Muse Spark 1.1 diumumkan

 (ai.meta.com)
1 poin oleh GN⁺ 4 jam lalu | 1 komentar | Bagikan ke WhatsApp
  • Muse Spark 1.1 yang diumumkan Meta Superintelligence Labs adalah model penalaran multimodal yang ditujukan untuk tugas agen, dengan peningkatan pada penggunaan alat dan komputer, coding, serta pemahaman multimodal dibanding pendahulunya
  • Poin utamanya adalah menangani perencanaan·orkestrasi di berbagai aplikasi dan layanan eksternal, serta melakukan generalisasi zero-shot ke native tools, MCP servers, dan custom skills
  • Model ini secara aktif mengelola jendela konteks 1 juta token untuk mencari informasi dari pekerjaan sebelumnya dan mempertahankan konteks inti yang dipadatkan untuk tahap berikutnya
  • Developer dapat mengakses model ini lewat Meta Model API yang dirilis sebagai public preview, dan dapat menggunakannya dalam mode “Thinking” di aplikasi Meta AI dan meta.ai
  • Meta menjalankan evaluasi keselamatan sebelum peluncuran sesuai Advanced AI Scaling Framework, dan menilai model ini berada dalam batas margin keselamatan pada kategori Chemical & Biological, Cybersecurity, dan Loss of Control

Posisi dan cara ketersediaan Muse Spark 1.1

  • Muse Spark 1.1 adalah model terbaru dari Meta Superintelligence Labs dan diperkenalkan sebagai peningkatan utama dibanding Muse Spark sebelumnya
  • Ini adalah model penalaran multimodal untuk tugas agen, dengan penekanan peningkatan pada area berikut
    • penggunaan alat
    • penggunaan komputer
    • coding
    • pemahaman multimodal
  • Peluncuran ini, bersama pengumuman Muse Image, dikaitkan dengan langkah yang menurut Meta semakin mendekatkan visi “personal superintelligence”
  • Developer dapat mengakses Muse Spark 1.1 melalui Meta Model API yang dirilis sebagai public preview
  • Di aplikasi Meta AI dan meta.ai, model ini tersedia dalam mode “Thinking”

Tugas agen dan penanganan konteks panjang

  • Model ini menyusun rencana dan mengorkestrasi alur eksekusi dalam tugas agen personal yang melibatkan banyak aplikasi dan layanan eksternal
  • Model ini melakukan generalisasi zero-shot ke native tools, MCP servers, dan custom skills
  • Model ini dilatih untuk menangani proyek kompleks jauh lebih cepat daripada Muse Spark
    • agen utama mengumpulkan konteks dan menyusun rencana, lalu mendelegasikan eksekusi ke subagent paralel
    • subagent mengikuti tugas yang diberikan, memahami alat yang tersedia, dan melakukan eskalasi ke agen utama saat diperlukan
  • Model ini secara aktif mengelola jendela konteks 1 juta token
    • mengingat tindakan yang telah dilakukan
    • mengambil informasi dari pekerjaan yang dilakukan jauh sebelumnya
    • memadatkan konteks agar langkah-langkah penting yang dibutuhkan untuk pekerjaan selanjutnya tetap tersimpan

Otomatisasi penggunaan komputer

  • Muse Spark 1.1 menunjukkan kekuatan pada workflow penggunaan komputer yang berpindah-pindah antar aplikasi dan memiliki informasi yang berubah secara real-time
  • Model ini mempertahankan konteks bahkan dalam sesi panjang, beradaptasi dengan kebutuhan yang berubah, dan menavigasi antarmuka yang tidak familiar dengan intervensi manusia seminimal mungkin
  • Untuk tugas desktop, model ini tidak selalu bekerja hanya per klik, tetapi memilih antara otomatisasi dan manipulasi langsung sesuai situasi
    • menulis skrip saat otomatisasi lebih cepat
    • menggunakan klik saat interaksi langsung lebih sederhana
    • menghasilkan beberapa tindakan yang digabungkan di setiap tahap
  • Dalam contoh persiapan pesta makan malam, model ini mengenali saat konteks baru muncul selama proses pemesanan dan melakukan pembaruan yang diperlukan tanpa intervensi pengguna

Performa coding dan workflow pengembangan

  • Performa Muse Spark 1.1 meningkat signifikan pada tugas coding dunia nyata yang menangani codebase besar dan kompleks
  • Model ini dapat melakukan diagnosis dan perbaikan bug yang rumit, mengimplementasikan fitur baru pada sistem kelas enterprise, dan menjalankan migrasi kode skala besar
  • Pada use case seperti pembuatan aplikasi web dan tanya jawab end-to-end, model ini menunjukkan peningkatan besar dibanding model pertama
  • Model ini dilatih agar dapat beradaptasi mulus dengan berbagai harness dan menangani perilaku multi-turn yang kompleks secara stabil
    • mendukung kemampuan coding agen umum seperti planning mode
    • goal conditioning
    • subagent delegation
    • context compaction
  • Dalam demo debugging OpenCode, model ini membuat aplikasi web chat, menemukan kegagalan yang terlihat oleh pengguna lewat screenshot otomatis, menelusuri hingga ke kode terkait untuk memperbaikinya, lalu memverifikasi perubahan tersebut
  • Developer dan peneliti internal Meta sudah menggunakan Muse Spark 1.1 setiap hari, dan pada Meta Internal Coding Bench model ini menunjukkan peningkatan besar dibanding Muse Spark serta hasil yang kompetitif terhadap alternatif utama
  • Para peneliti juga memanfaatkan Muse Spark 1.1 dalam workflow mereka untuk mengotomatisasi tugas pengembangan dan evaluasi model
  • Dalam contoh evaluasi DeepSWE, model ini mengevaluasi sendiri sebagian tugas DeepSWE di dalam OpenCode pada beberapa tingkat intensitas penalaran, lalu membuat dashboard analisis berbasis hasil

Pemahaman dan eksekusi multimodal

  • Muse Spark 1.1 juga menunjukkan kekuatan pada tugas yang menggabungkan persepsi, penalaran multimodal, dan penggunaan alat
  • Model ini dapat menghasilkan output yang berdasar sambil berinteraksi dengan lingkungan nyata
    • menghasilkan output kode dari materi visual
    • membuat caption yang sangat detail untuk gambar dan video
    • menjalankan workflow agen untuk use case multimodal
  • Kemampuan multimodal ini sangat berguna terutama dalam situasi yang membutuhkan persepsi dan tindakan sekaligus
    • memeriksa visual dan audio
    • mempertahankan detail selama workflow yang panjang
    • memanfaatkan detail tersebut saat mengoperasikan komputer atas nama pengguna
  • Dalam contoh agen Facebook Marketplace, model ini mengekstrak foto yang berguna dari video yang direkam dengan smartphone, menyimpulkan produk yang dijual, lalu mengoperasikan browser pengguna untuk membuat listing Marketplace

Evaluasi keselamatan

  • Sebelum peluncuran, Meta melakukan evaluasi keselamatan yang luas sesuai Advanced AI Scaling Framework
  • Framework ini mendefinisikan evaluasi, threat model, dan kriteria deployment untuk model paling canggih milik Meta
  • Kategori evaluasi mencakup frontier risk berikut
    • Chemical & Biological
    • Cybersecurity
    • Loss of Control
  • Dalam evaluasi Meta, Muse Spark 1.1 beroperasi dalam batas margin keselamatan di semua kategori frontier risk
  • Model ini menunjukkan ketahanan kuat terhadap jailbreak langsung, serangan tidak langsung dari data yang tidak tepercaya, prompt injection, dan serangan developer-prompt
  • Hasilnya, adversarial robustness meningkat dan tingkat halusinasi serta sycophancy menurun
  • Rincian lengkap terkait keselamatan didokumentasikan dalam Muse Spark 1.1 Evaluation Report

Tanggapan mitra awal dan rencana ke depan

  • Melalui public preview Meta Model API, developer kini dapat mulai membangun dengan Muse Spark 1.1 untuk pertama kalinya
  • Mitra awal menilai model ini sebagai foundation model yang mampu menangani workload agen skala besar dengan menggabungkan penanganan konteks panjang, coding, dan kemampuan penalaran
  • CEO Replit Amjad Masad menyoroti bahwa satu model ini menggabungkan konteks 1 juta token, dukungan multimodal gambar·video·PDF, pencarian bawaan dengan sitasi, structured output, pemanggilan alat paralel, dan paket yang kompatibel dengan OpenAI
  • CEO Cline Saoud Rizwan mengatakan mereka ingin memberikan akses awal kepada developer Cline karena model ini memadukan penggunaan alat yang kuat dengan kisaran harga yang memungkinkan menjalankan workload coding nyata dalam skala besar
  • Yashodha Bhavnani dari Box menilai bahwa dalam set evaluasi tugas enterprise Box, Muse Spark menunjukkan kapabilitas enterprise yang kompetitif dengan model frontier utama saat ini
  • Dave Morin dari OpenClaw Foundation menilai Muse Spark 1.1 sebagai model yang cepat dan kuat untuk eksekusi agen
  • Meta sedang melatih model dengan performa yang lebih tinggi dan berencana membagikannya di masa mendatang

Bacaan terkait

1 komentar

 
GN⁺ 4 jam lalu
Komentar Hacker News

  • Ada detail yang jauh lebih lengkap di laporan yang ditautkan: https://ai.meta.com/static-resource/muse-spark-1-1-evaluatio...
    Jika melihat detail Terminal-Bench-2.1, tertulis bahwa “89 tugas Terminal-Bench 2.1 dari repositori resmi dievaluasi dengan harness agen khusus alat bash, dan sumber daya dibatasi pada CPU 6 core dan RAM 8GB”, jadi hasil ini diskualifikasi
    Setiap tugas terminal bench punya batas CPU dan batas RAM masing-masing, dan jika salah satu saja terlampaui maka langsung diskualifikasi. Untuk tbench-2.1, dari 89 tugas tidak ada satu pun yang mengizinkan CPU 6 core, dan hanya 8 tugas yang mengizinkan RAM 8GB
    Benchmarking mencurigakan seperti ini benar-benar menghilangkan kesenangan membuat harness untuk meningkatkan performa benchmark model. Soalnya apa pun yang dilakukan, tetap tidak bisa mengalahkan angka utama yang tidak akurat. Mungkin itu sebabnya model ini tidak ada di leaderboard resmi https://www.tbench.ai/leaderboard/terminal-bench/2.1
    Sebagai mantan karyawan Meta, rasanya agak pahit, tapi juga tidak terlalu mengejutkan. Sampai PSC selesai dan sebelum lanjut ke hal berikutnya, menaikkan angka adalah metrik evaluasi kinerja yang paling utama

    • Kecuali kalau modelnya tanpa sengaja memicu fork bomb, saya tidak paham kenapa batas sumber daya perlu dipertimbangkan. Saya kira benchmark ini mengukur kemampuan menggunakan terminal, khususnya merangkai banyak pemanggilan alat bash, jadi pada kasus uji seperti apa ini menjadi penting?
    • Inilah masalah model tertutup. Kita tidak bisa tahu pasti apakah yang kita bayar itu model dasar yang lebih unggul, atau harness yang dirancang dengan baik untuk memaksimalkan skor benchmark
    • Murni penasaran, seberapa sering batas sumber daya benar-benar jadi bottleneck? Harness membantu apa di sini? Membatasi paralelisme atau memakai alat yang lebih efisien?
    • Saya paham intinya, tapi tidak yakin sepenting itu
      Apakah harbor / tb2.1 membatasi swap yang bisa dipakai eksekusi Docker? Dulu pernah ada bug di mana menjalankan instance Docker bisa memakai memori lebih banyak dari spesifikasi. Sebagian tugas aslinya pada dasarnya mustahil diselesaikan tanpa memanfaatkan swap, dan jika Docker dicegah mengakses swap, bahkan solusi oracle pun tidak bisa lolos
      Kalau tidak salah crack-7z-hash dan filter-js-from-html yang punya masalah itu, tapi saya sudah beberapa bulan tidak melihatnya jadi tidak yakin
    • Tidak terlihat sebagai masalah sebesar itu. Saat mengevaluasi produk apa pun, kita memang tidak menerima begitu saja klaim dari pihak pembuat produk. Sudah pasti ada bias. Itulah kenapa ada pengujian independen seperti https://artificialanalysis.ai

  • Saya sempat bisa mencobanya lebih awal selama beberapa hari, dan selama itu saya bisa membuat plugin untuk LLM. Di terminal, model ini bisa diuji seperti berikut
    uv tool install llm
    llm install llm-meta-ai
    llm keys set meta-ai
    # paste API key here
    llm -m meta-ai/muse-spark-1.1 "Generate an SVG of a pelican riding a bicycle"
    Hasilnya ada di sini: https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
    Sebagai perbandingan, pelikan dari Muse Spark 1 ada di sini: https://simonwillison.net/2026/Apr/8/muse-spark/

    • Saya penasaran bagaimana Anda sempat meluangkan waktu untuk preview begitu banyak model. Rilis model belakangan ini benar-benar kacau padatnya, apa kadang tidak terasa seperti pekerjaan?

  • Mungkin Zuck sebaiknya lebih fokus menjadi spoiler di pasar model daripada bersaing secara frontal
    Tidak perlu menyamai pendapatan model Anthropic atau OpenAI; cukup kalau bisa memangkas 99% dari pendapatan itu. Tinggal terus keluarkan puluhan miliar dolar untuk pengembangan frontier model, lalu rilis sebagai open weights supaya model coding menjadi komoditas umum. Ditambah harness acuan open-source yang dibuat dengan baik
    Hampir tidak ada orang lain yang berada di posisi untuk bisa melakukan ini sekaligus membuatnya masuk akal secara bisnis. Bagaimanapun juga kemungkinan besar arusnya akan menuju ke sana, dan dia bisa sangat mempercepat lajunya. Seperti compiler dulu, kita seharusnya berharap model berpindah dari produk monopolistik menjadi komoditas umum
    Ini mungkin salah satu hal terbaik yang bisa Zuck lakukan untuk dunia

    • Kalau mereka kehilangan pendapatan, lalu siapa yang akan menyewa sumber daya komputasi Meta?
    • Kalau benar-benar ingin jadi raja spoiler, mereka tinggal open-source dataset pelatihannya. Saya ragu mereka akan sejauh itu
    • Model coding bukan tujuan akhir. Model coding hanyalah bagian dari proses bootstrap menuju kecerdasan umum
    • Bukankah mereka sudah mencoba itu dengan llama?
    • Yang perlu dia lakukan hanyalah membuktikan bahwa membuat model seperti ini sebenarnya sudah tidak sesulit itu lagi. Parit pertahanan perusahaan-perusahaan ini adalah persepsi bahwa membangun frontier model itu sangat sulit

  • Harganya sangat masuk akal sampai terasa tidak masuk akal. Per 1 juta token, input $1.25, output $4.5, dan input yang di-cache $0.15
    https://dev.meta.ai/docs/getting-started/pricing-rate-limits

    • Ini bisa dibandingkan paling langsung dengan xAI Grok 4.5. Keduanya sama-sama mengarah ke “kecerdasan setara Opus dengan harga Haiku”, dan ini kabar sangat besar bagi pengembang aplikasi yang ingin memasukkan model seperti ini ke dalam aplikasi
      Saya sedang menguji penggantian Haiku dan Sonnet dengan Grok 4.5, dan saya juga berniat mencoba yang ini. Terutama harga cache-nya jauh lebih murah
    • Rasio harga untuk input yang di-cache bagus
      Grok 4.5 diumumkan dengan $2/$6, tetapi diam-diam mengenakan $0.50 per 1 juta token untuk input yang di-cache. Ini semahal Opus 4.8
    • Meta saat ini belum masuk radar kebanyakan orang yang sedang memilih model. Kalau mereka benar-benar punya model yang bagus, masuk akal untuk memberi subsidi demi mendapatkan pengguna sebelum menyesuaikan harga dengan pesaing
    • Lebih murah daripada Qwen 3.7 Max. Setelah input/output Grok 4.5 di $2/$6, ini adalah sinyal kedua bahwa lab besar merasakan tekanan dari GLM 5.2
    • Meski begitu, tetap saja masih sangat mahal. Coba bayangkan membayar $10 untuk 100 hasil pencarian Google; pada dasarnya ini seperti itu
      Saya benar-benar tidak paham kenapa ada orang yang mau membayar lebih dari $1.50 per 1 juta token output, apalagi $15~50. Apakah ada konsumen yang benar-benar membayar dengan skema berbasis pemakaian?

  • Sampai kemarin, rasanya suasananya masih sangat kuat bahwa OpenAI dan Anthropic sudah terlalu jauh di depan untuk dikejar, tetapi sekarang xAI dan Meta setidaknya sudah merilis sesuatu yang bisa bersaing di model praktis, dan harganya juga murah
    Tentu saja, kalau melihat Fable, dan mungkin GPT-6 yang akan segera keluar, cerita bahwa dua lab terdepan masih unggul tetap berlaku, tetapi ini bukan permainan yang sudah benar-benar selesai seperti yang dikatakan para pembentuk opini

    • Sekarang model pada umumnya sudah cukup bagus. Kalau tidak ada terobosan besar, yang penting mulai sekarang hanyalah biaya
    • Orang-orang salah mengartikan ketertinggalan Google sebagai Anthropic dan OpenAI yang unggul sangat jauh. Sebenarnya ini lebih mirip Google yang tertinggal seperti saat Tensorflow, Angular, dan GCP
    • Nuansanya agak berbeda
      Ekspektasi terhadap GLM 5.2 sudah tinggi sejak sebelumnya. Bukan berarti xAI atau Meta menciptakan perbedaan besar dengan cara yang berbeda, melainkan hasil dan harganya jadi mendekati GLM 5.2

  • Secara pribadi saya bukan penggemar Meta, tetapi yang ini saya akui. Semakin banyak persaingan, semakin baik bagi konsumen umum, dan juga baik bagi perusahaan
    Model Tiongkok, Grok, Meta, Google, OpenAI, dan Anthropic semuanya bersaing adalah sebuah kemenangan. Saya sedang membuat sesuatu seperti orang gila agar bisa memanfaatkan token bersubsidi seperti ini semaksimal mungkin

    • Model llama lokal dari Meta dulu pernah menjadi wajah AI open source. Peta persaingannya benar-benar sudah banyak berubah
    • Jelas saya melihat ini sebagai hal yang baik. Hanya saja, di dalam hati saya masih berdebat apakah perkembangan seperti ini akan menambah atau justru mengurangi jumlah software engineer yang dibutuhkan di era AI
      Di satu sisi, membuat produk jadi lebih mudah, sehingga lebih banyak orang akan membuat sesuatu, dan akan muncul lebih banyak produk serta fitur. Banyak orang nonteknis juga akan mencoba membuat sesuatu, tetapi akan mentok, dan pada akhirnya tetap membutuhkan engineer. Total produk yang akan dibuat oleh perusahaan teknologi yang matang, pendiri nonteknis, dan calon pendiri akan sangat besar. Di sinilah skenario naik bahwa lebih banyak software engineer akan dibutuhkan dalam waktu dekat
      Di sisi lain, sekitar setahun dari sekarang orang akan membuat banyak sekali produk seperti ini, tetapi kebanyakan tidak akan bisa dipasarkan, dijual, atau menghasilkan uang. Pada akhirnya mungkin memang tidak akan dibutuhkan sebanyak itu software engineer. Meski begitu, secara keseluruhan saya rasa skenario naik kemungkinan besar menang sebagai efek bersihnya
    • Kalau daftar model Tiongkok diperluas, ada DeepSeek, GLM(Z.ai), Minimax, Kimi(Moonshot), Hy3(Tencent), dan Qwen(Alibaba)
      Masing-masing bobotnya bisa diunduh untuk dijalankan secara lokal
    • Dia memposting kabar ini di X, bukan di Meta Threads miliknya. Itu menunjukkan seberapa besar minat untuk membesarkan ini. Tentu saja, selama perusahaan-perusahaan ini terus membakar uang tunai, dari sisi kita biaya bisa tetap berada di tingkat yang terjangkau
    • Ini adalah persaingan teknologi terbesar yang pernah saya lihat. Perusahaan terkaya, orang-orang terpintar, dan negara-negara terkaya semuanya ikut terjun
      Saya tidak tahu apakah persaingan itu baik, kita lihat saja beberapa tahun lagi. Saya sudah lama menantikan hari ketika saya mungkin harus punya pekerjaan kerja fisik lagi

  • Bagaimana semua perusahaan bisa membuat diri mereka terlihat seperti nomor satu di semua benchmark?

    • Pertama, mereka melihat model mana yang lebih buruk dalam paket benchmark yang mereka pilih sendiri
      Lalu mereka membandingkannya dengan versi lama model pesaing. Kalau masih belum terlihat bagus, mereka membandingkannya dengan model lama mereka sendiri
    • Karena moat-nya tidak besar, peningkatannya bertahap, dan mereka bisa memilih model pembanding sesuka hati
      Secara adil, kalau kekuatan utamanya adalah harga, rasanya memang lebih tepat membandingkannya dengan model yang performanya ada di kelas serupa
    • Membandingkan dengan Gemini sekarang terasa seperti kotak bingo gratis
    • Menurut orang yang benar-benar paham AI, apa yang sebaiknya dianggap sebagai benchmark standar untuk coding?
    • Tinggal menunggu momen yang tepat ketika model sendiri unggul di setidaknya N benchmark, lalu umumkan

  • Saya ketinggalan bahwa Meta sedang mengembangkan dan merilis model berbobot tertutup. Disayangkan. Saya berharap ada lebih banyak kemajuan pada model open-weight buatan AS

  • Saya membuatnya berjalan bersama codex di dalam container. Sebagai catatan, sepertinya ada bug yang akan sering ditemui di antarmuka Codex:Muse
    Menurut saya codex tidak mengantisipasi pemanggilan tool sisi server, dan karena cara Meta menangani ID-ID itu, jadilah semacam bug parsing atau integrasi. Saat pertama beberapa kali saya menjalankan codex dengan muse, panggilan non-pencarian-web pertama gagal
    Sudah saya perbaiki, dan secara pribadi saya masih belum sepenuhnya yakin dengan pemanggilan tool sisi server yang kustom dan penyimpanan file tanpa batas waktu, tetapi sejauh ini ini model yang cukup keren dan menyenangkan untuk dipakai
    https://github.com/accretional/awesome-muse-spark/blob/main/...

  • Melihat benchmark yang dirilis, kemampuan coding dan multimodalnya juga cukup bagus, tetapi tingkat keberhasilan pemanggilan alat tampaknya sangat baik
    Kira-kira use case seperti apa yang paling cocok dengan pola performa seperti ini?

    • Debugging dan diagnosis melibatkan sangat banyak pemanggilan alat. Termasuk me-grep atau mengubah log, memanggil profiler atau tracer, hingga menulis laporan insiden
      Diagnosis bug adalah ranah yang tetap membutuhkan coding sampai tingkat tertentu, tetapi lebih penting lagi harus lebih baik dalam memanfaatkan alat. Jika ada laporan diagnosis yang bagus, perbaikannya bisa diserahkan ke Opus
      Opus juga bisa menulis laporan sampai taraf tertentu, tetapi di dokumen typst masih sering salah menentukan lebar tabel, sehingga kolom terakhir penuh dengan teks sementara lebarnya cuma beberapa karakter
    • Gemini 3.5 Flash lebih baik daripada Fable dalam pemanggilan alat. Pemanggilan alat mungkin adalah salah satu area yang relatif mudah ditingkatkan lewat post-training
    • Saya penasaran apakah pola seperti ini akan terus terlihat di setiap rilis baru ke depan. Penggunaan alat sangat mungkin berubah cepat, jadi alih-alih model yang paling cerdas, bisa jadi model paling baru yang akan selalu unggul
    • Ini terdengar agak kurang berguna. Memang menarik kalau performa decoder terbatas seperti JSON sangat bagus, tetapi pada decoder umum, loop yang melewati validator alat, menerima pesan galat yang baik, lalu mencoba lagi hampir selalu bisa membuat alat bekerja pada percobaan kedua. Input juga di-cache, jadi biayanya tidak terlalu mahal