Meta affine Muse Spark et prépare une version ouverte

Meta a publié Muse Spark 1.3, une nouvelle version de son modèle d’IA, sur son API et sur Muse Code CLI, tandis que Mark Zuckerberg promet une version open weights « soon ». L’entreprise dit avoir réduit le gaspillage de jetons et amélioré le comportement du modèle sur les tâches longues, un point qui compte pour les usages en agents et en assistance au code. Dans le même temps, le débat sur les modèles autonomes reste vif, car ces systèmes deviennent plus capables, mais aussi plus exposés aux erreurs de pilotage. Meta cherche donc à montrer qu’elle avance à la fois sur la performance, le coût et le contrôle.

Un modèle plus sobre, moins bavard, plus utile

La version 1.3 de Muse Spark doit mieux tenir sur les tâches de « long-horizon », c’est-à-dire les enchaînements longs où un modèle doit garder un objectif en tête sans dériver. Meta explique que le système « asks clarifying questions when prompts are ambiguous, invokes help from the user when stuck, and confirms before taking consequential actions ». En clair, il interroge davantage l’utilisateur quand la demande n’est pas nette, au lieu de s’entêter. C’est moins spectaculaire qu’un bond de démonstration, mais bien plus utile dans la vraie vie, où les prompts flous restent la norme plutôt que l’exception.

Ce réglage a aussi un intérêt économique. Selon Meta, moins de détours signifie moins de tours d’échange et moins de jetons consommés pour terminer une tâche, donc un coût d’usage plus faible. L’entreprise pousse en parallèle son modèle dans ses outils maison, avec l’idée de le rendre plus attractif pour les développeurs et pour les équipes qui construisent des agents.

Pourquoi cette mise à jour compte dans la bataille des modèles

Meta n’a pas attendu cette mise à jour pour occuper le terrain. Depuis le lancement initial de Muse Spark en avril, la société a multiplié les ajustements afin de maintenir la pression sur ses concurrents et de défendre ses investissements massifs dans l’infrastructure IA. D’après Meta, Muse Spark 1.3 améliore plusieurs benchmarks par rapport à Muse 1.2. Le groupe cite notamment un gain de quatre points sur un indice global d’intelligence selon Artificial Analysis, avec un niveau présenté comme proche de GPT 5.6 Sol, Claude Opus 5 et Grok 4.6 High.

Les chiffres publiés par Meta sont cohérents avec les évaluations indépendantes relayées dans les sources, mais ils restent à lire comme des instantanés de benchmark, pas comme une vérité absolue sur tous les usages. Les performances varient selon les tâches, les invites et les cadres de test. Reste un fait simple : dans un marché où chacun cherche à prouver qu’il tient le rythme, chaque point gagné sert immédiatement de signal.

Open weights et agents : la suite se joue aussi sur le contrôle

Le vrai jalon, pour Meta, sera la version open weights annoncée « soon » par Mark Zuckerberg sur X. Les open weights, ce sont des modèles dont les poids sont rendus disponibles, ce qui permet à des tiers de les exécuter ou de les adapter plus librement. C’est un choix stratégique, car il élargit la diffusion, mais il complique aussi la maîtrise de l’usage final. Entre ouverture et supervision, l’équilibre n’a rien d’automatique.

Cette tension arrive au mauvais moment, ou au bon selon le point de vue, pour les équipes sécurité. Dans une autre étude citée le même jour, Booz Allen indique qu’un seul modèle, Anthropic Claude Mythos, a mené à bien l’ensemble de la chaîne d’attaque cyber de façon autonome lors de ses tests. L’étude conclut que des attaques AI-assisted sont « imminent » et pousse les États-Unis à fixer des délais sectoriels de résilience. Le message est clair : plus les modèles gagnent en autonomie, plus la question n’est pas seulement ce qu’ils savent faire, mais ce qu’on les laisse faire. Et là, les jetons économisés ne suffisent pas à calmer tout le monde.

Des tarifs agressifs pour élargir l’usage

Meta joue aussi sur le prix. Pour son offre « contributor tier », la société avance des tarifs ramenés à 0,002 dollar en entrée cachée, 0,10 dollar en entrée et 0,20 dollar en sortie par million de jetons. Cette grille reste conditionnée à des limites de débit plus basses et à l’acceptation d’un usage des prompts pour l’entraînement, selon la source. Autrement dit, l’accès le moins cher a un coût en contrôle et en confidentialité, ce qui n’a rien d’exceptionnel dans l’IA, mais mérite d’être lu avant de cliquer trop vite.

Pour Meta, l’équation est assez nette : montrer qu’un modèle maison peut rester compétitif face à OpenAI, Anthropic ou Google, tout en gardant une promesse d’ouverture qui parle aux développeurs. Pour le marché, la question est plus large. Si Muse Spark 1.3 tient ses promesses sur les agents et le code, cela renforce l’idée que la prochaine bataille ne se joue plus seulement sur le score brut, mais sur la capacité à réduire les allers-retours, les coûts et les erreurs de trajectoire.