Muse Spark 1.1 : notre avis sur l’API Meta 75 % moins chère

Muse Spark 1.1, le premier modèle d’IA de pointe payant de Meta, est facturé $1.25 par million de tokens en entrée et $4.25 par million en sortie, soit environ un quart des tarifs demandés par OpenAI et Anthropic pour leurs offres haut de gamme. Il domine tous les benchmarks d’utilisation d’outils auxquels il a été soumis, mais reste derrière Claude Opus 4.8 sur les tâches de code les plus difficiles — précisément le terrain que son nom met en avant.

Notre verdict

Muse Spark 1.1 offre aujourd’hui le meilleur rapport qualité-prix parmi les modèles de pointe pour l’utilisation d’outils. En revanche, ce n’est pas le modèle à choisir pour des tâches de code complexes menées sur la durée. Ces deux constats sont indissociables, même si le marketing ne retient que le plus flatteur.

L’avantage tarifaire est bien réel. À $1.25 en entrée et $4.25 en sortie par million de tokens, une boucle d’agent riche en sorties qui coûte $30 par million avec GPT-5.6 Sol revient à $4.25 avec Muse Spark, soit environ sept fois moins. Dans les benchmarks de lancement de Meta, le modèle surclasse largement Opus 4.8, GPT-5.5 et Gemini 3.1 Pro sur MCP Atlas et JobBench, les deux tests d’utilisation d’outils à grande échelle. Si votre produit consomme l’essentiel de ses tokens à orchestrer des outils, appeler des serveurs MCP et coordonner des sous-agents, c’est aujourd’hui le moyen le moins cher de confier ce travail à un modèle de tout premier plan.

La réserve tient à ce que suggère le nom « Spark ». Meta présente cette gamme comme dédiée au code et concentre l’essentiel de sa communication sur cet usage. Pourtant, dans les benchmarks indépendants, le modèle termine au milieu du peloton : troisième pour le code agentique dans un terminal, troisième pour le code agentique de longue durée et derrière Opus 4.8 sur des tâches variées d’ingénierie logicielle. Ses poids sont par ailleurs fermés, ses sorties limitées au texte et sa préversion publique réservée aux développeurs aux États-Unis, sur liste d’attente.

Adoptez-le dès maintenant si vous déployez à grande échelle des workloads d’utilisation d’outils ou d’orchestration d’agents et que le coût par token est votre principale contrainte. Restez sur Opus 4.8 ou GPT-5.6 Sol si vos agents codent de façon autonome sur de longues séquences où la moindre erreur coûte cher. Voici le détail des tarifs, les benchmarks que la publication de Meta minimise et la règle simple qui permet de trancher.

Muse Spark 1.1, c’est quoi exactement ?

Muse Spark 1.1 de Meta AI est le deuxième modèle de Meta Superintelligence Labs. Lancé le 9 juillet 2026, c’est aussi le premier modèle Meta auquel les développeurs externes peuvent accéder via une API payante. Ce modèle de raisonnement multimodal est conçu pour les tâches agentiques : il planifie des missions en plusieurs étapes, pilote des outils externes et délègue à des sous-agents au lieu de se contenter de répondre à une question. Sa fenêtre de contexte atteint 1,048,576 tokens — plus d’un million — et il compacte activement le travail antérieur afin de préserver de la place pour les étapes suivantes. Une grande partie de sa proposition de valeur repose sur les serveurs MCP, le standard ouvert qui permet à un modèle d’appeler des outils et des sources de données externes via une interface unique. Un même agent peut ainsi piloter un tableur, un navigateur et une API interne sans couche d’intégration spécifique pour chacun.

Deux choix marquent une rupture avec la stratégie passée de Meta. D’abord, le modèle est propriétaire et ses poids sont fermés : impossible de le télécharger ou de l’auto-héberger, contrairement à la famille ouverte Llama qui a fait la réputation de Meta dans l’open source. Zuckerberg a résumé ce virage sans détour : « Puisqu’il ne s’agit pas d’un modèle open source, c’est, je crois, la première fois que nous lançons une API vraiment sérieuse. » Si des poids ouverts sont indispensables pour l’auto-hébergement ou le fine-tuning, Muse Spark est à écarter ; consultez plutôt notre sélection des meilleurs modèles à poids ouverts. Ensuite, l’accès grand public est gratuit : le modèle fonctionne en mode « Thinking » dans l’application Meta AI et sur meta.ai avec un compte Meta. Chacun peut donc l’essayer avant de décider si l’API payante mérite une place dans son stack.

Une caractéristique compte davantage que le discours marketing : le modèle accepte du texte, des images et de l’audio en entrée, mais ne produit que du texte. Il ne génère ni image ni audio. Ces usages relèvent d’une autre gamme Meta, Muse Image et Muse Video. Muse Spark est le cerveau d’un agent, pas un générateur de médias ; l’aborder autrement conduit à de mauvaises attentes.

Côté agents, les capacités annoncées sont bien là : mode planification, pilotage par objectifs, délégation à des sous-agents et compaction du contexte. Meta affirme aussi que le modèle peut se généraliser sans entraînement préalable à de nouveaux outils natifs, serveurs MCP et skills personnalisés, sans réglage propre à chaque intégration. Les premiers partenaires confirment cette orientation. Saoud Rizwan, CEO de Cline, estime que Meta « conçoit clairement son modèle pour du code agentique sérieux, avec une solide utilisation des outils et un niveau de prix qui rend viables de vrais workloads de développement à grande échelle ». Amjad Masad, chez Replit, salue ses « capacités de code de premier plan, en particulier pour le frontend et le design », ainsi que son format compatible avec OpenAI. Il faut toutefois confronter ces témoignages aux benchmarks indépendants ci-dessous, car les chiffres sont plus nuancés que les recommandations.

Tarifs : la promesse « 75 % moins cher » décryptée

La Meta Model API facture $1.25 par million de tokens en entrée et $4.25 par million en sortie, avec $20 de crédits gratuits pour chaque nouveau compte. Les entrées mises en cache tombent à $0.15 par million, tandis que l’outil intégré d’ancrage via la recherche web coûte $2.50 pour 1,000 requêtes. L’interface est compatible avec le SDK OpenAI et prend en charge les sorties structurées, les appels d’outils en parallèle et la mise en cache des prompts. L’intégrer à un stack existant se résume donc presque à modifier une URL de base.

Dire que le tarif représente « environ un quart de celui des concurrents » est juste pour le segment des modèles les plus avancés. Voici comment il se situe face aux modèles auxquels Meta le compare, sur la base des tarifs actuels.

Le haut du tableau confirme la promesse : chez Muse Spark, un token de sortie coûte 5.9 fois moins cher que chez Opus 4.8 et 7 fois moins cher qu’avec GPT-5.6 Sol, tandis qu’un token d’entrée revient exactement 4 fois moins cher que chez l’un ou l’autre. Voilà l’origine de l’accroche « 75 % de réduction ». Pour un modèle de cette catégorie, la rupture tarifaire est réelle.

Le bas du tableau impose toutefois une nuance importante. Muse Spark n’est pas le modèle le moins cher du marché. Son token d’entrée à $1.25 coûte plus que celui de Claude Haiku 4.5 à $1 et celui de GPT-5.6 Luna à $1, et son tarif de sortie ne passe que légèrement sous celui de ces offres économiques. La formulation honnête n’est donc pas « l’API d’IA la moins chère », mais « des capacités de pointe au prix d’une gamme économique pour les sorties ». Pour de l’extraction ou de la classification en contexte court, avec des relances peu coûteuses, Haiku 4.5 ou Luna restent plus avantageux sur le seul coût d’entrée, sans que le plafond de Muse Spark soit nécessaire. Son intérêt apparaît précisément lorsqu’il faut le cerveau d’un agent de haut niveau et que la facture provient surtout des sorties.

Les benchmarks que Meta met peu en avant

La publication de lancement de Meta insiste sur des évaluations internes, notamment son Meta Internal Coding Bench, qu’aucun acteur extérieur ne peut reproduire. Les comparaisons tierces sont plus instructives et racontent une histoire plus tranchée que le marketing ou les citations des partenaires. Le modèle OpenAI évalué ici est GPT-5.5 ; GPT-5.6 Sol conserve le même tarif de $5/$30, la comparaison de prix ci-dessus reste donc valable dans les deux cas.

La tendance devient évidente une fois les lignes regroupées. Sur les quatre tests consacrés à l’utilisation d’outils et au raisonnement assisté par des outils, Muse Spark 1.1 en remporte trois ; sur le quatrième, il ne s’incline que de six dixièmes de point face à Opus. Sur JobBench, son avance face à Gemini (54.7 contre 15.9) et à GPT-5.5 (38.3) est écrasante. Le modèle a été optimisé pour planifier et orchestrer de nombreux outils, et les résultats confirment ce choix.

Sur les trois lignes dédiées au code, le classement s’inverse. Muse Spark termine troisième à Terminal-Bench 2.1 avec 80.0, derrière GPT-5.5 à 83.4 et Opus 4.8 à 82.7. Il se classe également troisième sur DeepSWE 1.1, le test de longue durée, avec 53.3 face à 67.0 pour GPT-5.5 et 59.0 pour Opus 4.8. Sa seule victoire côté code se trouve sur SWE-Bench Pro : son score de 61.5 dépasse GPT-5.5, mais reste inférieur aux 69.2 d’Opus 4.8. L’analyse de DataCamp rejoint ces résultats : son travail agentique de longue durée « reste faible par rapport à GPT-5.5 et Opus 4.8 ». Pour une gamme baptisée « Spark » et promue pour le développement, c’est la réserve à ne pas oublier. Il s’agit d’un bon modèle de code, capable de battre un concurrent de pointe mais pas l’autre, doublé de scores d’utilisation d’outils qui dominent réellement le marché.

Face à Gemini 3.1 Pro en particulier — la comparaison qui revient le plus souvent — le duel est déséquilibré sur les outils : Muse Spark devance Gemini dans chaque test d’utilisation d’outils, et DeepSWE tourne à la démonstration avec 53.3 contre 12.0. Les arguments de Gemini doivent se chercher du côté du prix et de l’écosystème, pas de ces tâches.

Quand choisir Muse Spark 1.1 — et quand l’éviter

La bonne question n’est pas « est-il performant ? ». Il l’est. Il faut plutôt déterminer si votre workload se situe à l’intersection de son avantage fonctionnel et de son avantage tarifaire.

La règle est simple : si votre facture de tokens vient surtout des sorties et que vos agents passent davantage de temps à utiliser des outils qu’à écrire de vastes bases de code inédites, passez à Muse Spark 1.1. Si une seule erreur dans une longue exécution autonome peut coûter cher, payez Opus 4.8 ou Sol et réservez Muse Spark aux étapes moins chères et centrées sur les outils. De nombreux systèmes en production finiront par router les tâches : Muse Spark pour l’orchestration à fort volume, un modèle de code haut de gamme pour les implémentations difficiles. La compatibilité de son API avec OpenAI réduit ce routage à un changement de configuration, sans réécriture.

FAQ

Muse Spark est-il gratuit ?

L’utilisation grand public est gratuite : Muse Spark 1.1 fonctionne en mode Thinking dans l’application Meta AI et sur meta.ai avec un compte Meta, sous réserve des limites de débit appliquées côté serveur. La Meta Model API est payante : $1.25 par million de tokens en entrée et $4.25 par million en sortie, avec $20 de crédits gratuits à l’inscription.

Muse Spark 1.1 est-il open source ?

Non. C’est un modèle propriétaire aux poids fermés, contrairement à la famille ouverte Llama de Meta. Zuckerberg a qualifié l’API payante de première « API vraiment sérieuse » de Meta. Le modèle est uniquement servi depuis les plateformes de l’entreprise et n’est pas publié pour l’auto-hébergement.

Muse Spark est-il meilleur que Gemini 3.1 Pro ?

Pour l’utilisation d’outils, nettement : il devance Gemini sur MCP Atlas (88.1 contre 78.2) et JobBench (54.7 contre 15.9), et l’écrase sur le code de longue durée avec DeepSWE (53.3 contre 12.0). Les arguments de Gemini reposent sur le prix et l’écosystème, pas sur ces tâches.

Muse Spark 1.1 est-il performant pour coder ?

Oui, mais ce n’est pas le meilleur. Il dépasse GPT-5.5 sur SWE-Bench Pro (61.5 contre 58.6), tout en restant derrière Claude Opus 4.8 (69.2). Il termine également troisième sur Terminal-Bench 2.1 comme sur DeepSWE, le test de longue durée. Il est solide pour le code piloté par des outils, moins pour le travail autonome soutenu.

Que peut faire Muse Spark 1.1 ?

Il planifie et orchestre des tâches agentiques dans des applications, outils et serveurs MCP externes, délègue à des sous-agents et gère une fenêtre de contexte de 1M de tokens grâce à la compaction. Il accepte du texte, des images et de l’audio en entrée, mais ne produit que du texte.

Savoir quels modèles intégrer à votre stack — et à quel endroit l’offre économique devient réellement rentable — est désormais tout l’enjeu. La carte gratuite AI Tools Map pour les dirigeants d’entreprise indique quel modèle convient à chaque tâche, sans discours marketing. Vous voulez recevoir les recommandations les plus utiles dès leur sortie ? Inscrivez-vous à la newsletter.