Meta مدل کدنویسی هوش مصنوعی Muse Spark 1.1 را با قیمتگذاری تهاجمی برای رقابت با Anthropic و OpenAI عرضه کرد

Meta در ۹ ژوئیه Muse Spark 1.1 را منتشر کرد، یک مدل هوش مصنوعی چندوجهی که بهطور خاص برای کدنویسی و وظایف عاملی چندمرحلهای ساخته شده است، و آن را بهعنوان رقیبی مستقیم برای مدلهای Claude شرکت Anthropic و مدلهای GPT شرکت OpenAI در بازار رو به رشد کدنویسی عاملی معرفی میکند. الکساندر وانگ، مدیر هوش مصنوعی، آن را «قویترین مدل شرکت برای کار عاملی و کدنویسی تا به امروز» نامید، همانطور که اولینبار توسط SiliconANGLE گزارش شد.

این عرضه مهم است زیرا بارزترین تغییر مسیر Meta را از استراتژی متنباز Llama به سمت کسب درآمد از مدل اختصاصی نشان میدهد. Muse Spark 1.1 پس از نسخه اولیهای که در آوریل ۲۰۲۶ منتشر شد و به شرکای منتخب محدود بود، عرضه میشود؛ این بهروزرسانی دسترسی پیشنمایش عمومی را از طریق برنامه Meta AI و لیست انتظار API توسعهدهندگان باز میکند، در حالی که یک نوع کاملاً متنباز آن ظاهراً هنوز در حال توسعه با جدول زمانی تأییدنشده است.

از نظر قابلیت، Muse Spark 1.1 از پنجره زمینه ۱ میلیون توکن پشتیبانی میکند و مکانیزم فشردهسازی زمینه را معرفی میکند که دادههای تولیدشده در طول گردشهای کاری عاملی طولانی را فشرده میکند و در عین حال توانایی بازیابی اطلاعات از مراحل بسیار اولیه یک وظیفه را حفظ مینماید. Meta همچنین بر برنامهریزی تطبیقی تأکید کرد – مدل میتواند پیشرفتهای میانوظیفه را تشخیص دهد و برنامه خود را اصلاح کند، بهجای پایبندی به یک رویکرد اولیه ثابت، که یک نقطه شکست رایج برای ابزارهای کدنویسی عاملی قبلی است.

در معیارها، Meta نمره ۷۲.۲ را در معیار داخلی Vibe Code Bench v1.1 خود گزارش کرد که بیش از ۵۰ امتیاز بالاتر از مدل پرچمدار قبلی خود است و تقریباً ۱۸٪ بهبود در تست SWE-Atlas Codebase QnA داشت. ارزیابیهای مستقل Muse Spark 1.1 را با نمره ۶۱.۵ در SWE-Bench Pro قرار میدهند که پایینتر از ۶۹.۲ Claude Opus 4.8 اما جلوتر از ۵۸.۶ GPT-5.5 است – موقعیتی محکم اما نه پیشرو در رده در میان اکثر معیارهای کدنویسی شخص ثالث.

قیمتگذاری جایی است که Meta تهاجمیترین حرکت خود را انجام میدهد: ۱.۲۵ دلار به ازای هر میلیون توکن ورودی و ۴.۲۵ دلار به ازای هر میلیون توکن خروجی، با حسابهای جدید API که با ۲۰ دلار اعتبار رایگان شروع میشوند. وانگ این استراتژی را صریحاً بهعنوان قیمتگذاری که «با مصرف عظیم مقیاس مییابد» توصیف کرد که از نرخهای معمول Anthropic و OpenAI برای سطوح قابل مقایسه کدنویسی عاملی پایینتر است. برای تیمهای مهندسی که ابزارهای کدنویسی عاملی را ارزیابی میکنند، این شکاف قیمتی – حتی بدون برتری آشکار در معیارها – احتمالاً برای پذیرش در مقیاس بزرگ مهمتر از تفاوتهای دقت حاشیهای در هر ارزیابی واحد خواهد بود.