MODEL VARLIĞI
Muse Spark 1.1
Muse Spark 1.1, Meta'nın 9 Temmuz 2026'da duyurduğu sürümdür; duyuru modeli ilk Muse Spark'ın (8 Nisan 2026) üzerine kurulan "önemli bir yükseltme" olarak tanıtır, yani ailenin ilk kamuya açık sürümü değildir. Duyuruda ajan tabanlı akıl yürütme, araç kullanımı, birden çok uygulama arasında bilgisayar kullanımı, kodlama ve çoklu ajan orkestrasyonu öne çıkarılır; aynı gün Meta AI uygulamasında ve meta.ai üzerinde "Thinking" modunda kullanıma açılmıştır. Meta, Kimyasal-Biyolojik, Siber Güvenlik ve Kontrol Kaybı risk kategorilerinde modelin "güvenli sınırlar içinde" çalıştığını bildirir. Duyuruda adı geçen "Meta Internal Coding Bench" için sayısal puan verilmemiştir; bu nedenle kodlama iddiası doğrulanabilir bir ölçüme dayanmaz.
Künye
Kapalı- Geliştirici
- Meta
- Model tipi
- Çok modlu LLM
- Bağlam
- 1M token (1.048.576)
- Modaliteler
- metin · görsel · video · ses · kod
- Açık ağırlık
- Yok
- Lisans
- Tescilli
- Yönetilen API
- Var
- Yayın
- 2026-07-09
Son doğrulama: 12 Eylül 2026
Yetenekler
- 1.048.576 token (1M) bağlam penceresi
- Metin, görsel, video, ses ve PDF girdisi
- Birden çok uygulama arasında bilgisayar kullanımı (computer use)
- Çoklu ajan orkestrasyonu ve araç kullanımı
- Bağlam yönetimi ve sıkıştırma
- OpenAI uyumlu paketle çağrılabilir
Sınırlılıklar
- Yerini Muse Spark 1.2 ve 1.3 aldı; önerilen sürüm değildir
- Ucuz contributor kademesi bu sürüm için sunulmaz; yalnızca standart fiyatla çağrılır
- Duyuruda benchmark adları geçtiği hâlde sayısal puan yayımlanmamıştır
- Çıktı yalnızca metindir
- Bilgi kesme tarihi ve azami çıktı token sayısı resmi dokümantasyonda belirtilmemiştir
- Mimari ve parametre sayısı açıklanmamıştır
Tipik kullanım alanları
- Mevcut 1.1 tabanlı entegrasyonların sürdürülmesi
- Sürümler arası davranış karşılaştırması
- Bilgisayar kullanımı ajanı denemeleri
- Uzun bağlamlı çok modlu analiz
Benchmark politikası
Bu sayfada skor tablosu yer almaz. Sinaptik Lab, yalnızca test verisi, model sürümü, örnekleme ayarları ve örneklem sayısı yayımlanmış ölçümleri raporlar. Metodoloji
BUILD
Hangi modeli seçeceğinize karar veremiyor musunuz?
Kendi görev setiniz üzerinde kalite, gecikme, maliyet ve uyum kısıtlarını birlikte ölçüyoruz.