Meta, Muse Spark 1.3 출시

• 에이전트형 개발과 경쟁 코딩 성능에 맞춰 학습·최적화함

  • 긴 작업에서도 문맥과 이전 결과를 추적하고, 불완전하거나 충돌하는 입력을 처리하며, 필요할 때 사용자에게 추가 정보를 요청함

  • 불필요한 작업 단계를 줄이고 출력을 정돈해 첫 시도 정확도와 도구 호출의 신뢰성을 높였으며, 여러 코딩 평가에서 frontier 모델과 경쟁할 만한 성능을 보임

  • 어려운 추론과 에이전트형 작업에는 max reasoning을 지원해 실제 사용성을 개선함

• 영상·이미지·문서를 네이티브 멀티모달로 인식함

  • 시각적 추론이 미리 작성된 절차가 아니라 실제 실행 환경에서 이뤄지므로, 스크린샷이나 영상 클립을 입력해 결과물을 구축할 수 있음

• 1M 토큰 컨텍스트를 제공하며 데이터 활용 여부에 따라 모델과 가격이 달라짐

  • muse-spark-1.3-contributor는 입력을 제품 개선에 사용

    • 입력 $0.10

    • 캐시 입력 $0.002

    • 출력 $0.20

  • muse-spark-1.3는 입력을 제품 개선에 사용하지 않음

    • 입력 $1.25

    • 캐시 입력 $0.15

    • 출력 $4.25

• 기존 개발 환경과 다양한 에이전트 구성에 연결 가능함

  • 빌드 시작, 기본 문서, Cookbook 문서에서 사용법을 확인할 수 있음

  • Muse Code는 터미널에서 Muse Spark용 멀티 에이전트 코딩을 지원하고, Meta Model API는 직접 이용할 수 있는 셀프서비스 방식의 저렴한 접근 경로를 제공함

  • OpenRouter를 이용하면 기존 도구와 워크플로에 Muse Spark를 연결할 수 있음

• 빠른 시작부터 병렬 에이전트와 외부 도구 연동까지 실전 예제 제공

  • 빠른 시작은 OpenAI SDK 호환 클라이언트를 Meta Model API로 연결해 5분 안에 첫 요청을 실행하는 과정을 다룸

  • 멀티 에이전트 오케스트레이션은 한 줄짜리 제품 아이디어를 작동하는 SaaS 앱으로 만드는 4개 프로필의 에이전트 팀 구성을 안내함

    • 에이전트 fan-out은 여러 하위 에이전트를 격리된 worktree에 배치해 작업 도중 충돌 없이 병렬로 처리하는 방법을 설명함

  • Computer use는 시각 인식과 컴퓨터 조작을 이용해 소프트웨어를 구축하는 흐름을 제공함

  • GitHub agent는 Muse Spark·Meta Model API·OpenCode로 자율 GitHub 봇을 만드는 방법을 다룸

  • Search grounding은 요청에 도구 하나를 추가해 모델이 웹의 실시간 정보에 접근하도록 구성함

^{source https://developer.meta.com/ai/models/muse-spark/}

HN에서는 압도적인 가격 경쟁력과 데이터 제공의 대가를 어떻게 볼지가 가장 큰 갈림길이었다. 특히 학습 활용을 허용하는 ‘기여자’ 요금제는 취미 프로젝트나 민감하지 않은 작업에 매우 매력적이라는 반응이 많았다. 동시에 일반 요금제와의 큰 격차를 두고, 사용자 데이터의 가치를 투명하게 드러낸 선택이라는 평가와 기업 고객의 보안 요구를 활용한 가격 차등이라는 해석이 맞섰다.

성능 평가는 벤치마크보다 실제 작업 경험에서 더 신중했다. 이전 버전은 빠르고 저렴하면서도 명확한 지시를 잘 따르고 기존 코드의 관례를 존중한다는 호평을 받았다. 단순한 UI나 중간 난도의 개발 작업에는 충분했다는 사례도 나왔다. 반면 웹 앱 구현에서 실수하거나 디버깅 도중 비슷한 추론만 반복했다는 경험도 있었다. 점수가 높더라도 오래되거나 포화된 평가에서는 실제 개발 역량을 온전히 가늠하기 어렵다는 지적이 뒤따랐다.

모델 자체와 코딩 도구를 분리해 봐야 한다는 문제도 부각됐다. 전용 도구에서 토큰과 작업 횟수가 줄었다는 경험이 있는 만큼, 같은 모델도 어떤 실행 환경과 결합하느냐에 따라 결과가 달라질 수 있다. 새 버전이 더 똑똑해지는 과정에서 불필요하게 개입하지 않고 지시대로 움직이던 장점까지 잃을 수 있다는 우려도 있다.