Im Tau3-Bench Banking steigt xhigh von 35 % auf 47 %, bei Terminal-Bench 2.1 von 80 % auf 85 %. GDPval-AA v2 geht von 1.615 auf 1.709 Elo hoch.

Auch ein unabhängiger Index sagt nichts über deine Task-Verteilung. Harness, Reasoning-Einstellung und Tool-Setup entscheiden mit darüber, was am Ende gemessen wird. Metas eigene Release-Grafik liegt bei Terminal-Bench 2.1 mit 88,8 % noch einmal höher. Der Vergleich hat dort aber einen Haken: Meta stellt 1.3 im max-Modus gegen 1.2 im xhigh-Modus – und ausgerechnet max kann man beim Launch nicht regulär buchen. Zugunsten von 1.3 verzerrt das hier ausnahmsweise nichts, im direkten xhigh-zu-xhigh-Vergleich kommt 1.3 sogar auf 89,2 statt 82,9 % bei 1.2.

Kleine Rückschritte gibt es ebenfalls. Bei AA-LCR fällt 1.3 von 83 % auf 79 %, bei AA-Omniscience sinkt die Accuracy um drei Punkte. Artificial Analysis führt Letzteres darauf zurück, dass das Modell häufiger gar nicht antwortet, wenn es unsicher ist. Weniger Raten senkt dann zwar die Trefferquote, senkt bei xhigh gleichzeitig aber auch die Halluzinationsrate. So eine Regression nehme ich lieber genauer auseinander, bevor ich sie pauschal als Verschlechterung verbuche.

Das Preisschild sagt mir mehr als der Indexwert

Die regulären API-Preise bleiben gegenüber 1.2 unverändert. 1,25 $ pro Million Input-Tokens, 4,25 $ pro Million Output-Tokens, Cache-Hits kosten 0,15 $ pro Million Tokens.

Trotzdem wird eine erledigte Aufgabe teurer. Artificial Analysis rechnet zusätzlich in Kosten pro Intelligence-Index-Task, und da klettert xhigh von 0,40 $ bei 1.2 auf 0,55 $ bei 1.3. Verantwortlich dafür ist der Verbrauch. In den agentischen Evals zieht 1.3 rund 57 % mehr Input-Tokens pro Task.

Auf den ersten Blick beißt sich das mit den 25 %, die Meta weiter oben verspricht. Sauber auflösen lässt sich der Unterschied nicht. Meta nennt rund 25 % weniger Tokens aus internen Vergleichen seiner Engineers, ohne Input und Output getrennt auszuweisen, während Artificial Analysis in den eigenen agentischen Evals rund 57 % mehr Input- und etwa 8 % mehr Output-Tokens misst. Andere Aufgaben, anderes Harness, andere Reasoning-Konfiguration. Aber das ist noch ein Punkt: Gleiche Tokenpreise bedeuten noch lange nicht gleiche Kosten pro erledigter Aufgabe. In den Messungen von Artificial Analysis wächst sie vor allem auf der Input-Seite – wer nur die Antwortlänge optimiert, greift zu kurz.

Günstig bleibt Muse Spark 1.3 am Ende dennoch. Auf 61 Punkten liegt xhigh gleichauf mit GPT-5.6 Sol (max), Grok 4.6 (high) und Claude Opus 5 (high). Deren Kosten pro Task liegen bei 0,95, 0,94 und 1,23 $, also bei mindestens 70 % Aufschlag. Unter allen Modellen ab 59 Indexpunkten erledigt aktuell keines eine Aufgabe billiger. Für ein Reasoning-Modell mit einem Kontextfenster von einer Million Tokens, multimodalem Input und brauchbarer agentischer Leistung ist das keine Nebensache.

Ein zweites Preisschild hängt allerdings gleich daneben. Neben dem Standard-Endpunkt listet Metas Preisseite einen Contributor-Tarif zu 0,10 $ Input und 0,20 $ Output, Cache-Reads bei 0,002. Der Standardtarif kostet beim Input zwölfeinhalbmal so viel, beim Output gut 21-mal. Was der Rabatt kostet, steht in der Spalte drunter: Standard wird nicht zur Produktverbesserung verwendet, Contributor schon. Für ein Wochenendprojekt ist das ein fairer Tausch. Bei Kundencode beantwortet die Frage nicht die Technik, sondern die Rechtsabteilung.

Eine Million Context bleibt – Open Weights sollen kommen

Technisch bleibt einiges beim Bekannten. Das Kontextfenster liegt weiterhin bei einer Million Tokens, als Input verarbeitet Muse Spark 1.3 Text, Bilder und Video. Text kommt wieder als Output zurück.

Meta kündigt außerdem an, später Open Weights für Muse Spark zu veröffentlichen. Mehr steht da nicht. Kein Datum, keine konkrete Variante, keine Lizenz.

Dieses Versprechen gab es schon einmal. Am 10. August kündigte Metas Chief AI Officer Alexandr Wang an, eine Open-Weight-Version von Muse Spark 1.2 komme „soon“, zusammen mit Muse Glimmer, einem 30B-Agentenmodell unter Apache 2.0. Glimmer kam. Die Spark-Weights nicht. Drei Wochen später steht im Blogpost zu 1.3 wieder eine Open-Weight-Ankündigung – diesmal nur noch generisch für „Muse Spark“. Ob Meta damit weiterhin die angekündigte 1.2-Version, inzwischen 1.3 oder etwas anderes meint, bleibt offen.

Sollten die Weights tatsächlich kommen, schaue ich noch einmal aus einer ganz anderen Richtung auf das Modell. Bis dahin ist Muse Spark 1.3 ein proprietäres API-Modell und läuft über die Meta Model API oder über Muse Code, Metas Coding-Agent für das Terminal.

Warum ich mir 1.3 näher ansehen werde

Der Vorgänger hatte genug Substanz, dass ich Muse Spark nicht einfach als weiteres Modell im Release-Strom ins Regal gestellt habe. 1.3 verschiebt die Sache noch stärker in Richtung agentischer Workloads – dorthin, wo ein Modell nicht nach einer schönen Einzelantwort beurteilt wird, sondern danach, ob es Anforderungen behält, Tools sinnvoll benutzt und eine Aufgabe irgendwann tatsächlich fertig bekommt.

Auf dem Papier sieht das alles erst mal gut aus. Artificial Analysis liefert diesmal auch früh genug unabhängige Zahlen, um nicht nur Metas Pressemitteilung nacherzählen zu müssen.

Aber der Teil, der für mich am Ende zählt: ein eigener Lauf mit realen Aufgaben. Coding, Recherche, längere Tool-Ketten und vor allem die Frage, wie viel von der versprochenen Effizienz nach zwei Stunden echter Arbeit noch übrig ist.

Den Test hole ich in den nächsten Wochen nach. Nicht weil irgendwo 61 statt 57 Punkte stehen – sondern weil das Verhältnis aus Leistung und Kosten mich neugierig genug macht, um zu wissen, wo der Haken evtl. sitzt – vielleicht und möglicherweise.