Модель, специально созданная для решения сложных задач разработки и сотренированная с полноценным код-агентом, теперь доступна на сторонней платформе. Meta Muse Spark 1.2 с контекстным окном в миллион токенов появилась на OpenRouter, открывая новые возможности для инженеров, работающих с API.
Muse Spark 1.2 способна обрабатывать контекст до 1 048 576 токенов, что эквивалентно примерно 750 тысячам слов или 10–15 полноценным романам. Модель мультимодальна: она принимает на вход текст, изображения, файлы, аудио и видео, преобразуя их в текстовый вывод.
Ключевая особенность Muse Spark 1.2 — тесная интеграция с Muse Code, первым код-агентом от Meta. Модель и агент сотренированы, что, по заявлению Meta, обеспечивает более эффективное использование инструментов, меньше повторных попыток и более качественный результат при решении инженерных задач. Muse Code — это терминальный агент, который берёт на себя полный цикл разработки: от планирования изменений до написания кода и валидации результатов, координируя работу нескольких агентов.
Такой объём контекста и оптимизация под разработку позволяют выполнять долгие задачи в рамках одной сессии, без необходимости применять обходные пути вроде RAG (Retrieval Augmented Generation) или скользящих окон. Модель изначально нацелена на высокую точность с первой попытки и надёжные вызовы инструментов.
На рынке уже существуют другие модели с контекстом в миллион токенов, например, Google Gemini 1.5 Pro, Claude Opus 4.6 и Claude Sonnet 4.6, а также Meta Llama 4 Maverick. Однако Muse Spark 1.2 выделяется именно своим происхождением: она изначально создавалась как часть экосистемы для автоматизированной разработки. Через собственный API Meta модель Muse Spark 1.2 доступна по цене $1.25 за миллион входных токенов и $4.25 за миллион выходных.
Появление Muse Spark 1.2 на OpenRouter даёт разработчикам сторонний доступ к инструменту, созданному для агентов, которые пишут код. Это может упростить интеграцию в существующие пайплайны. Тем не менее, Meta пока не опубликовала независимые бенчмарки и методологии для своих заявлений о качестве, представляя результаты тестов (Terminal-Bench, DeepSWE, Meta Internal Coding Bench, GDPval) лишь в виде изображений.