Muse Spark 1.2 und Muse Code: Benchmarks, Preise und Vergleich mit Claude Opus 5, GPT-5.6, Kimi K3 und Grok 4.5

Das Modell wurde nicht mit offenen Gewichten veröffentlicht. Artificial Analysis klassifiziert Muse Spark 1.2 als proprietary Modell; die Zahl der Parameter wurde nicht öffentlich bekannt gegeben.^[3]

Der interessanteste Teil der Veröffentlichung ist jedoch nicht nur der Modellname. Meta trainierte Muse Spark 1.2 gemeinsam mit Muse Code und optimierte das Modell für eine reale agentische Umgebung: Planung, Context Compaction, Subagenten, Werkzeugnutzung und lange Aufgaben, die ganze Repositories umfassen.^[1]

Die Ergebnisse sind stark, müssen aber vorsichtig interpretiert werden.

In Metas offizieller Evaluation:

• erreicht Muse Spark 1.2 + Muse Code 82,9 % in Terminal-Bench 2.1,
• 59,3 % in DeepSWE 1.1,
• 70,6 % im Meta Internal Coding Bench.^[1][2]

Das bedeutet jedoch nicht, dass Muse Spark 1.2 das beste Programmiermodell auf dem Markt ist. In denselben Tabellen belegt Claude Opus 5 + Claude Code in allen drei Vergleichen den ersten Platz. Meta weist außerdem selbst darauf hin, dass es kein perfekter Modell-zu-Modell-Vergleich ist: Jedes Modell lief mit einem anderen Agenten, und die Testkonfiguration könnte besser auf Muse Code als auf konkurrierende Werkzeuge abgestimmt gewesen sein.^[2]

Ein unabhängigeres Bild liefert Artificial Analysis. Auf der aktuellen Modellseite vom 7. August erreicht Muse Spark 1.2 bei xhigh 57 Punkte im Artificial Analysis Intelligence Index v4.1.1. Zum Vergleich: Claude Opus 5 erreicht 61, GPT-5.6 Sol 59, Kimi K3 57 und GPT-5.6 Terra 55.^{[3][7][8][9][10]}

Kurzfazit: Muse Spark 1.2 schlägt Opus 5 oder GPT-5.6 Sol nicht generell, ist preislich aber außergewöhnlich konkurrenzfähig. Am stärksten wirkt es als Modell für agentische Programmierung, insbesondere zusammen mit Muse Code und wenn die Kosten langer Sitzungen wichtig sind.

Alle Daten in diesem Artikel wurden anhand von Meta-Materialien, der offiziellen Evaluationsmethodik, Artificial Analysis und unabhängiger Presseberichterstattung geprüft. Stand: 7. August 2026.

TL;DR

Frage	Verifizierte Antwort
Wann wurde Muse Spark 1.2 veröffentlicht?	5. August 2026
Wer hat das Modell entwickelt?	Meta
Was ist Muse Code?	Terminalbasierter Programmieragent in Beta
Hat Muse Spark 1.2 offene Gewichte?	Nein, das Modell ist proprietary
Ist die Parameterzahl bekannt?	Nein, Meta hat sie nicht öffentlich genannt
Kontext	1 Mio. Token
Modalitäten	Text und Bild als Input, Text als Output
Standardpreis Input	1,25 USD / 1 Mio. Token
Preis Cached Input	0,15 USD / 1 Mio. Token
Preis Output	4,25 USD / 1 Mio. Token
Terminal-Bench 2.1 laut Meta	82,9 %
DeepSWE 1.1 laut Meta	59,3 %
Meta Internal Coding Bench	70,6 %
Aktueller AA Intelligence Index v4.1.1	57
AA Index im Artikel vom Veröffentlichungstag	54
Sind Metas Ergebnisse unabhängig?	Nein, ein Teil sind Hersteller-Evaluationen
Ist Artificial Analysis unabhängig von Meta?	Ja, Meta gab AA jedoch vor der Veröffentlichung Zugriff für Benchmarks
Größte Stärke	agentische Programmierung und Verhältnis von Fähigkeiten zu Preis
Wichtigste Einschränkung	gewinnt nicht alle Benchmarks, und einige Tests verwenden unterschiedliche Agent-Harnesses

1. Was genau hat Meta veröffentlicht?

Die Veröffentlichung umfasst zwei zusammengehörige Produkte:

Muse Spark 1.2
Modell

Muse Code
terminalbasierter Programmieragent

Meta beschreibt Muse Spark 1.2 als Coding-Update von Muse Spark 1.1. Der Rechenaufwand beim Training auf Programmieraufgaben wurde erhöht und die Vielfalt der Trainingsumgebungen erweitert.^[1]

Muse Code ist ein Agent, der:

• Änderungen im Repository planen,
• Code schreiben,
• Werkzeuge ausführen,
• Ergebnisse validieren,
• mehrere langlebige Subagenten koordinieren,
• Fortschritt über lange Sitzungen hinweg erhalten kann.^[1]

Die Installation des offiziellen Clients auf macOS oder Linux beschreibt Meta folgendermaßen:

curl -fsSL https://dev.meta.ai/install.sh | bash

Muse Spark 1.2 ist sowohl über Muse Code als auch über die Meta Model API verfügbar. Meta beschreibt die derzeitige Verfügbarkeit als global erweitert.^[1]

2. Muse Code ist nicht nur ein einfacher Wrapper um das Modell

Bei Programmieragenten sind ein Modellbenchmark und ein Produktbenchmark nicht dasselbe.

Muse Code fügt eine eigene Ausführungsschicht hinzu.

Async Background Agents

Der Hauptagent kann spezialisierte Subagenten verwenden, die im Hintergrund weiterarbeiten. Sie werden nicht nur für einen einzelnen Schritt erzeugt, sondern können während der gesamten Sitzung aktiv bleiben.^[1]

Dadurch sollen reduziert werden:

• das wiederholte Sammeln derselben Informationen,
• Latenzen,
• die Notwendigkeit manueller Steuerung,
• wiederholte Repository-Analyse.

Append-only event log

Muse Code speichert lokal eine Historie von:

• Modellaufrufen,
• Werkzeugnutzung,
• Genehmigungen,
• Änderungen.^[1]

Meta beschreibt die Runtime als replay-exact und restart-safe. Nach einem Ausfall kann der Agent anhand des Logs fortsetzen, statt die Aufgabe von Anfang an zu beginnen.

Das ist bei mehrstündigen Programmieraufgaben relevant.

Eingebaute Skills

In der ersten Version sind unter anderem verfügbar:

/plan
/grill
/goal

/plan erstellt einen Plan mit Genehmigungsstufe, /grill prüft den Plan kritisch und /goal hält die Arbeit auf ein definiertes Ziel ausgerichtet.^[1]

3. Modell und Agent wurden gemeinsam trainiert

Das ist einer der wichtigsten Punkte für die Interpretation der Benchmarks.

Meta hat nicht einfach ein neues Modell an ein bestehendes CLI angeschlossen. Das Unternehmen spricht von Co-Training von Muse Spark 1.2 und Muse Code.^[1]

Zum Training gehörten unter anderem:

• Trajectories aus dem Agent-Harness,
• Optimierungen für zielorientierte Arbeit,
• Compaction,
• Subagenten,
• das integrierte Muse-Code-Werkzeugset.^[1]

Das Modell wurde außerdem auf Long-Horizon-Aufgaben trainiert:

• Generieren ganzer Repositories,
• große End-to-End-Projekte,
• Auto-Research,
• Arbeitssequenzierung durch Planning,
• Richtungsbeibehaltung durch Goal Conditioning,
• Kontextkompression.^[1]

Das erklärt, warum die sinnvolle Vergleichseinheit manchmal lautet:

Muse Spark 1.2 + Muse Code

und nicht nur:

Muse Spark 1.2

4. Self-Improvement mit Muse Spark 1.1

Meta nutzte Muse Spark 1.1, um Trainingsdaten für Version 1.2 zu erzeugen.

Laut offizieller Beschreibung:

1. generierte das frühere Modell schwierige Programmierumgebungen,
2. erstellte Vorlagen für komplexe Anweisungen,
3. bewertete Kandidatenlösungen,
4. half beim Aufbau eines skalierbaren Datensatzes für Muse Spark 1.2.^[1]

Meta bezeichnet diesen Prozess als Self-Improvement Loop.

Das bedeutet nicht, dass das Modell „sich selbst trainiert“ hat. Es handelte sich weiterhin um eine von Meta kontrollierte Trainingspipeline, in der das frühere Modell ein Baustein bei Datengenerierung und Bewertung war.

5. Offizieller Terminal-Bench 2.1

Terminal-Bench 2.1 untersucht Agenten, die Aufgaben in einer Terminalumgebung ausführen.

Meta verwendete alle 89 Aufgaben der offiziellen Version 2.1. Jeder Lauf fand in einer isolierten Daytona-Sandbox statt; ein ausführbarer Verifier bewertete den Endzustand des Containers. Der Score ist der Mittelwert von pass@1 über fünf Versuche.^[2]

Von Meta veröffentlichte Ergebnisse

Modell + Agent	Effort	Terminal-Bench 2.1
Claude Opus 5 + Claude Code	max	86,7 %
Muse Spark 1.2 + Muse Code	xhigh	82,9 %
GPT-5.6 Terra + Codex	max	81,8 %
Grok 4.5 + Grok Build	high	81,6 %
Gemini 3.6 Flash + Antigravity CLI	high	78,9 %
Muse Spark 1.1 + mini-swe-agent	xhigh	76,2 %	[1][2]

Muse Spark 1.2 verbessert das Ergebnis des Vorgängers um 6,7 Prozentpunkte.

Gleichzeitig:

• liegt es 3,8 pp hinter Opus 5,
• 1,1 pp vor GPT-5.6 Terra,
• 1,3 pp vor Grok 4.5.

Wichtigster Vorbehalt

Dies ist kein reiner Benchmark nur der Modelle.

Verglichen werden:

Modell
+
Agent
+
Werkzeuge
+
System Prompt
+
Runtime

Meta verwendet:

• Muse Code für Spark 1.2,
• Claude Code für Opus 5,
• Codex für GPT-5.6,
• Grok Build für Grok 4.5,
• Antigravity CLI für Gemini.^[2]

Meta weist selbst darauf hin, dass Konfiguration und System Prompts möglicherweise nicht optimal auf die geschlossenen Konkurrenzmodelle abgestimmt waren.^[2]

Die korrekte Schlussfolgerung lautet daher:

In Metas Konfiguration erreichte Muse Spark 1.2 + Muse Code 82,9 %.

Nicht:

Muse Spark 1.2 ist generell besser als GPT-5.6 Terra.

6. DeepSWE 1.1

DeepSWE v1.1 enthält 113 Aufgaben aus 91 Repositories in fünf Sprachen:

• TypeScript,
• Go,
• Python,
• JavaScript,
• Rust.^[2]

Jede Aufgabe besitzt einen manuell vorbereiteten funktionalen Verifier und Regressionstests.

Während Rollout und Grading ist der externe Internetzugang deaktiviert. Der Modellendpunkt bleibt verfügbar.^[2]

Meta-Ergebnisse

Modell + Agent	DeepSWE 1.1
Claude Opus 5 + Claude Code	65,0 %
GPT-5.6 Terra + Codex	64,8 %
Muse Spark 1.2 + Muse Code	59,3 %
Grok 4.5 + Grok Build	56,6 %
Muse Spark 1.1 + mini-swe-agent	53,0 %
Gemini 3.6 Flash + Antigravity CLI	40,0 %	[1][2]

Muse Spark 1.2 verbessert 1.1 um 6,3 pp.

Hier ist der Abstand zu den Führenden jedoch größer:

Opus 5       65,0 %
GPT-5.6      64,8 %
Muse 1.2     59,3 %

Das ist ein starkes Ergebnis, aber kein erster Platz.

Zusätzliche methodische Einschränkung

Das offizielle DeepSWE-Leaderboard verwendet mini-swe-agent für jedes Modell.

Meta nutzte in seiner Evaluation dagegen ein separates Agentenprodukt für jedes Modell. Das Unternehmen schreibt selbst, dass das Ergebnis nicht harness-identisch mit dem offiziellen Leaderboard ist.^[2]

Diese Information sollte zusammen mit den 59,3 % genannt werden.

7. Meta Internal Coding Bench

Meta Internal Coding Bench enthält 440 Aufgaben aus Metas interner Codebasis und realen Pull Requests.^[2]

Enthalten sind:

• Bugfixes,
• neue Funktionen,
• Refactoring,
• Cleanup,
• andere Software-Engineering-Aufgaben.

Internet ist deaktiviert. Lösungen werden kompiliert und durch Unit Tests geprüft. Meta führt zwei Versuche pro Aufgabe durch.^[2]

Ergebnisse

Modell	Meta Internal Coding Bench
Claude Opus 5	79,4 %
Muse Spark 1.2	70,6 %
Muse Spark 1.1	68,3 %
GPT-5.6 Terra	65,4 %
Gemini 3.6 Flash	63,9 %	[1][2]

Muse Spark 1.2 verbessert den Vorgänger um 2,3 pp.

Warum hat dieser Benchmark geringeren externen Wert?

Nicht, weil er zwingend falsch sein muss.

Das Problem ist die Reproduzierbarkeit.

Der Datensatz:

• ist intern,
• stammt aus Metas privater Codebasis,
• ist kein öffentlicher Benchmark, den externe Teams selbst reproduzieren können.

Das Ergebnis sollte daher als zusätzlicher Herstellersignalwert betrachtet werden, nicht als unabhängiger Beleg für Überlegenheit.

8. Unabhängiger Check: Artificial Analysis

Artificial Analysis erhielt von Meta vor der öffentlichen Veröffentlichung Zugriff auf Muse Spark 1.2 und führte eigene Tests durch.^[4]

Das ist wichtig, weil dadurch unterschieden werden kann zwischen:

Herstellerbenchmark

und:

unabhängige Benchmark-Organisation

Wichtige Änderung des Scores nach dem Start

Der Artificial-Analysis-Artikel vom 5. August gab an:

Muse Spark 1.2 xhigh
Artificial Analysis Intelligence Index: 54

Die aktuelle Modellseite zeigt nach der Umstellung auf v4.1.1:

Muse Spark 1.2 xhigh
Artificial Analysis Intelligence Index: 57

^[3][4]

Die Zahl 54 sollte daher nicht ohne Datum in einen aktuellen Vergleich übernommen werden.

Benchmarks verändern sich durch:

• Indexversionen,
• Grading,
• Evaluationssets,
• methodische Korrekturen.

Ein Produktionsartikel sollte immer den Snapshot nennen.

9. Aktueller Vergleich bei Artificial Analysis

Stand der Modellseiten am 7. August 2026:

Modell	AA Intelligence Index
Claude Opus 5, max	61
GPT-5.6 Sol, max	59
Muse Spark 1.2, xhigh	57
Kimi K3, max	57
GPT-5.6 Terra, max	55
Grok 4.5, high	54*	[3][7][8][9][10][11]

\* Der Grok-4.5-Wert stammt aus Artificial Analysis' veröffentlichtem Bericht zu diesem Modell. Werte sollten als Snapshots der jeweiligen Benchmark-Versionen verstanden werden, nicht als dauerhafte Ranglistenplätze.

Was folgt daraus?

Muse Spark 1.2:

• erreicht Opus 5 im allgemeinen Index derzeit nicht,
• liegt 2 Punkte hinter GPT-5.6 Sol,
• liegt auf der aktuellen AA-Karte gleichauf mit Kimi K3,
• liegt im allgemeinen Index vor GPT-5.6 Terra,
• liegt oberhalb des Premierenscores von Grok 4.5.

Aber der Artificial Analysis Intelligence Index ist kein reiner Programmierbenchmark.

Die aktuelle Version v4.1.1 kombiniert neun Evaluierungen, darunter:

• GDPval-AA v2,
• τ³-Banking,
• Terminal-Bench v2.1,
• SciCode,
• Humanity's Last Exam,
• GPQA Diamond,
• CritPt,
• AA-Omniscience,
• AA-LCR.^[3]

Der Wert 57 ist daher als breiteres Signal für Intelligenz und agentische Fähigkeiten zu lesen.

10. GDPval-AA v2: größte Verbesserung gegenüber Spark 1.1

Im Start-Snapshot von Artificial Analysis stieg GDPval-AA v2 von:

Muse Spark 1.1: 1371 Elo
Muse Spark 1.2: 1631 Elo

also um 260 Elo-Punkte.^[4]

GDPval-AA v2 prüft realistische Wissensarbeitsaufgaben.

Der Test enthält 220 Aufgaben aus:

• 44 Berufen,
• 9 großen Branchen der US-Wirtschaft.^[2]

Modelle erstellen unter anderem:

• Dokumente,
• Tabellenkalkulationen,
• Präsentationen,
• Diagramme,
• Berichte.

Artificial Analysis nutzt sein eigenes agentisches Stirrup-Harness mit Shell- und Web-Browsing-Zugriff; Ergebnisse werden paarweise von einem LLM-Richter verglichen.^[2]

Snapshot vom 5. August

Artificial Analysis meldete:

Modell	GDPval-AA v2 Elo
Claude Opus 5	1852
GPT-5.6 Sol	1730
Kimi K3	1685
Muse Spark 1.2	1631
Claude Opus 4.8	1588	[4]

Das ist einer der stärksten Hinweise darauf, dass 1.2 sich nicht nur bei Codegenerierung verbessert hat.

Das GDPval-Ranking wird aktualisiert; diese Werte sollten daher nicht mit späteren Leaderboard-Snapshots vermischt werden.

11. Terminal-Bench laut Artificial Analysis

Meta meldet:

82,9 %

für Muse Spark 1.2 + Muse Code.^[1]

Artificial Analysis meldete beim Start im eigenen Harness:

80 %

gegenüber:

78 %

für Muse Spark 1.1.^[4]

Diese Ergebnisse widersprechen sich nicht.

Sie stammen aus:

• unterschiedlichen Harnesses,
• unterschiedlichen Agentenkonfigurationen,
• unterschiedlichen Ausführungsverfahren.

Das ist ein gutes Beispiel dafür, warum Benchmark-Ergebnisse nie ohne Methodik veröffentlicht werden sollten.

12. Halluzinationen: besserer Wert, aber die zweite Tabellenhälfte ist entscheidend

Artificial Analysis verzeichnete im Start-Snapshot eine Verbesserung in AA-Omniscience:

18 -> 22

und einen Rückgang der Hallucination Rate:

38 % -> 28 %

^[4]

Auf den ersten Blick wirkt das eindeutig positiv.

Gleichzeitig änderten sich jedoch:

attempt rate: 82 % -> 67 %
accuracy:     41 % -> 38 %

^[4]

Das Modell verzichtete häufiger auf eine Antwort, wenn es unsicher war.

AA-Omniscience bestraft Abstention nicht. Die geringere Hallucination Rate ist daher teilweise das Ergebnis einer höheren Bereitschaft, nicht zu antworten.

Richtige Interpretation:

Muse Spark 1.2 präsentierte seltener eine falsche Antwort mit hoher Sicherheit, versuchte aber auch seltener zu antworten.

Falsche Interpretation:

Muse Spark 1.2 wurde um 10 Prozentpunkte genauer.

Diese Aussage wird von den Daten nicht gestützt.

13. Scientific Reasoning verbesserte sich nicht überall

In Artificial Analysis' Messungen zur Premiere:

Benchmark	Spark 1.1	Spark 1.2	Änderung
CritPt	15 %	18 %	+3 pp
SciCode	58 %	56 %	-2 pp
Humanity's Last Exam	45 %	44 %	-1 pp	[4]

Das zeigt den Charakter des Updates.

Muse Spark 1.2 ist nicht einfach:

Spark 1.1
+ ein paar Prozent überall

Die größten Verbesserungen am Veröffentlichungstag konzentrierten sich auf:

• agentische Programmierung,
• Werkzeugnutzung,
• professionelle agentische Aufgaben.

14. API-Preis: eine der größten Stärken von Muse Spark 1.2

Standardpreise von Meta für Muse Spark 1.2:

Token	Preis pro 1 Mio.
Cached Input	0,15 USD
Input	1,25 USD
Output	4,25 USD	[3][5][6]

Die Input-/Output-Preise sind identisch zu Muse Spark 1.1.

Vergleich öffentlicher API-Preise

Modell	Input / 1M	Output / 1M
Muse Spark 1.2	1,25 USD	4,25 USD
GPT-5.6 Terra	2,50 USD	15,00 USD
Kimi K3	3,00 USD	15,00 USD
Claude Opus 5	5,00 USD	25,00 USD
GPT-5.6 Sol	5,00 USD	30,00 USD	[3][7][8][9][10]

Das ist ein Preisvergleich pro Token, nicht pro erfolgreich abgeschlossener Aufgabe.

Ein günstigeres Modell pro Million Token kann:

• mehr Token erzeugen,
• mehr Tool Calls ausführen,
• mehr Iterationen benötigen,
• einen Fehler machen, der manuell korrigiert werden muss.

Die sinnvollere Geschäftsmetrik ist daher:

Kosten pro korrekt abgeschlossener Aufgabe

und nicht nur:

Preis pro 1M Token

15. Aufgabenkosten laut Startmessung von Artificial Analysis

Im Snapshot vom 5. August meldete Artificial Analysis die gewichteten durchschnittlichen Kosten einer Intelligence-Index-Aufgabe:

Modell / Konfiguration	Aufgabenkosten
Grok 4.5 high	0,37 USD
GPT-5.6 Sol medium	0,39 USD
Muse Spark 1.2 xhigh	0,40 USD
GPT-5.6 Terra max	0,51 USD
Kimi K3 max	0,86 USD
GPT-5.5 xhigh	1,18 USD	[4]

Das ist für Muse Spark 1.2 ein sehr gutes Kostenergebnis.

Gegenüber Spark 1.1 stiegen die Kosten jedoch von:

0,29 USD
auf
0,40 USD

Artificial Analysis führt das auf höheren Tokenverbrauch zurück:

• rund 53 % mehr Input Tokens,
• rund 36 % mehr Output Tokens,

besonders in GDPval-AA v2.^[4]

Version 1.2 ist also:

besser
aber
tokenintensiver

Der Einheitspreis der API blieb gleich, aber der Agent erledigt mehr Arbeit.

16. Muse Spark 1.2 vs Claude Opus 5

Wo gewinnt Opus 5?

In Metas Daten:

Benchmark	Opus 5	Muse 1.2
Terminal-Bench 2.1	86,7 %	82,9 %
DeepSWE 1.1	65,0 %	59,3 %
Meta Internal Coding Bench	79,4 %	70,6 %	[1]

Im aktuellen Artificial Analysis Intelligence Index:

Opus 5:     61
Muse 1.2:   57

^[3][7]

Aus den verfügbaren Daten gibt es keine Grundlage, Muse Spark 1.2 insgesamt als das bessere Modell zu bezeichnen.

Wo hat Muse einen Vorteil?

Vor allem beim Tokenpreis:

Muse Spark 1.2
1,25 / 4,25 USD

Claude Opus 5
5 / 25 USD

^[3][7]

Bei Agenten mit Tausenden Operationen kann dieser Unterschied erheblich sein.

Fazit

Opus 5 ist besser geeignet, wenn:

• maximale Erfolgsquote wichtiger ist als Tokenkosten,
• Aufgaben schwierig sind und Fehler teuer wären,
• das Team bereits Claude Code nutzt.

Muse Spark 1.2 ist sinnvoller, wenn:

• das Aufgabenvolumen hoch ist,
• der Agent lange an einem Repository arbeitet,
• Tokenkosten sehr wichtig sind,
• einige Benchmark-Punkte keinen vielfach höheren API-Preis rechtfertigen.

17. Muse Spark 1.2 vs GPT-5.6 Terra

Das ist einer der interessantesten Vergleiche.

Meta Terminal-Bench

Muse 1.2 + Muse Code: 82,9 %
Terra + Codex:         81,8 %

Meta DeepSWE

Muse 1.2 + Muse Code: 59,3 %
Terra + Codex:         64,8 %

Meta Internal Coding Bench

Muse 1.2:  70,6 %
Terra:     65,4 %

^[1]

Je nach Benchmark wechselt der Führende.

Artificial Analysis

Aktueller allgemeiner Index:

Muse Spark 1.2 xhigh: 57
GPT-5.6 Terra max:    55

^[3][9]

Preis

Muse:
1,25 / 4,25 USD

Terra:
2,50 / 15 USD

^[3][9]

Das bedeutet nicht automatisch einen Sieg für Muse. Terra ist im DeepSWE-Vergleich von Meta deutlich stärker.

Die fairste Interpretation lautet:

Muse Spark 1.2 ist gegenüber GPT-5.6 Terra bei Preis und einigen agentischen Aufgaben außergewöhnlich konkurrenzfähig, aber das Ergebnis hängt von Aufgabe und Harness ab.

18. Muse Spark 1.2 vs GPT-5.6 Sol

GPT-5.6 Sol bleibt im breiteren Artificial-Analysis-Index stärker:

GPT-5.6 Sol max: 59
Muse Spark 1.2:  57

^[3][8]

Sol kostet:

5 USD / 1M Input
30 USD / 1M Output

gegenüber:

1,25 USD / 1M Input
4,25 USD / 1M Output

bei Muse.^[3][8]

Das ist ein großer Unterschied für:

• lange Reasoning Traces,
• Subagenten,
• iteratives Debugging,
• repositoryweites Refactoring,
• mehrstündige Agent Runs.

Wenn die zusätzlichen 2 Punkte im allgemeinen Index bei realen Aufgaben eines Unternehmens nicht zu einer höheren korrekten Abschlussrate führen, muss das teurere Modell nicht wirtschaftlicher sein.

19. Muse Spark 1.2 vs Kimi K3

Die aktuelle Artificial-Analysis-Karte zeigt:

Muse Spark 1.2 xhigh: 57
Kimi K3 max:          57

^[3][10]

Das bedeutet keine identischen Fähigkeiten.

Wichtigster Unterschied

Kimi K3:

• hat öffentlich verfügbare Gewichte,
• kann selbst gehostet werden,
• besitzt 2,8 Billionen Gesamtparameter und 104 Milliarden aktive Parameter,
• verwendet eine eigene Kimi K3 License.^[10]

Muse Spark 1.2:

• ist proprietary,
• läuft über die Meta Model API,
• hat keine öffentlich genannte Parameterzahl.^[3]

Preise der offiziellen APIs

Muse:
1,25 USD Input
4,25 USD Output
0,15 USD Cached Input

Kimi K3:
3 USD Input
15 USD Output
0,30 USD Cached Input

^[3][10]

Wenn Self-Hosting keine Voraussetzung ist, ist Muse im nominalen API-Preis deutlich günstiger.

Wenn eine Organisation dagegen braucht:

• eigene Infrastruktur,
• Kontrolle über die Modellgewichte,
• eigene Modellmodifikationen,

bietet Kimi K3 etwas, das Muse Spark 1.2 derzeit nicht bietet.

20. Muse Spark 1.2 vs Grok 4.5

In Metas Terminal-Bench:

Muse Spark 1.2 + Muse Code: 82,9 %
Grok 4.5 + Grok Build:      81,6 %

Im DeepSWE:

Muse Spark 1.2: 59,3 %
Grok 4.5:        56,6 %

^[1]

Im Artificial Analysis Intelligence Index zur Veröffentlichung hatte Grok 4.5 einen Wert von 54, vergleichbar mit dem damaligen Muse-1.2-Snapshot vor der Indexaktualisierung.^[4][11]

Artificial Analysis nannte Grok 4.5 high außerdem als eines der wenigen Modelle mit niedrigeren Aufgabenkosten im gleichen Qualitätscluster:

Grok 4.5 high:  0,37 USD
Muse 1.2 xhigh: 0,40 USD

^[4]

Das zeigt erneut, dass Preis-Leistungs-Verhältnisse 2026 nicht mehr nach der einfachen Regel funktionieren:

teuerstes Modell
=
wirtschaftlichstes Modell

21. Kernel-Optimierung: über 1.000 Tool Calls und bis zu 24 Stunden Arbeit

Meta führte einen interessanten Long-Horizon-Test durch.

Muse Code und die Modelle sollten GPU-Kernels iterativ optimieren durch:

• mehr als 1.000 Tool Calls,
• bis zu 24 Stunden,
• Code schreiben,
• kompilieren,
• profilieren,
• wiederholt optimieren.^[1]

Getestet wurden KDA und MLA auf NVIDIA Hopper.

KDA

Baseline war eine FLA-Implementierung in Triton. Die Modelle durften keine externen Kernel-Bibliotheken wie FLA direkt importieren.^[1]

Im Diagramm des finalen Speedups gegenüber der Baseline zeigte Meta unter anderem:

Modell	Speedup vs Baseline
Claude Opus 5	+74,0 %
GPT-5.6 Sol	+71,2 %
Claude Opus 4.8	+69,6 %
Muse Spark 1.2	+68,7 %
GPT-5.6 Terra	+65,1 %
Gemini 3.6 Flash	+62,5 %	[1]

Muse Spark 1.2 gewann dieses Experiment nicht.

Das ist wichtig, weil selbst Metas offizielles Material das eigene Modell nicht in jeder Kategorie als Sieger darstellt.

Was beweist dieses Experiment nicht?

Es beweist nicht, dass:

• Opus 5 Code immer um 74 % optimiert,
• Muse immer 68,7 % Speedup liefert,
• die Ergebnisse auf jeden Kernel oder jede GPU übertragbar sind.

Es ist eine Fallstudie für eine konkrete Aufgabe, Baseline, Harness und Hardwarekonfiguration.

22. Langer Kontext: 1 Million Token

Artificial Analysis bestätigt für Muse Spark 1.2:

1M token context window

sowie:

• Text Input,
• Image Input,
• Text Output.^[3]

Eine Million Token kann wichtig sein für:

• große Repositories,
• Monorepos,
• Dokumentation,
• lange Agentenhistorien,
• Analyse vieler Dateien.

Das bedeutet nicht, dass ein vollständiges Repository einfach in einen Prompt kopiert werden sollte.

Maximale Kapazität garantiert nicht:

• das Finden jeder Abhängigkeit,
• richtige Priorisierung,
• Widerstand gegen bösartigen Text im Repository,
• identische Qualität am Anfang und Ende des Kontexts.

Muse Code nutzt daher zusätzlich Context Compaction, statt sich nur auf immer größere Prompts zu verlassen.^[1]

23. Warum ist der aktuelle AA-Wert 57, obwohl Startartikel 54 nennen?

Das ist kein Fehler, den man verbergen sollte.

Artificial Analysis veröffentlichte am 5. August einen Wert von 54.^[4]

Die aktuelle Muse-Spark-1.2-Seite vom 7. August zeigt 57 und nennt die aktuelle Version des Artificial Analysis Intelligence Index v4.1.1.^[3]

Beim Zitieren von Benchmarks sollten daher immer gespeichert werden:

Modell
+
Effort
+
Benchmark-Version
+
Datum

Beispiel:

Muse Spark 1.2 (xhigh)
AA Intelligence Index v4.1.1
57
Stand: 7. August 2026

Das ist deutlich besser als:

Muse Spark 1.2 hat 57 Punkte

ohne Kontext.

24. Standard Tier vs Contributor Tier: wichtiger Unterschied beim Datenschutz

Der Standardtarif von Muse Spark 1.2 lautet:

Input:        1,25 USD / 1M
Cached Input: 0,15 USD / 1M
Output:       4,25 USD / 1M

^[3][5][6]

Meta bietet außerdem einen stark vergünstigten Contributor Tier.

Unabhängige Presseberichte zur offiziellen Offerte beschreiben, dass der niedrigere Preis mit der Zustimmung verbunden ist, Nutzeraktivität zur Verbesserung von Meta-Produkten verwenden zu dürfen.^[6]

Für Unternehmenscode ist das ein wichtiger Unterschied.

Vor Nutzung des Contributor Tier für Code, der:

• privat ist,
• unter NDA steht,
• Geschäftsgeheimnisse enthält,
• einem Kunden gehört,

sollten die für Konto und Endpoint geltenden Datenverarbeitungsbedingungen genau geprüft werden.

Der billigere Endpoint sollte nicht nur wegen des Preises ausgewählt werden.

25. Ist Muse Spark 1.2 das beste Programmiermodell?

Auf Basis verifizierter Daten: dafür gibt es keine Grundlage.

Es führt nicht in allen Meta-Tests

Opus 5 führt in:

• Terminal-Bench 2.1,
• DeepSWE 1.1,
• Meta Internal Coding Bench.^[1]

GPT-5.6 Terra liegt bei DeepSWE ebenfalls vor Muse.

Preislich ist Muse jedoch außergewöhnlich stark

Muse Spark 1.2 hat deutlich niedrigere Output-Preise als:

• Opus 5,
• GPT-5.6 Sol,
• GPT-5.6 Terra,
• Kimi K3.^{[3][7][8][9][10]}

Treffendste Beschreibung

Die defensivste Schlussfolgerung lautet:

Muse Spark 1.2 ist eines der interessantesten Modelle des Jahres 2026 im Verhältnis von agentischer Coding-Leistung zu Preis. Opus 5 bleibt jedoch in den verfügbaren Qualitätsvergleichen stärker, und die endgültige Auswahl sollte aus einem eigenen POC hervorgehen.

26. Welches Modell wählen?

Muse Spark 1.2 wählen, wenn:

• die Kosten langer Sitzungen sehr wichtig sind,
• große Repositories bearbeitet werden,
• Muse Code genutzt werden soll,
• der Agent lange ohne manuelle Steuerung arbeiten soll,
• persistente Subagenten benötigt werden,
• der nominale Output-Preis niedrig bleiben muss,
• nahezu Frontier-Niveau für den Workflow genügt.

Claude Opus 5 wählen, wenn:

• maximale Erfolgswahrscheinlichkeit Priorität hat,
• ein Fehler teurer ist als Tokenkosten,
• Claude Code bereits genutzt wird,
• Aufgaben besonders schwierig sind,
• ein eigener POC eine höhere Completion Rate bestätigt.

GPT-5.6 Terra wählen, wenn:

• das Codex-Ökosystem genutzt wird,
• DeepSWE-ähnliche Aufgaben zentral sind,
• ein starkes Coding-Modell günstiger als Sol benötigt wird,
• OpenAI-Werkzeuge bereits Teil der Pipeline sind.

GPT-5.6 Sol wählen, wenn:

• höhere allgemeine Fähigkeiten als Muse benötigt werden,
• API-Kosten weniger wichtig sind,
• der Workload breiteres Reasoning außerhalb reiner Programmierung nutzt.

Kimi K3 wählen, wenn:

• offene Gewichte benötigt werden,
• Self-Hosting geplant ist,
• eigene Modellmodifikationen erforderlich sind,
• der höhere Preis des offiziellen APIs akzeptabel ist.

Grok 4.5 erwägen, wenn:

• eigene Tests hohe Wirksamkeit in agentischen Workflows zeigen,
• Kosten pro abgeschlossener Aufgabe die Kernmetrik sind,
• Grok Build oder ein kompatibles Harness genutzt wird.

27. Einen fairen POC durchführen

Modelle sollten nicht mit fünf Prompts getestet werden.

Mindestens vorbereiten:

50-200 reale Aufgaben

aus dem eigenen Repository.

Kategorien

• Bugfix,
• neue Funktion,
• Refactoring,
• Tests,
• Code Review,
• Dependency-Migration,
• Performance-Optimierung,
• Log-Analyse,
• Frontend anhand eines Screenshots,
• Repo-weite Änderung,
• technische Dokumentation.

Für jede Aufgabe messen

Erfolg / Misserfolg
Zeit
Kosten
Tokenzahl
Anzahl Tool Calls
manuelle Eingriffe
Regressionen

Wichtigste Metrik

Nicht:

Welches Modell schrieb die schönste Antwort?

Sondern:

Welches Modell lieferte am häufigsten ein korrektes, merge-fähiges Ergebnis
bei akzeptablen Kosten und akzeptabler Zeit?

28. Agenten statt nur Modelle vergleichen

Bei:

• Muse Code,
• Claude Code,
• Codex,
• Grok Build

arbeitet das Modell nicht isoliert.

Der Agent entscheidet:

• welche Dateien gelesen werden,
• wann Tests gestartet werden,
• wann grep genutzt wird,
• ob ein Subagent verwendet wird,
• wie Kontext verwaltet wird,
• wie viele Iterationen erfolgen,
• wann die Arbeit beendet wird.

Daher sind zwei Tests sinnvoll.

Test A: Modell im gemeinsamen Harness

gleicher Agent
gleiche Werkzeuge
gleicher System Prompt
gleiche Limits

Das hilft, das zugrunde liegende Modell zu vergleichen.

Test B: End-to-End-Produkt

Muse + Muse Code
Opus + Claude Code
GPT + Codex

Das beantwortet die praktische Frage:

Welche Lösung ist für das Team am besten?

Beide Tests messen unterschiedliche Dinge.

29. Produktionscheckliste für Muse Spark 1.2

Benchmarks

• Benchmark-Version gespeichert.
• Datum des Scores gespeichert.
• Reasoning Effort gespeichert.
• Name des Agenten gespeichert.
• Meta Terminal-Bench wird nicht mit dem AA-Ergebnis vermischt.
• Meta Internal Coding Bench wird nicht als unabhängiger Benchmark behandelt.
• Ergebnisse am eigenen Repository geprüft.

Kosten

• Tatsächlicher Input wird gemessen.
• Cached Input wird gemessen.
• Output wird gemessen.
• Reasoning-Kosten werden gemessen.
• Anzahl Tool Calls wird gemessen.
• Kosten werden pro abgeschlossener Aufgabe berechnet.
• Mindestens drei Modelle werden verglichen.
• Ausgabenlimit pro Agent festgelegt.

Repository

• Agent hat nur minimal notwendige Rechte.
• Secrets liegen nicht in leicht zugänglichen Dateien.
• Produktionszugriff erfordert Approval.
• Merge erfordert Review.
• Tests laufen automatisch.
• Agent kann Branch Protection nicht umgehen.
• Änderungen und Tool Calls werden geloggt.

Daten

• Bedingungen des Standard Tier geprüft.
• Bedingungen des Contributor Tier geprüft.
• Kundencode gelangt nicht an den falschen Endpoint.
• Unternehmensrichtlinie erlaubt den gewählten Dienst.
• Regeln zur Prompt- und Log-Retention festgelegt.
• Personenbezogene Daten sind angemessen geschützt.

Qualität

• Agent führt nach Änderungen Tests aus.
• Finaler Diff wird geprüft.
• Regressionen werden gemessen.
• Lange Aufgaben haben Checkpoints.
• Verhalten nach Ausfall wird getestet.
• Große Monorepos werden getestet.
• Mehrstündige Aufgaben werden getestet.

30. POLPROG-Fazit

Muse Spark 1.2 ist eine bedeutendere Veröffentlichung, als die Versionsnummer 1.2 vermuten lässt.

Meta hat das Modell und Muse Code als zusammengehöriges System entwickelt und das Training fokussiert auf:

• große Repositories,
• lange Aufgaben,
• Werkzeuge,
• Subagenten,
• Planung,
• automatische Verifikation.

Die Ergebnisse bestätigen eine reale Verbesserung gegenüber Muse Spark 1.1.

Stärkste Fakten

Terminal-Bench 2.1
76,2 % -> 82,9 % in Metas Evaluation

DeepSWE 1.1
53,0 % -> 59,3 % in Metas Evaluation

GDPval-AA v2
1371 -> 1631 Elo im Start-Snapshot von Artificial Analysis

^[1][4]

Trotzdem nicht überall führend

Opus 5 schlägt Muse Spark 1.2 in allen drei von Meta gezeigten Coding-Benchmarks.

Im aktuellen Artificial Analysis Snapshot:

Opus 5      61
GPT-5.6 Sol 59
Muse 1.2    57
Kimi K3     57
Terra       55

^{[3][7][8][9][10]}

Warum ist Muse Spark 1.2 trotzdem interessant?

Weil es kostet:

1,25 USD / 1M Input
4,25 USD / 1M Output
0,15 USD / 1M Cached Input

^[3]

Dadurch wird folgende Frage weniger sinnvoll:

Welches Modell hat den höchsten Benchmark?

Eine bessere Frage ist:

Welches Modell liefert pro 100 USD Budget die meisten korrekt abgeschlossenen Aufgaben?

Für viele Teams kann die Antwort von dem Modell abweichen, das in einer einzelnen Tabelle den ersten Platz belegt.

Muse Spark 1.2 wirkt derzeit wie ein sehr starker Kandidat für agentische Programmierung im großen Maßstab bei kontrollierten Kosten.

Es ist kein bedingungsloser Sieger.

Es ist aber ein Modell, das klar in einen POC gehört neben:

• Claude Opus 5,
• GPT-5.6 Terra,
• GPT-5.6 Sol,
• Kimi K3,
• Grok 4.5.