Muse Spark 1.3 è arrivato: agenti AI, coding e contesto lungo migliorati

Meta ha lanciato Muse Spark 1.3 e questo aggiornamento non punta semplicemente a rendere un altro chatbot un po' più intelligente.

L'obiettivo è rendere l'AI più capace di portare davvero a termine il lavoro.

Rilasciato il 2 settembre, Muse Spark 1.3 si concentra soprattutto su agenti AI di lunga durata, coding, utilizzo degli strumenti, contesto lungo e workflow complessi.

Meta afferma inoltre che il nuovo modello è più efficiente di Muse Spark 1.2. Nei test dei suoi ingegneri utilizza circa il 20% in meno di chiamate agli strumenti e il 25% in meno di token.

Potrebbe essere uno dei miglioramenti più utili di questa versione.

Cos'è Muse Spark 1.3?

Muse Spark 1.3 è l'ultimo modello della famiglia Muse Spark di Meta.

È pensato per attività che richiedono molto più di un singolo prompt seguito da una risposta, tra cui:

• agenti AI di lunga durata
• sviluppo software
• ricerca e navigazione web
• computer use
• automazione aziendale
• recupero di informazioni da contesti lunghi
• workflow documentali complessi

Muse Spark 1.3 è disponibile tramite Muse Code e Meta Model API.

Supporta inoltre una finestra di contesto da 1 milione di token, che offre spazio sufficiente per lavorare con grandi codebase, documenti molto lunghi, più file e sessioni prolungate degli agenti.

Il cambiamento più importante, però, non è semplicemente quante informazioni riesce a contenere.

Conta soprattutto ciò che il modello riesce a fare con quelle informazioni nel corso di un'attività lunga.

Muse Spark 1.3 è progettato per workflow AI più lunghi

Uno dei problemi principali degli agenti AI è la deriva dal compito originale.

Un modello può partire con l'obiettivo giusto, completare correttamente diversi passaggi e poi dimenticare gradualmente un requisito importante mentre il workflow diventa più lungo.

Muse Spark 1.3 è stato progettato per ridurre questo problema.

Secondo Meta, il modello mantiene meglio istruzioni dettagliate durante attività lunghe, gestisce informazioni disordinate o contraddittorie, corregge lacune nel proprio piano e tiene traccia di ciò che ha già appreso.

Può inoltre gestire più workflow nella stessa conversazione senza confondere una nuova richiesta con un'attività precedente.

Dai file di origine al risultato finale

Gli esempi pubblicati da Meta mostrano chiaramente come tutto questo possa funzionare al di fuori di una normale chat.

In un test, Muse Spark 1.3 ha ricevuto un file Excel con feedback da parte dei cittadini e il compito di trasformarlo in materiale utilizzabile dallo staff durante una riunione del consiglio.

Il risultato non è stato semplicemente un riassunto in una finestra di chat.

Il modello ha creato un PDF strutturato con punti di discussione, numeri chiave, indicazioni specifiche per distretto, frasi che il personale poteva utilizzare e promemoria su ciò che non andava promesso.

Esempio di Muse Spark 1.3 che trasforma dati di origine in un documento strutturato con punti di discussione. Fonte: Meta AI Research.

È molto più vicino alla direzione verso cui si stanno muovendo gli agenti AI.

Invece di:

Prompt → Risposta

il workflow diventa:

File → Comprendere → Analizzare → Organizzare → Creare → Consegnare

Nel lavoro reale, questa differenza è importante.

Muse Spark 1.3 gestisce attività multimodali più complesse

I workflow lunghi non riguardano soltanto fogli di calcolo e documenti.

In un altro esempio, Meta chiede a Muse Spark 1.3 di agire come un ingegnere meccanico impegnato su un assemblaggio sperimentale di un velivolo.

Il modello riceve risultati preliminari di una simulazione CFD e un file STEP contenente un modello CAD. Deve quindi interpretare il materiale, spiegare l'ambiente di simulazione, estrarre metriche ingegneristiche, creare tabelle e diagrammi, discutere le implicazioni aerodinamiche e produrre un report PDF finale.

Il documento risultante combina spiegazioni tecniche, visualizzazioni, tabelle, grafici e contesto ingegneristico.

Esempio di un report tecnico di simulazione prodotto da Muse Spark 1.3 a partire da file ingegneristici. Fonte: Meta AI Research.

L'esempio è utile anche per capire cosa significhi sempre più spesso “agente multimodale”.

Non si tratta semplicemente di riconoscere un'immagine o riassumere un PDF.

Un agente utile deve comprendere diversi tipi di input, conservare i dettagli importanti, ragionare tra fonti differenti e trasformare il risultato in qualcosa che possa essere utilizzato direttamente da una persona.

Benchmark di Muse Spark 1.3

La valutazione di Meta si concentra principalmente su tre aree:

• agenti AI
• contesto lungo
• coding

Nel complesso i risultati sono forti, anche se Muse Spark 1.3 non è primo in ogni benchmark.

Risultati di Muse Spark 1.3 su workflow agentici, contesto lungo e coding. Fonte: Meta AI Research.

Prestazioni degli agenti

Su OSWorld 2.0, che testa workflow di computer use di lunga durata, Muse Spark 1.3 ottiene:

66.9

Si tratta di un netto miglioramento rispetto al 47.6 di Muse Spark 1.2 e supera il 62.7 di GPT-5.6 Sol, anche se Claude Opus 5 rimane leggermente davanti con 68.3.

Il modello raggiunge inoltre:

• 64.9 su JobBench
• 89.4 su DeepSearchQA
• 57.8 su Meta Agentic IF Index
• 49.4 su AutomationBench

Il punto importante non è che Muse vinca ogni benchmark. Non è così.

Ciò che colpisce è quanto costantemente la versione 1.3 migliori rispetto a Muse Spark 1.2 in diversi tipi di attività agentiche.

Il contesto lungo riceve un grande miglioramento

I risultati sul contesto lungo sono particolarmente evidenti.

Su MRCR:

È un salto molto significativo rispetto a Muse Spark 1.2.

Una finestra di contesto da 1 milione di token è utile soltanto se il modello riesce ancora a trovare e utilizzare informazioni nascoste molto in profondità nel contesto.

I risultati suggeriscono che Meta abbia lavorato molto sul recupero delle informazioni, non soltanto sull'aumento della dimensione massima.

Per grandi codebase, raccolte di ricerca, conversazioni lunghe e agenti che lavorano con molti documenti, potrebbe essere uno dei principali punti di forza di Muse Spark 1.3.

Anche il coding migliora

Muse Spark 1.3 ottiene buoni risultati in diversi benchmark di programmazione.

Su DeepSWE v1.1, dedicato alle attività di software engineering di lunga durata, il modello ottiene 75.4, rispetto a:

• Muse Spark 1.2: 55.0
• GPT-5.6 Sol: 73.0
• Claude Opus 5: 74.0

Raggiunge inoltre 59.4 su SWEAtlas CodeBase QnA, superando gli altri modelli mostrati nel confronto di Meta.

Su Terminal-Bench 2.1, Muse Spark 1.3 e GPT-5.6 Sol ottengono entrambi 88.8, mentre Claude Opus 5 raggiunge 86.7.

Questi dati sono coerenti con il tema centrale dell'aggiornamento:

Muse Spark 1.3 diventa molto più capace quando il coding richiede diversi passaggi e non semplicemente una singola generazione di codice.

Un dettaglio è però importante.

La tabella di benchmark pubblicata da Meta utilizza la configurazione Max Reasoning per Muse Spark 1.3.

Al lancio sono disponibili immediatamente le modalità di ragionamento precedenti, mentre Max Reasoning arriverà dopo ulteriori test di sicurezza.

I risultati dei benchmark non vanno quindi considerati automaticamente identici alle prestazioni di ogni configurazione disponibile oggi.

Muse Spark 1.3 utilizza meno chiamate agli strumenti

I benchmark sono utili, ma uno dei miglioramenti più pratici potrebbe non comparire in nessuna classifica.

Secondo Meta, rispetto a Muse Spark 1.2, Muse Spark 1.3 utilizza circa:

• 20% in meno di chiamate agli strumenti
• 25% in meno di token

Il modello tende inoltre a eseguire meno passaggi inutili e a generare codice meno prolisso.

Perché è importante?

Immaginiamo un agente di coding che deve correggere un bug.

Un workflow poco efficiente potrebbe essere:

Cerca → controlla → cerca di nuovo → modifica → controlla → annulla → cerca → modifica → testa → modifica di nuovo

Un agente migliore può individuare prima il problema e ottenere lo stesso risultato con meno azioni.

Ogni chiamata a uno strumento non necessaria costa tempo e denaro.

Inoltre crea una nuova possibilità di errore.

Lo stesso vale oltre il coding. Agenti di ricerca, browser agent, automazione aziendale e assistenti personali beneficiano tutti della capacità di scegliere prima le azioni più utili.

Prezzi di Muse Spark 1.3

Muse Spark 1.3 offre due opzioni di prezzo molto diverse tramite Meta Model API.

Entrambe supportano un contesto da 1 milione di token.

Prezzi di Muse Spark 1.3 su Meta Model API. Fonte: Meta.

Muse Spark 1.3 standard

Per muse-spark-1.3:

Meta indica che questa versione non viene utilizzata per migliorare i suoi prodotti.

Muse Spark 1.3 Contributor

Esiste inoltre una versione molto più economica:

muse-spark-1.3-contributor

Il compromesso è importante.

Meta indica che Contributor viene utilizzato per migliorare i suoi prodotti.

Il prezzo è estremamente basso, ma non sarà adatto a ogni workload, soprattutto quando privacy e gestione dei dati sono importanti.

Per gli sviluppatori vale quindi la pena guardare oltre il semplice prezzo per token.

Muse Spark 1.3 vs Muse Spark 1.2

Questa versione riguarda meno una singola funzione rivoluzionaria e più un miglioramento complessivo del workflow.

Il modo più semplice per descrivere il cambiamento è:

Muse Spark 1.3 spreca meno lavoro mentre gestisce attività più complesse.

Sa anche quando non deve agire

Un altro miglioramento meno appariscente potrebbe avere un grande impatto nelle implementazioni reali.

Muse Spark 1.3 è addestrato a collaborare più attivamente con l'utente.

Se una richiesta è ambigua, può chiedere chiarimenti.

Se si blocca, può chiedere aiuto.

Prima di compiere un'azione importante, è più probabile che confermi cosa desidera realmente l'utente.

Meta afferma inoltre che il modello è più consapevole di ciò che sa, di ciò che non sa e dei propri limiti, invece di inventare semplicemente un risultato.

Un agente che sa quando fermarsi può essere più utile di uno che prova ad automatizzare tutto.

Muse Spark 1.3 è open source?

Non ancora.

Muse Spark 1.3 è attualmente disponibile tramite i servizi di Meta e non è stato rilasciato con pesi aperti.

Meta ha però confermato che una versione Muse Spark open weights è nella roadmap.

Non è stata ancora annunciata una data.

Sarà uno degli sviluppi più interessanti da seguire per gli sviluppatori che vogliono eseguire, personalizzare o effettuare fine-tuning di Muse Spark al di fuori dell'API ospitata da Meta.

Dove si può usare Muse Spark 1.3?

Muse Spark 1.3 è attualmente disponibile tramite:

• Muse Code
• Meta Model API

Muse Code è la scelta più diretta per chi cerca un'esperienza di coding agentico.

Meta Model API è invece pensata per gli sviluppatori che vogliono integrare Muse Spark nei propri prodotti e workflow.

I principali casi d'uso sembrano essere:

• agenti di coding
• agenti di ricerca
• agenti computer use
• automazione aziendale
• workflow con grandi documenti
• attività di lunga durata
• analisi multimodale
• applicazioni che richiedono 1M di token di contesto

Cosa significa Muse Spark 1.3 per il lavoro quotidiano con l'AI?

Muse Spark 1.3 riflette un cambiamento più ampio nel settore.

Negli ultimi anni, i modelli venivano spesso giudicati soprattutto con una domanda:

Quanto è buona la risposta?

L'AI agentica aggiunge altre domande:

Riesce a comprendere i file?

Riesce a ricordare i requisiti?

Riesce a scegliere gli strumenti giusti?

Riesce a recuperare quando qualcosa va storto?

Riesce a produrre il risultato finale?

Per questo esempi come il report ingegneristico e il documento con i punti di discussione sono così utili.

Mostrano il passaggio dal testo generato dall'AI ai workflow completati dall'AI.

Per chi lavora con PDF, report, pagine web, video e altri materiali, iWeaver segue un approccio simile basato sul workflow, aiutando a trasformare informazioni sparse in riassunti, note strutturate, mappe mentali e conoscenza riutilizzabile.

Per brainstorming, storytelling e conversazioni creative più aperte, XPT si concentra su un altro lato dell'esperienza AI, offrendo conversazioni più flessibili e meno interruzioni inutili.

Con il miglioramento dei modelli, scegliere il workflow giusto diventa importante quanto scegliere il modello stesso.

Vale la pena provare Muse Spark 1.3?

Muse Spark 1.3 è particolarmente interessante per:

• sviluppo software
• ricerca con contesti lunghi
• documenti complessi
• agenti AI
• automazione
• computer use
• workflow che utilizzano più strumenti

I miglioramenti nei benchmark sono importanti, soprattutto per contesto lungo e coding.

Ma i cambiamenti più significativi potrebbero essere quelli meno appariscenti:

meno chiamate inutili agli strumenti, meno token utilizzati, migliore mantenimento delle istruzioni e una maggiore capacità di capire quando chiedere aiuto all'utente.

Sono miglioramenti che possono rendere un agente AI più affidabile e più semplice da usare su larga scala.

Conclusioni

Muse Spark 1.3 mostra bene dove sta andando la competizione tra modelli AI.

La prossima generazione non sarà giudicata soltanto in base a quanto appare impressionante una singola risposta.

Conta anche se il modello riesce a:

• rimanere concentrato sull'attività
• lavorare con più file
• utilizzare gli strumenti in modo efficiente
• ricordare istruzioni lunghe
• riconoscere gli errori
• produrre qualcosa di realmente utile

Muse Spark 1.3 mostra progressi evidenti in tutti questi aspetti.

Non guida ogni benchmark e la configurazione Max Reasoning utilizzata da Meta non è ancora l'esperienza predefinita disponibile per tutti.

Ma rispetto a Muse Spark 1.2, la direzione è chiara.

Meta sta trasformando Muse Spark da un modello capace in un agente molto più pratico per il lavoro reale.