摘要：8 月 5 日，Meta 发布首款编码智能体 Muse Code，配套推出专为它训练的 Muse Spark 1.2 模型。它用接近成本线的价格（贡献者档每百万输出 Token 仅 0.2 美元）杀入由 Claude Code 和 Codex 把持的市场。但低价背后有条件：Meta 用你的代码轨迹训练下一代模型。这一招，国内厂商早就玩明白了。
8 月 5 日，Meta 干了件事：发布了自己的第一个编码智能体 Muse Code。
这家手握 Llama 开源权重、拥有全球最大单体代码仓库之一的公司，正式下场和 Anthropic 的 Claude Code、OpenAI 的 Codex 抢开发者了。
单看功能，Muse Code 不算新鲜——终端安装、读取代码库、规划变更、写代码、跑测试验证，这一套是 2026 年编码智能体的标配。真正值得拆解的是两件事：它凭什么定价这么低，以及它用低价换来了什么。
Muse Spark 1.2：和 harness 一起训练的模型
Muse Code 跑在 Meta 专门为它训练的 Muse Spark 1.2 上。这个"专门训练"不是营销话术，而是技术路线上的一个真实变化。
此前大多数编码模型的训练逻辑是：模型先训好，再套一层 agent 框架（harness）让它学会调用工具。Meta 这次反过来——Muse Spark 1.2 在训练阶段就把工具调用、多智能体协作轨迹放进了训练数据里。官方博客的原话是"Muse Code was in the training loop from day one"。
这意味着两件事：
一是工具调用成功率更高。模型在训练时见过"工具调用失败→读报错→修正"的完整轨迹，而不是只在推理时被要求"会用工具"。官方称这带来更高的首次尝试成功率（first-attempt accuracy）和更可靠的工具调用。
二是它对其他 harness 的泛化能力。Meta 强调模型是在多个 harness 上训练的，所以 Muse Spark 1.2 不只在 Muse Code 里好用，也可以塞进你已经在用的其他编码工具。这一点很务实——开发者不会因为 Meta 出了个新工具就换掉自己顺手的那套。
模型本身带 100 万 Token 上下文窗口，可以装下依赖图、遗留代码和上千个文件。这算是长时程任务的入场券，不算碾压级优势——Claude 和 Gemini 系列早已有百万级上下文。
定价：0.2 美元换你的代码轨迹
Muse Code 的定价才是这次发布最值得琢磨的地方。
两档方案：
- 标准档：输入 1.25 美元/百万 Token，输出 4.25 美元/百万 Token——和 Muse Spark 1.1 的 API 价格一致，提示词不会被用于改进产品。
- 贡献者档：输入 0.10 美元/百万 Token，输出 0.20 美元/百万 Token。比按量付费便宜 10 倍以上（按官方数据，输出端是 21 倍）。
作为对比，Anthropic 的 Claude Opus 5 输出价是 25 美元/百万 Token，GPT-5.6 Sol 是 30 美元。Meta 的贡献者档直接比它们便宜了 100 多倍。
代价是什么？贡献者档的协议写得很清楚：Meta 可以使用你发送的提示词和补全内容来训练未来的模型。
这就是这笔交易的实质。Meta 用接近成本线的 Token 价格，换取了真实代码、任务轨迹、工具调用序列和报错信息——这些连续轨迹对训练编码模型的价值，比普通问答数据高得多。编码智能体产生的不是零散文本，而是"目标→代码上下文→工具调用→测试反馈→最终修改"的完整闭环，这正是训练长时程任务表现所需的数据。
价格屠夫的表象之下，是数据收集的阳谋。Zuckerberg 愿意在营收承压、股价一周跌 10% 的当口推这个产品，看中的显然不只是那点 API 收入。
和国内厂商的对照：这条路线早就有人在走
如果你觉得"低价换数据"这个模式很眼熟，那就对了——国内厂商在这条路上已经走了很久，只是姿态不同。
字节的 Trae 是国内编码智能体的代表，中国版基础功能免费，内置豆包、DeepSeek 等模型，SOLO 模式下 AI 主导从需求理解到成果交付的全流程。它的免费策略同样是生态圈地——用免费算力换开发者习惯和代码库数据。
阿里的 Qoder CN（原通义灵码）走的是另一条路：2026 年 5 月更名后全面升级为智能体矩阵，提供代码补全、多文件修改、编程智能体等能力，支持 GLM、DeepSeek、Kimi、MiniMax 等多模型切换，并为企业提供专属 VPC 部署的合规方案。它的差异化不在低价，而在企业级管控——数据不出内网，才是金融、政务等行业的刚需。
对比下来，Meta 的贡献者档和国内厂商"免费换数据"的思路同源，但有一个关键差异：透明度。Meta 把"你的数据会被用来训练"写进了贡献者档的条款里，开发者是知情选择的。而国内免费产品的数据用途说明，往往藏在十几页的隐私政策深处。
三个值得警惕的地方
第一，基准测试都是厂商自报的。Meta 发布的 Terminal-Bench、DeepSWE 等数据来自官方口径，其评估方法文档也承认"评估配置可能不利于第三方模型"。没有独立复现之前，把性能数字当作参考而非结论。
第二，权重是闭源的。Muse Spark 1.2 没有 Hugging Face 仓库，不能自托管。这和 Meta 引以为傲的 Llama 开源路线形成了鲜明对比——Llama 时代的开源惯性，不适用于这个新家族。对企业用户来说，这意味着数据主权和可审计性都要打折扣。
第三，贡献者档有速率限制（每分钟 60 请求），只适合低并发场景。想拿它跑大规模 agent 任务，还是得回到标准档。
一句话总结
Meta 带着 Muse Code 入局，说明编码智能体赛道已经挤满了巨头——Anthropic、OpenAI、Google、微软，现在加上 Meta。竞争的焦点从"谁的模型更聪明"转向了"谁的定价更聪明、谁能拿到更多真实任务数据"。
对开发者是好事：价格战只会让工具越来越便宜，模型选型从战略决策变成运行时参数。但对"用 0.2 美元换你代码轨迹"这种事，心里要有数——便宜的东西，往往标好了别的价格。
作者：唐悦玮 | 从后端出发，用 AI 拓展到全栈的工程师。
