Both versions are aligned block by block, in reading order: title, the essentials, then paragraph by paragraph. Where the translation merged or split a paragraph, the matching cell stays empty — we never pair two passages by guesswork.
Im Coding-Agenten Muse Code, der auf macOS und Linux läuft, ist Muse Spark 1.3 jetzt öffentlich nutzbar; über die Model API lässt es sich plattformunabhängig ansprechen. Die unabhängige Benchmark-Plattform Artificial Analysis misst der verfügbaren Reasoning-Stufe „xhigh“ 61 Punkte im Intelligence Index zu — damit liegt sie auf Augenhöhe mit GPT-5.6 Sol „max“.
Muse Spark 1.3 is now publicly available through the Muse Code coding agent, which runs on macOS and Linux; it can also be accessed across platforms through the Model API. The independent benchmarking platform Artificial Analysis gives the available Reasoning tier “xhigh” 61 points on the Intelligence Index, putting it on par with GPT-5.6 Sol “max”.
Meta richtet die neue Version auf Softwareentwicklung und allgemeine agentische Aufgaben aus. Gegenüber Muse Spark 1.2 soll Spark 1.3 komplexe Anweisungen zuverlässiger befolgen, mehrere Aufgaben besser gleichzeitig bearbeiten und die Zusammenarbeit mit Nutzern verbessern. Das Modell verarbeitet Text, Bild und Video; sein Kontextfenster bleibt bei einer Million Tokens unverändert.
Meta is targeting the new version at software development and general agentic tasks. Compared with Muse Spark 1.2, Spark 1.3 is designed to follow complex instructions more reliably, handle multiple tasks simultaneously more effectively and improve collaboration with users. The model processes text, images and video; its context window remains unchanged at one million tokens.
Auch Metas eigene Benchmarks zeigen Fortschritte. Auf derselben Reasoning-Stufe „xhigh“ schlägt Spark 1.3 seinen Vorgänger bei GDPVal-AA v2 und Terminal-Bench 2.1 deutlich. Bei GDPVal-AA v2 liegt es praktisch gleichauf mit GPT-5.6 Sol „max“, aber hinter Claude Opus 5 „max“; bei Terminal-Bench 2.1 liegt es knapp vor beiden. Die Vergleichsgrafik im Meta-Blogpost setzt allerdings Spark 1.3 durchgehend mit „max“ gegen Spark 1.2 mit „xhigh“ — bei gleicher Stufe fallen manche Sprünge kleiner aus.
Meta’s own benchmarks also show progress. At the same “xhigh” Reasoning tier, Spark 1.3 clearly beats its predecessor on GDPVal-AA v2 and Terminal-Bench 2.1. On GDPVal-AA v2, it is virtually on par with GPT-5.6 Sol “max”, but trails Claude Opus 5 “max”; on Terminal-Bench 2.1, it narrowly beats both. However, the comparison graphic in Meta’s blog post consistently pits Spark 1.3 with “max” against Spark 1.2 with “xhigh” — at the same tier, some of the gains are smaller.
Artificial Analysis bestätigt den Zuwachs von 57 auf 61 Punkte und sieht die größten Fortschritte bei agentischer Wissensarbeit. Die höhere Stufe „max“ erreicht 62 Punkte, ist zum Start aber noch nicht allgemein verfügbar. Für den zusätzlichen Punkt benötigt sie laut Artificial Analysis etwa bei GDPVal-AA rund 62 Prozent mehr Reasoning-Tokens als „xhigh“; Meta will „max“ nach weiteren Sicherheitstests freischalten.
Artificial Analysis confirms the increase from 57 to 61 points and sees the biggest gains in agentic knowledge work. The higher “max” tier scores 62 points but is not yet generally available at launch. For the additional point, it requires about 62% more reasoning tokens than “xhigh” on GDPVal-AA, according to Artificial Analysis; Meta plans to make “max” available after further safety testing.
Konkret ändert das für Entwickler: Sie können ein leistungsfähigeres Modell für Coding-Aufgaben bereits über Muse Code oder die API einsetzen, ohne auf die angekündigte Veröffentlichung offener Modellgewichte zu warten. Der reguläre Preis bleibt bei 1,25 US-Dollar pro Million Input-Tokens und 4,25 US-Dollar pro Million Output-Tokens. Der Contributor-Tarif kostet 0,10 US-Dollar für Input, 0,20 US-Dollar für Output und 0,002 US-Dollar für zwischengespeicherte Eingaben — mit dem klaren Tausch, dass Meta Prompts und Antworten für das Training künftiger Modelle verwenden darf.
For developers, the practical change is that they can already use a more capable model for coding tasks through Muse Code or the API, without waiting for the announced release of open model weights. The regular price remains $1.25 per million input tokens and $4.25 per million output tokens. The Contributor plan costs $0.10 for input, $0.20 for output and $0.002 for cached inputs — with the clear trade-off that Meta may use prompts and responses to train future models.