Meta lança Muse Spark 1.1: primeira API de modelo pago a $1,25/$4,25/M tokens para agentes de programação

Meta lançou Muse Spark 1.1 em 9 de julho de 2026, e abriu sua primeira API de modelo pago, preçando entrada/saída a $1,25/$4,25 por milhão de tokens—aproximadamente um quarto do custo de Claude Opus 4.8 ou GPT-5.5. O modelo, construído por Meta Superintelligence Labs sob o chefe de IA Alexandr Wang, visa fluxos de trabalho de programação e agencial com uma janela de contexto de 1 milhão de tokens, suporte multimodal nativo (imagens, vídeo, PDFs) e compactação ativa de contexto que rastreia o estado entre sessões estendidas. Parceiros iniciais incluindo Replit, Cline e Box elogiaram profundidade de orquestração de ferramentas e custo-desempenho. A API está em visualização pública para desenvolvedores dos EUA com $20 de créditos gratuitos por conta, acessível via SDKs compatíveis com OpenAI e Anthropic (defina URL base para api.meta.ai/v1, nome do modelo muse-spark-1.1).

Muse Spark 1.1 lidera vários benchmarks especialistas: MedScribe e TaxEval (previamente mantidos por Fable 5) e Harvey's Legal Agent Bench (destronizando Grok 4.5). Internamente, Meta treina um modelo maior chamado Watermelon que supostamente igualou GPT-5.5 em benchmarks principais. O lançamento marca a mudança filosófica de Meta de Llama de código aberto (distribuição permissiva) para proprietário, apenas API paga—uma aposta comercial direta contra Anthropic e OpenAI em sensibilidade de custo do desenvolvedor e confiabilidade de uso de ferramentas em sistemas agenciais. Cada nova conta de API recebe $20 em créditos gratuitos; depois disso, a medição baseada em tokens se aplica.

Para engenheiros de ML avaliando assistentes de programação: em aproximadamente 25% dos preços de lista de modelo fechado de fronteira com paridade de tarefa comercial afirmada em avaliações agenciais, Muse Spark 1.1 reduz a barra de preço para orquestração multi-agentes e cargas de trabalho de uso de ferramentas em longo contexto. A compatibilidade SDK remove fricção de comutação—equipes podem fazer A/B de modelos contra stacks Anthropic ou OpenAI existentes sem re-encanamento. No entanto, a prontidão de produção depende de benchmarks externos (avaliações internas frequentemente favorecem o hospedeiro) e testes de compatibilidade em seus servidores MCP, cadeias de recuperação e requisitos de saída estruturada.