9月2日，Meta 超级智能实验室（Meta Superintelligence Labs）静悄悄地放出了 Muse Spark 1.3。相比此前高调的 GPT-6 Astra、Gemini 3.8 Flash，这则更新几乎没有铺天盖地的发布会，却透露出编程智能体赛道一个被忽视的转向：当模型能力逼近天花板，单位任务的「调用成本」正成为新的胜负手。
一、少调用、少消耗，主打长程单线程
官方给出的关键数字很克制：Muse Spark 1.3 相比 1.2 版本，完成同类工程任务大约少用 20% 的工具调用（tool calls）、少消耗约 25% 的 Token。它把「长程多任务」放在一个超长单线程里完成——面对杂乱、相互冲突的信息源，模型会自己生成上下文、补齐计划里的缺口，并一路追踪「学到了什么」直到产出最终交付物。1M token 的上下文窗口为此提供了空间基础。
二、更像「会提问的协作者」
新模型在交互上做了「拟人化」收敛：遇到含糊的指令会主动追问澄清，卡住时调用用户，做重大动作前先确认，多个任务并行时还能把请求映射到正确的子任务上。这些设计并不炫技，却正好对应企业级编程 Agent 落地时最怕的两件事——跑偏和擅自动手。值得一提的是，顶级的「max reasoning」模式虽已宣布，但仍处于安全测试、尚未开放，音频输入相比 1.2 也略有退化。
三、闭源旗舰与开放权重的双线
Muse Spark 1.3 仍是闭源权重，仅通过 Meta Model API 与 Muse Code 终端智能体调用。但同一实验室在 8 月 10 日已放出 Apache 2.0 开放权重的 Muse Glimmer 30B——这是自 Llama 4 以来首个可下载的前沿实验室模型，且去掉了 Llama 许可证里 7 亿 MAU 与欧盟的附加限制。Meta 已三次表态「开放权重的 Muse Spark 版本即将到来」，虽无日期，双线意图已经清晰：用闭源旗舰守能力高地，用开放权重抢开发者心智。
四、编程 Agent 的竞争换赛道了
过去一年，各家比的是「谁的模型更能写代码」；Muse Spark 1.3 的打法暗示，下一个比的是「谁用更少的调用把事办成」。对团队而言，工具调用次数和 Token 消耗直接挂钩账单与延迟，尤其在 Agent 把数十次模型调用串成一条长链时，单位成本差距会被放大数倍。当效率成为卖点，编程智能体的竞争，正从「能力上限」转向「性价比与可控性」。