Muse Spark Open: contexto e benchmarks com fonte
- Meta (Meta Superintelligence Labs)
- lançado em
- pesos abertos
- verificado
- Snapshot de
- metodologia v1.1
Preço para enviar textoEntrada US$/M
não divulgado
Preço da respostaSaída US$/M
não divulgado
Quanto texto lê de uma vezContexto
tokens
Maior respostaSaída máx.
tokens
Em São Paulo
não apurado
Ficha técnica
- Contexto de entrada
- Saída máxima
- Corte de conhecimento
- Modalidades
- Pesos do modelo
- Retirada mínima
- sem data anunciada pelo fabricante
- Em São Paulo
- não apuradoA X-Apps não tem leitura conferida deste modelo para a região de São Paulo neste snapshot. Isso não afirma nem nega que ele esteja disponível lá.
O que significa
Na tabela de disponibilidade regional da AWS, In-Region quer dizer inferência dentro da região de São Paulo; Global quer dizer que o pedido pode ser processado em outra região da AWS, e os dados podem sair de São Paulo. A apuração cobre só o Amazon Bedrock: Azure e Google Cloud não foram conferidos.Se o seu dado não pode sair da região, isso decide a escolha antes do preço e do benchmark. Para a política de uso, a classificação de dados e a trilha de auditoria, veja governança e segurança para IA generativa.
Preços
Dólar por milhão de tokens, por provedor, como o fabricante publica: uma linha por tarifa e uma coluna por tipo de token.
O fabricante não oferece API própria para este modelo, então não há preço de tabela a mostrar.
Avaliações
Todos os resultados publicados para este modelo, uma linha por grupo comparável: a mesma versão do benchmark e a mesma origem do número.
| Benchmark | Resultado | Posição no grupo | Origem do número |
|---|---|---|---|
| Raciocínio | |||
| Raciocínio, como o benchmark medeGPQA Diamond |
| 24º de 25líder: Gemini 4 Argon | Imedição independenteEpoch AI |
| Código | |||
| Programação, como o benchmark medeArena WebDev (Code Arena) |
| 23º de 31líder: Claude Opus 5.5 | Hpreferência humanaLMArena |
Resultado por nível de esforço, com a distância até os limites do intervalo publicado ao lado (± quando as duas metades são iguais). Posição: na ordem do grupo comparável, não ranking absoluto; dois modelos com o mesmo número dividem a posição. Ver os grupos comparáveis no comparativo
Evidência: I medição independente · H preferência humana.
Como ler estes números
- MAX, XHIGH, HIGH, MEDIUM e LOW · nível de raciocínio
- Muitos modelos podem pensar mais antes de responder, do nível mais alto (MAX) ao mais baixo (LOW). Mostramos o melhor resultado publicado e o nível usado nele; sem rótulo, a fonte não informou o nível ou usou o padrão do modelo.
- Sinal = · empatados
- A diferença entre eles é menor que a margem de erro da medição, então nenhum pode ser chamado de melhor. Nas tabelas, o sinal marca quem cruza o intervalo publicado pela fonte para o líder da coluna.
- Letras de evidência
- Dizem quem produziu o número: F: reportado pelo fabricante · C: medido por concorrente · I: medição independente · H: preferência humana · A: agregador · X: medido pela X-Apps.
- não medido
- Nenhuma fonte lida publicou resultado deste modelo neste benchmark. Não equivale a zero: a célula fica sem número.
- Arena Agent, IPS (%) · Agentes
- Mede o ganho do modelo quando executa tarefas com ferramentas, comparado a uma referência fixa. Valor negativo quer dizer abaixo dessa referência. Cada estimativa sai com intervalo de confiança.
- Nota geral (Índice Epoch, ECI)
- Quão capaz é no conjunto? Nota que a Epoch AI calcula juntando vários testes independentes. Quanto maior, mais capaz o modelo no geral.
- Raciocínio (GPQA Diamond)
- Resolve perguntas difíceis de ciência? Prova com perguntas de nível de doutorado em biologia, física e química. Mostra a porcentagem de acertos.
- Programação (Arena WebDev)
- Programadores preferem o código dele? Pessoas comparam, sem saber qual é qual, o código que dois modelos escrevem e votam no melhor. Quanto maior a pontuação, mais vezes ele vence.
- Conversa (Arena Text)
- As pessoas preferem as respostas dele? Pessoas fazem a mesma pergunta a dois modelos anônimos e votam na melhor resposta. Quanto maior a pontuação, mais vezes ele vence.
- Imagens (Arena Vision)
- Entende bem imagens? Mesma votação às cegas da conversa, com perguntas sobre imagens.
- Quebra-cabeças (ARC-AGI-2)
- Resolve problemas que nunca viu? Quebra-cabeças visuais feitos para medir a capacidade de aprender uma regra nova a partir de poucos exemplos.
- Prova muito difícil (Humanity's Last Exam)
- Acerta questões no limite do conhecimento humano? Milhares de questões escritas por especialistas para serem difíceis até para os melhores modelos.
- Correção de código (SWE-bench Verified)
- Corrige problemas reais em projetos de software? Problemas reais de projetos de código aberto; conta quantos o modelo resolve sem ajuda.
- Tarefas no terminal (Terminal-Bench)
- Opera um computador pela linha de comando? Tarefas de engenharia executadas no terminal, do começo ao fim, sem intervenção humana.
- Pedaço de texto · token
- A unidade que os fabricantes cobram. Um milhão de tokens equivale a centenas de milhares de palavras.
- Preço para enviar texto · Entrada (input), US$ por milhão de tokens
- Quanto custa o texto que você manda ao modelo: pergunta, instruções e documentos.
- Preço da resposta · Saída (output), US$ por milhão de tokens
- Quanto custa o texto que o modelo escreve de volta. Costuma ser mais caro que o envio.
- Preço médio de uso · Preço combinado 3:1 (três partes de entrada para uma de saída)
- Uma média que pesa o envio três vezes mais que a resposta, que é a proporção comum de uso.
- Dólar oficial do dia · PTAX de venda do Banco Central
- Os valores em reais usam a cotação oficial que o Banco Central publica todo dia útil, sem IOF nem spread do banco.
- Quanto texto lê de uma vez · Janela de contexto (tokens)
- O tamanho máximo de conversa e documentos que o modelo consegue considerar numa única pergunta.
- Código aberto · Pesos abertos
- O fabricante publica o modelo para baixar e rodar em servidor próprio. A licença diz o que é permitido.
Perguntas frequentes
Respostas com os números deste snapshot, os mesmos da ficha, da tabela de preços e do custo por caso.
O Muse Spark Open aceita até 1.048.576 tokens de entrada (fonte: Meta Model API, Muse Spark Open). A saída máxima é de 131.072 tokens por resposta. Snapshot de 19 out 2026.
Continue no comparativo
A tabela com todos os modelos lado a lado, as páginas por caso de uso e modelos parecidos com este.
Comparativo e casos de uso
- Comparativo completo de modelos de IATodos os modelos
- Quanto custa um chatbot de IA por mês, em reaisChatbot
- Custo de RAG por documento e por mês, em reaisChat com documentos
- Melhor modelo de IA para agentes: custo em reais e qualidadeAgentes
- Melhor IA para programação: custo em reais e benchmarksProgramação
Modelos parecidos
- Muse Spark 1.3mesmo fabricante
- Muse Glimmer-30Bmesmo fabricante
Quer colocar este modelo para trabalhar no seu caso?
A X-Apps desenha, opera e governa soluções com estes modelos. A escolha depende da sua carga, do seu dado e do seu risco.