Meta Muse Spark 1.1 auf dem Mac: Einordnung nach Muse Spark 1.3

Neuere Version: Dieser Artikel beschreibt Meta Muse Spark 1.1. Die neuere Version Muse Spark 1.3 ist inzwischen verfügbar.

Aktueller Stand

Stand 9. Oktober 2026: Meta listet muse-spark-1.1 noch in der Modell-API, führt aber Muse Spark 1.3 als aktuelle Generation. 1.3 wurde am 2. September 2026 vorgestellt; die ältere 1.2-Version ist weiterhin abrufbar. Meta Research · Meta Model API

Für Mac-Nutzer ändert sich an der wichtigsten Aussage nichts: Muse Spark ist kein lokales Apple-Silicon-Modell. Der Mac stellt Terminal, Editor, Browser oder Agent-Client bereit. Die Modellinferenz läuft remote über die Meta Model API oder einen Gateway-Anbieter.

Wenn du …	Dann ist die sinnvolle Entscheidung …
ein neues Coding-Projekt startest	zuerst Muse Spark 1.3 vergleichen
einen bestehenden 1.1-Slug reproduzieren musst	muse-spark-1.1 gezielt festpinnen
offline oder ohne Upload arbeiten musst	ein lokales Modell verwenden
Computer Use oder Tool-Calling einsetzt	Berechtigungen und Ausführung separat testen
ein OpenAI-kompatibles Tool besitzt	die dokumentierte Meta API oder Vercel AI Gateway prüfen

Was sich seit Muse Spark 1.1 verändert hat

Meta veröffentlichte Muse Spark 1.1 am 9. Juli, 1.2 am 5. August und 1.3 am 2. September 2026. Laut Meta liegt der Schwerpunkt von 1.3 auf Coding, mehrstufigen Agentenläufen und weniger unnötigen Tool-Schritten. Für neue Projekte ist deshalb 1.3 der sinnvollere erste Testkandidat. Meta Research · Meta Model API.

Die älteren 1.2-Benchmarks können historische Verbesserungen gegenüber 1.1 zeigen, sind aber kein aktueller Nachweis für die Qualität von 1.3. Auch Metas neuere Leistungsangaben sind Anbieterergebnisse, keine auf Apple Silicon durchgeführten Messungen. Bei einem Wechsel Modell-ID, Tier und denselben Aufgabensatz festhalten.

Was 1.1 tatsächlich war

Meta beschreibt Muse Spark 1.1 als multimodales Reasoning-Modell für agentische Aufgaben, Coding, Tool-Nutzung und Computer Use. Die Modellseite führt unter anderem Bild- und Dokumentverständnis sowie länger laufende Agenten-Workflows auf.¹

Die 1.1-Seite zeigt außerdem veröffentlichte Vergleichswerte, darunter:

• MCP Atlas: 88,1
• Toolathlon-Verified: 75,6
• OSWorld-Verified: 80,8
• Terminal-Bench 2.1: 80,0
• SWE-Bench Pro: 61,5
• CharXiv Reasoning: 88,4

Diese Werte stammen aus Metas veröffentlichter Vergleichsdarstellung. Sie sind keine Messung auf einem Mac und nicht vollständig mit jedem Konkurrenzwert unter identischen Bedingungen vergleichbar.¹²

API-Zugriff vom Mac

Die aktuelle Meta-Dokumentation nennt https://api.meta.ai/v1 als Base-URL, ein 1.048.576-Token-Kontextfenster und OpenAI- sowie Anthropic-kompatible Oberflächen.³ Für 1.1 lautet die Modell-ID:

muse-spark-1.1

Ein bestehendes Tool muss dabei nicht lokal „Muse Spark installieren“. Es sendet seine Anfragen an die API. Vor dem produktiven Einsatz solltest du prüfen:

1. ob dein Konto für den 1.1-Preview-Zugang freigeschaltet ist,
2. ob dein Client die gewünschte API-Oberfläche unterstützt,
3. welcher Modell-Slug tatsächlich in der Request landet,
4. ob Dateien, Bilder und Tool-Ausgaben den Mac verlassen,
5. wie Retries, Cache und lange Ausgaben abgerechnet werden.

Vercel AI Gateway führt meta/muse-spark-1.1 ebenfalls mit 1M Kontext sowie 1,25 US-Dollar Input- und 4,25 US-Dollar Output-Preis pro Million Tokens.⁴ Gateway-Verfügbarkeit und Providerbedingungen können sich von der direkten Meta-API unterscheiden.

API-Schlüssel gehören in eine lokale Umgebungsvariable oder einen Secret Store, nicht in Artikelcode, Git oder ein Frontend-Bundle.

Datenverwendung und Kosten

Die aktuelle Meta-API-Seite unterscheidet zwei Nutzungsarten. Für das Standard-Modell muse-spark-1.1 nennt sie 1,25 US-Dollar pro Million Input-Tokens, 0,15 US-Dollar für Cache-Input und 4,25 US-Dollar pro Million Output-Tokens und kennzeichnet es als „not used to improve our products“.⁵

Das Contributor-Tier ist günstiger, darf laut Meta zum Training künftiger Modelle verwendet werden und wird für muse-spark-1.2-contributor und muse-spark-1.3-contributor angeboten. Das ist keine Nebensache: Für Quelltext, Kundendokumente oder interne Screenshots muss die Tier-Auswahl zur Datenschutzanforderung passen.

Ein 1M-Kontextfenster kann Kosten schnell erhöhen. Begrenze Logs, lade nur relevante Dateien und protokolliere Tokenverbrauch sowie Tool-Aufrufe. Ein Agent, der fünfmal dieselbe Datei einliest, ist teurer als ein einzelner kurzer Chat, auch wenn der Modellpreis gleich aussieht.

Was lokal auf dem Mac bleibt

Lokal	Remote
Editor, Terminal und Agent-UI	Modellgewichte und Inferenz
lokale Dateien vor dem Upload	Prompt, freigegebene Dateien und Tool-Ergebnisse
Tests, Git-Diff und Berechtigungen	Antwort, Reasoning und Modellstatus
lokaler Fallback über Ollama/MLX	Meta- oder Gateway-Abrechnung

Wenn Daten den Mac nicht verlassen dürfen, ist Muse Spark 1.1 nicht die passende Standardlösung. Ein lokales Modell kann dafür die erste Stufe übernehmen; ein Cloud-Modell kommt nur mit redigierter Eingabe oder für unkritische Aufgaben hinzu.

Tatsächliche Tarifentscheidung: Datenrechte und Kosten

Die Meta-Modellliste führt Muse Spark 1.1 nur im Standard-Tarif. Contributor steht für 1.2 und 1.3 zur Verfügung, nicht für 1.1. Nach Metas Preisdokumentation werden Standard-Prompts und -Antworten nicht zum Modelltraining genutzt; im Contributor-Tarif wird die Nutzung zum Training erlaubt.

Preis pro 1 Mio. Tokens	Standard 1.1 / 1.3	Contributor 1.3
Input	1,25 USD	0,10 USD
Cache-Input	0,15 USD	0,002 USD
Output	4,25 USD	0,20 USD

Nachrechenbarer Beispielauftrag, keine echte Rechnung: 2 Mio. nicht gecachte und 0,5 Mio. gecachte Input-Tokens sowie 250.000 Output-Tokens kosten 3,6375 USD in Standard und 0,2510 USD in Contributor 1.3. Der niedrigere Preis kommt mit einer anderen Datenverwendung; er ist kein Austausch ohne Datenschutzfolgen. Auch Standard bedeutet nicht automatisch EU-Datenresidenz oder DSGVO-Konformität.

python3 - <<'PY'
usage = dict(uncached_m=2.0, cached_m=0.5, output_m=0.25)
rates = {
    "Standard 1.1 / 1.3": (1.25, 0.15, 4.25),
    "Contributor 1.3": (0.10, 0.002, 0.20),
}
for label, (inp, cached, out) in rates.items():
    usd = usage["uncached_m"] * inp + usage["cached_m"] * cached + usage["output_m"] * out
    print(f"{label}: USD {usd:.4f}")
PY

Audio bei der Migration beachten: Die Meta-Dokumentation weist ausdrücklich darauf hin, dass Audioverständnis bei Muse Spark 1.3 derzeit eingeschränkt ist; für Audio empfiehlt Meta 1.2 oder ein dediziertes Transkriptionsmodell. Wer von 1.1 migriert, sollte Text-, Bild- und Audio-Aufgaben getrennt testen.

Ein reproduzierbarer Vergleich

Vergleiche die Modelle mit fünf Aufgaben aus deinem tatsächlichen Workflow:

• eine Änderung über mehrere Dateien,
• einen reproduzierbaren Fehler mit Tests,
• eine Tool-Calling-Aufgabe mit absichtlich fehlender Berechtigung,
• eine lange Dokument- oder Repository-Frage,
• eine Aufgabe, bei der das Modell zuerst Rückfragen stellen sollte.

Halte Modell-ID, API-Oberfläche, Tier, Prompt, Kontextgröße, Kosten, Laufzeit, Tool-Rechte und manuelle Korrekturen fest. Prüfe anschließend Tests und Git-Diff. Gerade bei Computer Use darf „Antwort sieht plausibel aus“ nicht als Erfolgsnachweis gelten.

Fazit: Cloud-Slug zwischen alten und neuen Versionen

Muse Spark 1.1 bleibt ein dokumentierter Cloud-Slug, aber nicht mehr die aktuelle Produktreferenz von Meta. Für neue Mac-Projekte zuerst Muse Spark 1.3 testen; 1.1 bleibt für Kompatibilität oder historische Messungen relevant. Keine der drei Versionen führt die Modellinferenz lokal auf Apple Silicon aus. Für private oder offlinepflichtige Daten brauchst du einen lokalen Fallback.

Quellen

Footnotes

1. Meta: Muse Spark 1.1 – Status, Fähigkeiten und veröffentlichte Vergleichswerte. ↩ ↩²

2. Meta: Introducing Muse Spark 1.1 – ursprüngliche Produkteinführung. ↩

3. Meta Model API Docs – Base-URL, kompatible API-Oberflächen und Kontextfenster. ↩

4. Vercel AI Gateway: Muse Spark 1.1 – Gateway-Slug, Providerdaten und Preise. ↩

5. Meta Model API – Modell-IDs, Standard-/Contributor-Tier und Preise. ↩