何が起きたか
Meta は Muse Spark 1.1 のコーディング特化アップデートとして Muse Spark 1.2 をリリースし、あわせて自社製のコーディングエージェント Muse Code を投入しました。同社の説明によれば、1.2 はコード生成、複雑なデバッグ、コードベースの理解、開発者のエンドツーエンドのワークフローで改善しており、コーディングタスクの学習計算量を大幅に増やしつつ、学習環境の多様性も広げたとしています。汎用エージェントなど他の主要領域の強さは維持したとも述べています。
重要なのは、Muse Spark 1.2 が Muse Code と「共同学習（co-train）」されている点です。Meta は、両者を組み合わせて使ったときにモデルが最良の性能と使い勝手を発揮する、と明言しています。学習には、ハーネス（エージェントの実行環境）の軌跡をリジェクションサンプリングしたデータや、ゴール設定・コンテキストの圧縮（compaction）・サブエージェントに関するレシピ最適化が含まれ、さらに Muse Code のツールセットそのものを統合してハーネス互換性を最大化したとされています。学習対象のタスクも、リポジトリ全体の生成、大規模なエンドツーエンドのプロジェクト、自動リサーチといった「長時間かかる開発作業」に振られています。
なぜ重要か：モデル単体の性能を見る時代の終わり
Simon Willison はこのリリースを、「長い連鎖のエージェント的ツール呼び出し（long-sequence agentic tool calling）が、現在あらゆるモデルの最重要の特性である」ことの証拠だと位置づけています。この見立ては、モデル選定の実務に直結します。
これまでモデル比較は「同じプロンプトを投げて出力を比べる」で成立していました。しかし 1.2 と Muse Code のように、モデルと実行ハーネスが共同学習で最適化されている場合、モデルだけを切り出して別のエージェント基盤に載せると、ベンダーが謳う性能は再現しない可能性があります。ベンチマークの数字ではなく「どのハーネスと組んだときの数字か」を確認しないと、評価を誤ります。
なお同記事では、恒例のベンチマークとして Muse Spark 1.2 が生成した「自転車に乗るペリカン」の SVG が掲載され、著者は7月9日に公開した 1.1 版のペリカンからの改善を「小さいが実質的（small but material）」と評しています。称賛でも失望でもない、この温度感自体が現在のモデル更新の実像を示しています。
価格の二重構造という論点
もうひとつの焦点は、同一モデルが2つのモデルIDで提供されている点です。
- muse-spark-1.2：入力 $1.25／出力 $4.25（100万トークンあたり）。Gemini 3.6 Flash の $1.50／$7.50 に近い水準です。
- muse-spark-1.2-contributor：入力 $0.10／出力 $0.20。GPT-5.6 Luna の $0.20／$1.20、Gemini 3.1 Flash-Lite の $0.25／$1.50 よりさらに安い価格帯です。
差額の条件は、Meta が自社製品の改善のためにユーザーのデータを利用することへの同意です。出力側で見れば $4.25 と $0.20 で20倍以上の開きがあり、これは値引きというより「データの買い取り価格を明示した」に近い設計です。著者はこの新価格を自身が運営する llm-prices.com に追加しています。
これまで多くのベンダーは「APIの入力データは学習に使わない」を暗黙の前提として売ってきました。そこに明示的な価格差が付いたということは、データ提供の対価が市場価格として可視化されたということです。今後、他社が追随すれば、AI 利用コストの議論は「いくら払うか」から「何を払うか（現金かデータか）」に軸が移ります。
💼 事業会社視点：これは自社にどう効くか
まず社内ルールの整備が先です。 contributor 版の $0.10／$0.20 は、出力で20倍以上の差です。月100万円のLLM費用が数万円になり得る水準で、現場のエンジニアが独断で安いモデルIDに切り替える動機は十分あります。SaaS 事業者や受託開発会社にとって、これは顧客のソースコードや業務データが「製品改善のため」に社外へ渡る事故になり得ます。役員がやるべきは、モデル選定を性能だけの技術判断から切り離し、「顧客データを含む処理で使用可能なモデルIDのホワイトリスト」を情報システム部門と法務で確定させることです。受託であれば、顧客との基本契約における再委託・データ提供条項の確認も必要です。
一方で、使い分ければ強力な武器になります。 自社の社内ツール、検証環境、ドキュメント生成、OSS 開発など、外部に出ても支障のない領域には contributor 版を積極的に充てる。機密性の低い作業をこの価格帯に寄せるだけで、AI 開発投資の総額を変えずに試行回数を数倍にできます。「一律に禁止」も「一律に許可」も、どちらも経営判断としては雑です。
さらに、モデルとエージェントの抱き合わせが進む点は調達戦略の問題です。 Muse Spark 1.2 が Muse Code との共同学習で最適化されているように、今後は「モデル単体で乗り換え可能」という前提が崩れます。自社開発基盤がどのハーネスに依存しているかを棚卸しし、乗り換えコストを今のうちに見積もっておくべきです。