# Muse Spark 1.3 对不用于训练的数据收取 21 倍溢价

**Summary:** Muse Spark 1.3 在提示和生成内容不用于训练时，每百万输出 token 收费 4.25 美元，而 Contributor 路径仅收 0.20 美元。这本质上是数据分类选择，而非简单的价格优惠。

- Canonical: https://markhuang.ai/zh/news/muse-spark-1-3-20-cent-output-data-clause
- Language: zh-CN
- Author: [Mark Huang](https://markhuang.ai/about)
- Published: 2026-09-02
- Section: News
- Tags: Muse Spark 1.3, Meta Model API, AI 编程, AI 定价, 数据隐私
- Source: [Meta for Developers](https://developer.meta.com/ai/models/muse-spark/)
- License: https://creativecommons.org/licenses/by-nc/4.0/

---

![一串发光的数据块分流至一个开放的玻璃容器和一个密封的黑色保险库](https://cdn.markhuang.ai/news/muse-spark-1-3-20-cent-output-data-clause/hero.webp)

*Muse Spark 1.3 提供了通往同一模型家族的两条路径。便宜的那条路允许 Meta 把你的提示和生成内容拿去训练；标准路径则不允许。*

[Meta 的 Muse Spark 1.3 页面](https://developer.meta.com/ai/models/muse-spark/)宣传这个模型的 Agent 和编程能力都更强了，上下文窗口达到百万 token。但我一直盯着下面的定价表。Contributor 层级每百万输入 token 收费 0.10 美元，输出 token 为 0.20 美元，而标准层级则分别为 1.25 美元和 4.25 美元。

这个折扣改变了产品决策的含义。Meta 的[定价文档](https://dev.meta.ai/docs/pricing-rate-limits)明确指出，标准路径的提示和生成内容不会用于训练 Meta 模型。Contributor 则授予 Meta 使用这些数据训练未来模型的权限。在我看来，这是两种数据策略，只是恰好跑在同一个模型上。它们不该被塞进下拉菜单里，仿佛价格是唯一区别。

这个差距很难忽视。标准路径的输入成本高出 12.5 倍，输出成本高出 21.25 倍，缓存输入成本更是高达 75 倍。Contributor 确实能省下真金白银。但工作负载是否适合这条路，就是另一回事了。

## Agent 能力再强，部署选择依然存在

Meta [于 2026 年 9 月 2 日发布了 Muse Spark 1.3](https://research.meta.ai/blog/introducing-muse-spark-1-3)，适用于 Muse Code 和 Meta Model API。官方说这个模型处理长任务和冲突上下文更稳，卡住了会主动求助，执行关键操作前会先确认。Meta 工程师的对比测试显示，它比 Muse Spark 1.2 少用了约 20% 的工具调用和 25% 的 token。

每一次多余的交互都在烧延迟、烧钱，所以这些改进有实际意义。官方基准图还显示，Muse Spark 1.3 在最大推理模式下，DeepSWE v1.1 拿到 75.4，Terminal-Bench 2.1 拿到 88.8。我不会光看这两个分数就下结论。数据来自 Meta 自己挑的对比，而且发布文章说最大推理模式还要等额外安全测试才能上线。图表里最强的那个模式，发布当天根本用不到。

独立测试还落后一个版本。[Artificial Analysis 对 Muse Spark 1.2 的测量](https://artificialanalysis.ai/articles/muse-spark-1-2)显示，其 Intelligence Index 每任务成本为 0.40 美元，但也发现每任务的输入 token 比 1.1 版本多出约 53%，输出 token 多出 36%。token 价格不等于任务价格。我在[最近关于 token 标价的文章](https://markhuang.ai/news/token-sticker-price-is-a-trap)里也提过同样的观点：有用的计量单位是能通过审核的结果。

## 折扣代表的是授权，而非次等模型

Meta 为标准版和 Contributor 版的模型 ID 列出了相同的 1,048,576 token 上下文窗口。公开的区别只在于 Meta 如何处理这些流量。

| 端点                           | 训练用途                    | 每百万输入 | 每百万输出 |
| ---------------------------- | ----------------------- | ----- | ----- |
| `muse-spark-1.3`             | 提示和生成内容不会用于训练 Meta 模型   | $1.25 | $4.25 |
| `muse-spark-1.3-contributor` | 提示和生成内容可能用于训练未来 Meta 模型 | $0.10 | $0.20 |

Contributor 层级有它的好用途。公共开源仓库、合成测试用例、基准测试框架、一次性原型——这些能产生大量有用流量，又不会暴露需要保护的材料。低价让大规模实验更容易批下来。

私有仓库、客户记录、事件日志、未发布的产品计划，以及任何可能包含凭证的提示，都得走标准路径。编码 Agent 会拼命抓取上下文。一个以无害 bug 描述开头的请求，跑完之前可能已经拉进了源文件、终端输出、配置和问题历史。端点决策覆盖整个 Agent 循环，远不止开发者敲下的那句话。

> **Info:**
>
> 我的规则很简单：只有当我愿意把完整的提示-生成轨迹当作训练数据时，才用 Contributor。如果任务做到一半答案变了，说明一开始选错了端点。

## 上线前，这些细节不能含糊

定价页面把这笔交易说得明明白白，比藏在脚注里强多了。但它没给出数据保留期限、删除流程，也没说清楚哪些记录会被拿去训练、怎么审查。在批准公司仓库走 Contributor 之前，我得先拿到这些答案。

而且授权选择被做成了模型标识符。这确实方便自动化，但也容易配错。复制的环境变量或备用路由，可能在不改代码的情况下，就把敏感任务挪到了折扣端点。成本仪表盘在欢呼省钱，数据边界却在悄悄移动。

我会在基础设施层面把两个层级分开，用不同的项目凭证和预算标签。Contributor 工作负载需要明确的白名单。我还会记录每个任务由哪个模型 ID 处理。脱敏确实有帮助，但不该扛起全部策略责任。即使明显的机密被删了，Agent 还是可能泄露敏感结构。

## 数据合适，价格就合适

Muse Spark 1.3 看起来够格一试，Meta 报告的效率提升让测试更有价值。Contributor 的价格让大规模实验便宜得离谱。但这两点都不会让训练授权变成次要的计费细节。

公共仓库和合成数据我会刻意用便宜的层级，但一旦 Agent 可能碰到任何我不想公开的东西，就老老实实付标准价。这听起来很保守，直到 21.25 倍的输出成本差距出现在预算会上。到那时，这就成了定价表设计要逼你做出的决定：公司愿意省多少钱，又愿意贡献哪些数据？