Metaの最新AIモデル「Muse Spark 1.3」はClaudeやGPTに迫ったか―評価データから読み解く

Metaは2026年9月2日、AIモデル「Muse Spark 1.3」を公開し、コーディングエージェント「Muse Code」とMeta Model APIで提供を始めた。エージェント型の作業とコーディング性能を向上させたほか、曖昧な指示への確認や、影響の大きい操作を実行する前の承認など、実務での使いやすさを重視した改善を加えている。

独立評価では、一般に利用できるxhigh推論モードがArtificial Analysis Intelligence Indexで61点を記録した。GPT-5.6 Solのmax推論モード、Grok 4.6のhigh推論モードなどと同水準に位置する。一方、Metaが公表した一部の比較ではモデルごとに推論モードや実行環境が異なるため、導入判断では自社の作業環境に即した検証が重要になる。

■5カ月で4回目となるMuse Sparkの更新

初代Muse Sparkは2026年4月8日、Meta Superintelligence Labsが開発したモデルとして発表された。その後、7月9日にMuse Spark 1.1、8月5日にMuse Spark 1.2、9月2日にMuse Spark 1.3が公開され、約5カ月で4世代が登場したことになる。

Muse Spark 1.1では、100万トークンのコンテキストウィンドウやツール利用機能を備えたMeta Model APIの提供が始まった。Muse Spark 1.2では、ソフトウェア開発向けのMuse Codeが加わり、大規模なコードベースを対象とした計画、コード生成、検証などの作業に重点が置かれた。

Muse Spark 1.3では、コーディングに加えて、複数の作業を含む長時間のエージェント型ワークフローへの対応を強化している。Metaによると、Muse CodeとMeta Model APIの利用を通じて得た知見を反映し、実環境での操作性も改善したという。

■長時間の作業とユーザーとの協調を強化

Muse Spark 1.3は、単一の長い会話の中で複数の作業を扱い、それぞれの作業に新しい指示を対応づける能力を高めた。途中で別の依頼が加わった場合や、過去の作業内容が変更された場合でも、どのタスクに関する指示なのかを整理しやすくしたとしている。

目標だけが示された自由度の高い作業では、ツールを使って必要な情報を集め、計画の不足を補いながら成果物の作成まで進める。複雑な長文の指示についても、細かな要件や制約を維持し、依頼された手順から外れるケースを減らすことを目指している。

ユーザーとの協調方法にも変更が加えられた。指示が曖昧な場合には確認質問を行い、作業中に行き詰まった場合にはユーザーに助けを求める。影響の大きい操作を実行する前には確認を取り、長時間のタスクでは、進捗を随時報告するか、バックグラウンドで作業を続けるかをユーザーの希望に合わせるという。

Metaは、自身が扱える作業と扱えない作業、知っていることと判断できないことを区別する能力も改善したとしている。結果を推測で補うのではなく、作業を継続できない状況を伝えるよう訓練したという説明だ。

■コーディング作業ではツール呼び出しとトークンを削減

Muse Spark 1.3では、長時間にわたるコーディングタスクを増やして訓練した。Meta社内の技術者による比較では、Muse Spark 1.2よりも不要なやり取りが減り、簡潔で整理されたコードを出力する傾向が強まったという。

同社の測定では、同等の作業において、Muse Spark 1.2と比べてツール呼び出しが約20％、使用トークンが約25％減少した。エージェント型の開発では、モデルが外部ツールを呼び出す回数や、作業完了までに生成するトークン数が処理時間と料金に影響するため、こうした効率改善は実運用上の重要な評価項目になる。

一般提供されているxhigh版のAPI料金は、100万トークン当たり入力1.25ドル、出力4.25ドルである。Artificial Analysisの評価では、同社のIntelligence Indexを構成するタスクの平均コストは1件当たり0.55ドルとなった。為替レートを1ドル＝156円として換算すると約86円に当たるが、実際の費用は入力と出力の量、キャッシュの利用状況によって変わる。

■DeepSWEで75.4、比較条件には違い

Metaが公表した評価では、Muse Spark 1.3のmax推論モードが、長時間のソフトウェア開発作業を測るDeepSWE 1.1で75.4を記録した。比較対象となったClaude Opus 5は74.0、GPT-5.6 Solは約73で、いずれもmax推論モードが使われている。

DeepSWE 1.1は、TypeScript、Go、Python、JavaScript、Rustで構成された91のオープンソースリポジトリを対象に、113の開発タスクを収録している。各タスクには手作業で作成された機能検証と回帰テストが用意され、エージェントがコードを変更した後の動作を評価する。

Muse Spark 1.2との世代間比較には注意が必要だ。MetaのMuse Spark 1.3評価では、1.3、Claude Opus 5、GPT-5.6 Solにmax推論モードを使用する一方、1.2にはxhigh推論モードを使用している。Metaの公表表では、1.2のDeepSWE 1.1スコアは55.0であり、1.3の75.4との差は20.4ポイントとなるが、同一の推論モードによる比較ではない。

コーディング評価では、それぞれのモデルに対応したエージェント製品やハーネスも使われている。Muse Spark 1.3はMuse Code、Claude Opus 5はClaude Code、GPT-5.6 SolはCodexと組み合わせて評価される。これは利用者が実際に使う製品全体の性能を測れる一方、モデル単体の能力を厳密に比較するものではない。

Metaは、第三者モデルに対するツールやシステムプロンプトが各モデル向けに最適化されているとは限らず、それぞれに適した環境での最高性能を反映しない可能性があると評価方法に明記している。

■独立評価ではIntelligence Indexが61点

Artificial Analysisによる独立評価では、一般に利用できるMuse Spark 1.3のxhigh版がIntelligence Indexで61点を記録した。Muse Spark 1.2の57点から4ポイント上昇し、GPT-5.6 Solのmax版やGrok 4.6のhigh版と同じスコアになった。

パートナー向け限定プレビューとなっているmax版は62点を記録した。Artificial Analysisの分析では、max版はxhigh版に比べ、知識労働を扱うGDPval-AA v2で62％、銀行業務を扱うTau3-Bench Bankingで28％多くの推論トークンを使っている。計算量を増やすことで一部の評価を伸ばしていることになる。

一方、Artificial Analysisが測定したMuse Spark 1.3 xhigh版のIntelligence Index全体における出力は約1億トークンで、同評価において簡潔なモデルに分類されるわけではない。個別作業でのトークン削減というMetaの社内比較と、複数の評価をまとめた独立測定は条件が異なるため、用途ごとに分けて捉える必要がある。

長文脈検索を評価するMRCR v2について、Metaはmax版が25万6000～51万2000トークンの区間で98.5、51万2000～100万トークンの区間で98.1を記録したとしている。前者で比較対象となったGPT-5.6 Solは91.5、後者は73.8だった。これらもMetaが選定した設定による評価値である。

■安全性と不可逆な操作への対応

Muse Spark 1.3では、敵対的な入力やプロンプトインジェクションへの耐性を高めたほか、操作が取り消し可能かどうかを判断する能力を改善したとMetaは説明している。ファイルの削除や外部サービスの変更など、影響の大きい操作を伴うエージェント利用では、モデルの能力だけでなく、いつユーザーの承認を求めるかが重要になる。

Metaは2026年8月、外部評価会社Irregularが実施したMuse Spark 1.1のサイバーセキュリティ評価で、設定ミスによりモデルがインターネットへ接続し、架空の標的ではなく実在するウェブサイトを対象として脆弱性を悪用した事例を公表した。モデルはサイト内の一部情報にアクセスし、データベースを変更したという。

Irregularは問題のある評価を停止し、関係先に通知した。Metaはこの事例を受け、第三者評価環境に対する技術的な制御、監視、承認手続きを改善するとしている。Muse Spark 1.3で加えられた操作前の確認や不可逆性の判断は、エージェントを外部環境で動かす際の安全性を高めるための機能と位置づけられる。

■max推論とオープンウェイト版は今後提供

Muse Spark 1.3はMuse CodeとMeta Model APIで利用できるが、公開時点で一般提供されている推論モードはxhighまでである。上位のmax推論モードは、追加の安全性テストが完了した後に提供する予定だ。具体的な提供日は示されていない。

オープンウェイト化について、Metaが予告しているのはMuse Spark 1.2である。Metaは8月20日の公式発表でもMuse Spark 1.2のオープンウェイト公開に言及しているが、9月2日時点では公開されていない。

ローカル環境での実行、独自のファインチューニング、モデルウェイトの監査を前提とする用途では、将来の公開予定ではなく、現時点で利用できるモデルを基準に導入計画を立てる必要がある。

■導入判断では実際の作業による評価を

Muse Spark 1.3は、独立評価で前世代から性能を伸ばし、一般提供されるxhigh版が主要な高性能モデルと同水準の総合スコアを記録した。曖昧な指示への確認、複数タスクの整理、影響の大きい操作の前の承認など、エージェントとしての振る舞いを改善した点も実務上の特徴となる。

一方、Metaが公表したDeepSWEやTerminal-Benchなどの比較には、推論モード、エージェント製品、ハーネスの違いが含まれる。ベンチマーク上の順位だけで移行を決めるのではなく、自社のコードベースやツール構成、必要な承認手順、処理時間、APIコストを含めて評価することが適切だ。

大量のコーディング作業や長時間のエージェント型ワークフローを運用し、APIコストとツール呼び出し回数を重視する開発者にとって、Muse Spark 1.3は有力な比較対象になる。ローカル実行やウェイトの取得を必要とする場合は、現在提供されているAPI版とは要件が合わないため、用途を分けて判断する必要がある。

元記事: Muse Spark 1.3 Jumps 16 Points on DeepSWE: How Meta Training Loop Closed Gap