Meta vient de lancer Muse Spark 1.3. Cette mise à jour ne cherche pas simplement à rendre un chatbot un peu plus intelligent.
L'objectif est surtout de rendre l'IA plus efficace lorsqu'il faut aller jusqu'au bout d'une tâche.
Sorti le 2 septembre, Muse Spark 1.3 met l'accent sur les agents IA de longue durée, le développement logiciel, l'utilisation d'outils, les contextes longs et les workflows complexes.
Meta indique également que le nouveau modèle est plus efficace que Muse Spark 1.2. D'après les tests de ses ingénieurs, il utilise environ 20 % d'appels d'outils en moins et 25 % de tokens en moins.
C'est peut-être l'une des améliorations les plus concrètes de cette version.
Qu'est-ce que Muse Spark 1.3 ?
Muse Spark 1.3 est le dernier modèle de la famille Muse Spark de Meta.
Il est conçu pour les tâches qui nécessitent davantage qu'une simple question suivie d'une réponse, notamment :
- agents IA de longue durée
- développement logiciel
- recherche et navigation web
- utilisation d'un ordinateur
- automatisation d'entreprise
- recherche dans de longs contextes
- workflows complexes autour de documents
Muse Spark 1.3 est disponible via Muse Code et Meta Model API.
Il prend également en charge une fenêtre de contexte de 1 million de tokens, suffisante pour travailler avec de grandes bases de code, de longs documents, plusieurs fichiers et des sessions d'agents prolongées.
Mais la principale évolution ne concerne pas seulement la quantité d'informations que le modèle peut conserver.
Elle concerne surtout ce qu'il peut faire de ces informations pendant une tâche longue.
Muse Spark 1.3 est conçu pour les workflows IA de longue durée
L'un des problèmes fréquents des agents IA est la dérive de tâche.
Un modèle peut commencer avec le bon objectif, effectuer correctement plusieurs étapes, puis oublier progressivement une consigne importante lorsque le workflow s'allonge.
Muse Spark 1.3 cherche à limiter ce problème.
Meta affirme que le modèle conserve mieux les instructions détaillées pendant les tâches longues, gère plus efficacement les informations désordonnées ou contradictoires, corrige les lacunes de son propre plan et suit ce qu'il a déjà appris.
Il peut également gérer plusieurs workflows au sein d'une même conversation longue sans confondre une nouvelle demande avec une tâche précédente.
Des fichiers sources au livrable final
Les exemples publiés par Meta montrent clairement à quoi cela peut ressembler en dehors d'un simple chat.
Lors d'un test, Muse Spark 1.3 a reçu un fichier Excel contenant des retours de citoyens. Le modèle devait transformer ces informations en supports utilisables par une équipe lors d'une réunion du conseil.
Le résultat n'était pas un simple résumé dans une fenêtre de discussion.
Il a généré un PDF structuré comprenant des éléments de langage, des chiffres clés, des recommandations propres à chaque district, des formulations utilisables par les équipes et des rappels concernant les promesses à éviter.
Exemple de Muse Spark 1.3 transformant des données sources en document structuré avec des éléments de langage. Source : Meta AI Research.
C'est beaucoup plus proche de la direction que prennent aujourd'hui les agents IA.
Au lieu de :
Prompt → Réponse
le workflow devient :
Fichiers → Comprendre → Analyser → Organiser → Créer → Livrer
Dans un contexte professionnel, cette différence compte réellement.
Muse Spark 1.3 gère des tâches multimodales plus complexes
Les workflows longs ne se limitent pas aux feuilles de calcul et aux documents.
Dans un autre exemple, Meta demande à Muse Spark 1.3 d'agir comme un ingénieur mécanique travaillant sur l'assemblage d'un avion expérimental.
Le modèle reçoit des résultats préliminaires de simulation CFD et un fichier STEP contenant un modèle CAD. Il doit ensuite interpréter les données, expliquer l'environnement de simulation, extraire des métriques d'ingénierie, construire des tableaux et des schémas, analyser les implications aérodynamiques et produire un rapport PDF final.
Le document généré combine explications techniques, visualisations, tableaux, graphiques et contexte d'ingénierie.
Exemple de rapport technique de simulation produit par Muse Spark 1.3 à partir de fichiers d'ingénierie. Source : Meta AI Research.
Cet exemple aide également à comprendre ce que signifie désormais « agent multimodal ».
Le but n'est plus simplement de reconnaître une image ou de résumer un PDF.
Un agent utile doit comprendre plusieurs types de contenu, conserver les détails importants, raisonner à partir de différentes sources et transformer le résultat en un livrable réellement exploitable.
Benchmarks de Muse Spark 1.3
L'évaluation de Meta porte principalement sur trois domaines :
- agents IA
- contexte long
- programmation
Les résultats sont globalement solides, même si Muse Spark 1.3 n'arrive pas en tête de tous les benchmarks.
Résultats de Muse Spark 1.3 sur les workflows agentiques, le contexte long et le code. Source : Meta AI Research.
Performances des agents
Sur OSWorld 2.0, qui teste les workflows de longue durée basés sur l'utilisation d'un ordinateur, Muse Spark 1.3 obtient :
66,9
C'est une nette progression par rapport aux 47,6 de Muse Spark 1.2 et un résultat supérieur aux 62,7 de GPT-5.6 Sol. Claude Opus 5 reste toutefois légèrement devant avec 68,3.
Le modèle atteint également :
- 64,9 sur JobBench
- 89,4 sur DeepSearchQA
- 57,8 sur Meta Agentic IF Index
- 49,4 sur AutomationBench
L'intérêt principal n'est pas que Muse soit premier partout. Ce n'est pas le cas.
Ce qui ressort surtout, c'est la régularité des progrès de la version 1.3 par rapport à Muse Spark 1.2 sur différents types de tâches agentiques.
Une amélioration importante du contexte long
Les résultats concernant les contextes longs sont particulièrement remarquables.
Sur MRCR :
| Benchmark | Muse Spark 1.3 | Muse Spark 1.2 | GPT-5.6 Sol |
|---|---|---|---|
| MRCR 256K–512K | 98.5 | 66.3 | 91.5 |
| MRCR 512K–1M | 98.1 | 55.5 | 73.8 |
L'écart avec Muse Spark 1.2 est considérable.
Une fenêtre de contexte d'un million de tokens n'est utile que si le modèle peut retrouver et utiliser correctement une information enfouie très loin dans le contexte.
Ces résultats suggèrent que Meta a travaillé en profondeur sur la récupération d'informations dans les très longs contextes, et pas seulement sur l'augmentation de la taille maximale.
Pour les grandes bases de code, les ensembles de documents de recherche, les longues conversations et les agents centrés sur les documents, cette capacité pourrait être l'un des principaux atouts de Muse Spark 1.3.
Le code progresse également
Muse Spark 1.3 affiche de bonnes performances dans plusieurs benchmarks de programmation.
Sur DeepSWE v1.1, consacré aux tâches de développement logiciel de longue durée, le modèle obtient 75,4, contre :
- Muse Spark 1.2 : 55.0
- GPT-5.6 Sol : 73.0
- Claude Opus 5 : 74.0
Il atteint également 59,4 sur SWEAtlas CodeBase QnA, devant les autres modèles présentés dans le comparatif de Meta.
Sur Terminal-Bench 2.1, Muse Spark 1.3 et GPT-5.6 Sol obtiennent tous deux 88,8, tandis que Claude Opus 5 atteint 86.7.
Ces résultats correspondent bien au thème principal de cette mise à jour :
Muse Spark 1.3 devient beaucoup plus performant lorsque la programmation nécessite plusieurs étapes plutôt qu'une simple génération de code.
Un point doit toutefois être souligné.
Les résultats publiés par Meta utilisent la configuration Max Reasoning de Muse Spark 1.3.
Au lancement, les modes de raisonnement déjà disponibles peuvent être utilisés immédiatement, tandis que Max Reasoning sera proposé après des tests de sécurité supplémentaires.
Les résultats des benchmarks ne doivent donc pas être considérés comme représentatifs de toutes les configurations accessibles dès maintenant.
Muse Spark 1.3 utilise moins d'outils
Les benchmarks sont utiles, mais l'une des améliorations les plus concrètes n'apparaît peut-être pas dans les classements.
Selon Meta, Muse Spark 1.3 utilise environ :
- 20 % d'appels d'outils en moins
- 25 % de tokens en moins
Le modèle effectue également moins d'étapes inutiles et produit généralement du code moins verbeux.
Pourquoi est-ce important ?
Prenons l'exemple d'un agent de programmation qui cherche à corriger un bug.
Un workflow peu efficace pourrait ressembler à ceci :
Rechercher → inspecter → rechercher à nouveau → modifier → inspecter → annuler → rechercher → modifier → tester → modifier encore
Un meilleur agent peut identifier le problème plus tôt et arriver au même résultat avec moins d'actions.
Chaque appel d'outil inutile coûte du temps et de l'argent.
Il représente aussi une occasion supplémentaire pour le workflow d'échouer.
Cela concerne bien plus que le développement logiciel. Les agents de recherche, de navigation, d'automatisation et les assistants personnels bénéficient tous d'une meilleure sélection des actions.
Prix de Muse Spark 1.3
Meta Model API propose deux options tarifaires très différentes.
Toutes deux prennent en charge un contexte de 1 million de tokens.
Tarifs de Muse Spark 1.3 dans Meta Model API. Source : Meta.
Muse Spark 1.3 standard
Pour muse-spark-1.3 :
| Utilisation | Prix par million de tokens |
|---|---|
| Entrée | $1.25 |
| Entrée mise en cache | $0.15 |
| Sortie | $4.25 |
Meta précise que cette version n'est pas utilisée pour améliorer ses produits.
Muse Spark 1.3 Contributor
Une version beaucoup moins chère est également disponible :
muse-spark-1.3-contributor
| Utilisation | Prix par million de tokens |
|---|---|
| Entrée | $0.10 |
| Entrée mise en cache | $0.002 |
| Sortie | $0.20 |
Mais la contrepartie est importante.
Meta indique que la version Contributor est utilisée pour améliorer ses produits.
Le prix est particulièrement bas, mais cette option ne conviendra donc pas à tous les usages, notamment lorsque la confidentialité ou le traitement des données sont importants.
Les développeurs doivent donc regarder autre chose que le simple prix par token.
Muse Spark 1.3 vs Muse Spark 1.2
Cette version ne repose pas sur une seule nouveauté spectaculaire. Elle améliore plutôt l'ensemble du workflow.
| Fonction | Muse Spark 1.2 | Muse Spark 1.3 |
|---|---|---|
| Agents de longue durée | Solide | Plus fiable |
| Suivi d'instructions longues | Bon | Amélioré |
| Multitâche | Capable | Meilleure séparation |
| Utilisation d'outils | Solide | Plus efficace |
| Appels d'outils | Référence | ~20 % de moins |
| Tokens utilisés | Référence | ~25 % de moins |
| Recherche en contexte long | Bonne | Forte amélioration |
| Code | Solide | Meilleur sur les tâches longues |
| Demandes de clarification | Prises en charge | Plus proactives |
On peut résumer le changement ainsi :
Muse Spark 1.3 gaspille moins d'efforts tout en réalisant des tâches plus complexes.
Il sait aussi quand ne pas agir
Une autre amélioration, moins spectaculaire, pourrait être très importante pour les agents déployés dans des situations réelles.
Muse Spark 1.3 est entraîné pour collaborer plus activement avec l'utilisateur.
Si une demande est ambiguë, il peut demander des précisions.
S'il est bloqué, il peut demander de l'aide.
Avant une action importante, il est également plus susceptible de confirmer ce que souhaite réellement l'utilisateur.
Meta indique aussi que le modèle comprend mieux ce qu'il sait, ce qu'il ignore et quand il atteint ses limites, au lieu d'inventer simplement un résultat.
Un agent qui sait quand s'arrêter peut être plus utile qu'un agent qui essaie de tout automatiser.
Muse Spark 1.3 est-il open source ?
Pas encore.
Muse Spark 1.3 est actuellement proposé via les services de Meta et n'est pas disponible sous forme de modèle à poids ouverts.
Meta a toutefois confirmé qu'une version Muse Spark open weights figure sur sa feuille de route.
Aucune date de sortie n'a encore été annoncée.
Ce sera un point important à suivre pour les développeurs qui souhaitent exécuter, personnaliser ou fine-tuner Muse Spark en dehors de l'API hébergée de Meta.
Où utiliser Muse Spark 1.3 ?
Muse Spark 1.3 est actuellement disponible via :
- Muse Code
- Meta Model API
Muse Code est l'option la plus évidente pour les développeurs recherchant une expérience de programmation agentique.
Meta Model API s'adresse plutôt aux développeurs souhaitant intégrer Muse Spark à leurs produits et workflows.
Les cas d'usage les plus intéressants semblent actuellement être :
- agents de programmation
- agents de recherche
- agents utilisant un ordinateur
- automatisation d'entreprise
- workflows autour de gros documents
- tâches longues
- analyse multimodale
- applications nécessitant un contexte de 1M de tokens
Que change Muse Spark 1.3 dans le travail quotidien avec l'IA ?
Muse Spark 1.3 reflète une évolution plus large du secteur.
Pendant plusieurs années, les modèles étaient surtout jugés sur une question :
La réponse est-elle bonne ?
Avec l'IA agentique, d'autres questions deviennent importantes :
Peut-il comprendre les fichiers ?
Peut-il se souvenir des exigences ?
Peut-il choisir les bons outils ?
Peut-il récupérer lorsqu'une étape échoue ?
Peut-il produire le livrable final ?
C'est ce qui rend les exemples du rapport d'ingénierie et des éléments de langage particulièrement intéressants.
Ils montrent le passage du texte généré par l'IA aux workflows entièrement réalisés par l'IA.
Pour les personnes qui travaillent avec des PDF, rapports, pages web, vidéos et autres sources, iWeaver adopte une approche similaire centrée sur les workflows, en transformant des informations dispersées en résumés, notes structurées, cartes mentales et connaissances réutilisables.
Pour le brainstorming, la narration et les conversations créatives plus ouvertes, XPT explore un autre aspect de l'expérience IA, avec des conversations plus flexibles et moins d'interruptions inutiles.
À mesure que les modèles progressent, choisir le bon workflow devient aussi important que choisir le bon modèle.
Faut-il essayer Muse Spark 1.3 ?
Muse Spark 1.3 est particulièrement intéressant pour :
- développement logiciel
- recherche avec contexte long
- documents complexes
- agents IA
- automatisation
- utilisation d'un ordinateur
- workflows utilisant plusieurs outils
Les progrès dans les benchmarks sont solides, notamment en contexte long et en programmation.
Mais les améliorations les plus utiles sont peut-être les moins visibles :
moins d'appels d'outils inutiles, moins de tokens, un meilleur suivi des instructions et une meilleure capacité à savoir quand demander de l'aide.
Ces évolutions peuvent rendre les agents IA plus fiables et plus faciles à utiliser à grande échelle.
Conclusion
Muse Spark 1.3 illustre bien la direction que prend la compétition entre modèles d'IA.
La prochaine génération ne sera plus jugée uniquement sur la qualité impressionnante d'une réponse.
Elle sera aussi évaluée sur sa capacité à :
- rester concentrée sur la tâche
- travailler avec plusieurs fichiers
- utiliser efficacement les outils
- se souvenir d'instructions longues
- reconnaître ses erreurs
- produire un résultat utile
Muse Spark 1.3 progresse clairement sur tous ces points.
Il ne domine pas tous les benchmarks, et la configuration Max Reasoning utilisée par Meta n'est pas encore l'expérience par défaut disponible pour tout le monde.
Mais par rapport à Muse Spark 1.2, la direction est claire.
Meta transforme Muse Spark d'un modèle performant en un agent beaucoup plus pratique pour le travail réel.