产品臂发货
元超级智能实验室已经超越了研究范畴。 2026 年 8 月 5 日，Meta 以约 143 亿美元收购 Scale AI 后建立的单位 Alexandr Wang 发布了其第一个商业产品：Muse Code，这是一种由 Muse Spark 1.2 模型提供支持的基于终端的编码代理。此次发布与其说是关于代理本身，不如说是关于它在结构上所代表的内容——Meta 现在正在运行与 Google DeepMind 相同的游戏：将研究与产品分开，并将收入任务放在产品方面。
Muse Code 使用单个命令即可在 macOS 和 Linux 上安装。正如 Wang 告诉 CNBC 的那样，“您可以使用一个命令安装它，然后使用它来完成跨各种用例的软件工程任务、规划变更、编写代码、验证结果。”该架构使用持久异步后台代理来并行规划、编写和验证代码，并使用本地仅附加事件日志来记录每个模型调用和编辑，以便重新启动安全执行。它是为跨大型存储库的长期任务而设计的，而不是像 Liquid AI 的 LFM2.5 这样的边缘模型所优化的轻量级自动完成。
在 Meta 发布的基准测试中（这些必须被视为供应商报告的），Muse Spark 1.2 在 Terminal-Bench 2.1 上得分为 82.9%，在 DeepSWE 1.1 上得分为 59.3%，分别比 Spark 1.1 提高了 6.7 分和 6.3 分。这使其在 Meta 自己的图表中排名第二，仅落后于 Claude Opus 5（86.7%）。在人工智能分析智能指数上，它的得分为 54，接近帕累托边界。独立验证尚未发表。
贡献者层就是策略
定价是结构故事的所在。标准的即用即付访问费用为每百万输入代币 1.25 美元，每百万输出代币 4.25 美元——与 Anthropic 的 Haiku 4.5（1 美元/5 美元）和 OpenAI 的 codex-mini（1.50 美元/6 美元）竞争，并且比 Claude Sonnet 4.6（3 美元/15 美元）或 GPT-5（1.25 美元/10 美元）便宜得多。但真正的杠杆是贡献者层：每百万代币大约 0.10 美元/0.20 美元，Wang 形容这是“非常好的选择，特别是从成本角度来看”——大约是 OpenAI 和 Anthropic 收费的 25%。
问题是精美的印刷品。贡献者层的开发人员选择使用他们的提示和完成来改进 Meta 的模型。这不是简单的折扣。这是一个反馈循环：元补贴访问，开发人员大规模生成高质量的编码数据，并且该数据为下一次训练提供数据。用户群成为分布式数据生成引擎。对于一家在人工智能基础设施上花费数百亿美元的公司来说，贡献者层是一种从基础设施资金应该证明合理的产品中提取培训价值的机制。
来自两个方向的定价压力
Meta 的积极进军正在登陆一个双方都在挤压的市场。自下而上，开放权重模型正在侵蚀定价底线。即将发布的 Qwen3.8-Max 开放权重（阿里巴巴拥有 950 亿个活跃参数的 Max 级模型）将加剧这种压力。从上面来看，构建前沿模型的成本持续攀升，迫使每个实验室寻找新的收入机制。 Meta 的答案是通过价格将代理编码层商品化，在开放权重替代方案成熟之前捕获开发人员份额，并使用由此产生的数据飞轮来缩小与 Claude Opus 5 和其他顶级模型的性能差距。
结构性问题是开发商是否会接受交易。贡献者级别的价格比标准定价大约节省 10 倍，但数据保留条款是不可协商的。拥有敏感代码库的企业用户可能会留在标准层或转向其他地方。但对于独立开发者、初创公司和从事非敏感项目的团队来说，经济因素很难忽视。如果有足够多的人采用，Meta 会获得比代币收入更有价值的东西：现实世界软件工程数据的连续流，可以加速模型改进，而无需生成合成数据的成本。
扎克伯格明确表示，创造人工智能收入是抵消 Meta 基础设施发展轨迹的首要任务。 Muse Code 是该任务的第一个有形产品。投资者面临的问题不是代理是否有效（按照供应商报告的水平，它确实有效），而是贡献者层是否能够产生足够的采用率来创建数据飞轮元需求。该公司认为，对于大多数开发人员来说，价格胜过性能，而且这些开发人员生成的数据最终将缩小性能差距。