Meta 最新推出的 Muse Spark 1.1 模型在编程能力上实现对智谱 GLM-5.2 的超越，同时以更低的成本提供了更强的可靠性。根据人工智能评测机构 Artificial Analysis 的数据，该模型在智能指数上获得 51 分，与 GLM-5.2、GPT-5.4 和 GPT-5.6 Luna 并列，三个月内提升了整整 8 分。

在更细分的编程指数上，Muse Spark 1.1 拿到 71.3 分，压过 GLM-5.2 的 68.8 分，仅以 0.1 分之差落后于 GPT-5.6 Luna 的 71.4 分。目前编程能力榜首仍由 GPT-5.6 Sol（77.4 分）和 Terra（76.7 分）占据，Claude Fable 5 以 76.5 分紧随其后。

成本端同样值得关注。Muse Spark 1.1 的单任务成本估算为 0.26 美元，远低于 GLM-5.2 的 0.37 美元和 GPT-5.4 的 0.89 美元。在输出 token 消耗上，Muse Spark 1.1 仅需 9400 万 token，而 GLM-5.2 需要 1.41 亿 token，效率优势明显。

可靠性方面，Muse Spark 1.1 的幻觉率从此前的 73% 骤降至 38%。值得注意的是，这一改善并非因为模型变得更“聪明”，而是其策略发生了变化——现在模型更倾向于拒绝回答不确定的问题，而非给出错误答案。这种“宁可不说，也不说错”的机制在实际应用中往往更受企业用户青睐。

此外，Meta 还将模型的上下文窗口扩大至 100 万 token，是此前的四倍。这意味着模型可以一次性处理更长的文档、代码库或对话历史，对于复杂编程任务和长文理解场景尤为关键。

目前 Muse Spark 1.1 仅通过 Meta 自有 API 提供服务，尚未接入第三方平台。这一发布节点恰逢模型层竞争白热化阶段——各家不仅在基准分数上贴身肉搏，更在单位成本和可靠性上寻找差异化突破口。对于关注 AI 基础设施和应用的投资者而言，Muse Spark 1.1 的性价比表现可能对 API 定价生态产生示范效应，推动行业从“最强模型”叙事转向“最适模型”的务实选择。