장기 에이전트 워크플로와 코딩 안정성을 강화한 추론 구조
Muse Spark 1.3은 이전 버전(1.2) 대비 도구 호출 횟수를 약 20%, 토큰 사용량을 약 25% 줄였다. Meta는 이를 통해 장시간 이어지는 에이전트 워크플로와 복잡한 코딩 작업의 효율을 높였다. 모델은 긴 대화 속 맥락을 추적하며 계획의 빈틈을 스스로 보완한다. 모호한 요청에는 질문을 던져 의도를 확인하고, 시스템 설정 변경처럼 위험한 작업은 반드시 사용자 확인을 거치도록 설계했다.
코딩 워크플로에서는 장황한 출력을 억제해 코드의 정갈함을 높였다. 이는 대규모 호출이 빈번한 환경에서 운영 비용을 직접적으로 낮추는 결과로 이어진다. 여러 코딩 지표에서 프런티어 모델 수준의 성능을 보이며 전문 AI 개발 파트너로서의 가능성을 입증했다.
작업 완결성을 위해 다단계 지시 사항의 세부 요구사항을 누락 없이 유지하는 능력을 강화했다. 프롬프트 인젝션과 적대적 입력에 대한 저항성도 높여 보안성을 보강했다. 다만 고난도 추론을 위한 'max reasoning' 기능은 안전성 테스트 후 공개될 예정이며, 현재는 일반 API를 통한 안정적 워크플로 제공에 집중한다.
네이티브 멀티모달 지각과 컴퓨터 조작 기능의 구현
텍스트를 넘어 비디오, 이미지, 문서를 직접 인식하는 네이티브 멀티모달 지각 기능을 탑재했다. 사용자가 소프트웨어 스크린샷이나 영상 클립을 입력하면 화면 구성 요소와 인터페이스 흐름을 해석해 실제 작동하는 소프트웨어를 구축한다. 시각적 분석 결과를 즉각 코드로 연결하는 'Computer Use' 기능의 핵심이다.
실무 적용을 위한 구체적인 오케스트레이션 예제도 제공한다. 네 가지 역할의 에이전트 팀이 아이디어를 SaaS 앱으로 구현하는 'Multi-agent orchestration'과, 격리된 worktree에서 작업을 병렬 처리하는 'Agent fan-out' 설정이 대표적이다. 여기에 'Search grounding' 도구를 더하면 웹의 최신 정보까지 답변에 반영할 수 있다.
개발자는 Meta Model API나 터미널 기반 도구인 Muse Code를 통해 접근 가능하다. OpenAI SDK 호환 클라이언트를 연결하면 5분 안에 첫 요청을 실행할 수 있다. Meta Model API와 Muse Spark, OpenCode를 결합해 자율적으로 작동하는 'GitHub agent'를 구축하는 사례로 확장성도 증명했다.
데이터 정책에 따른 API 모델 선택과 비용 구조
모든 사용자에게 100만 토큰의 컨텍스트 창이 제공되지만, 비용은 데이터 제공 여부에 따라 갈린다. 데이터가 Meta의 제품 개선에 활용되는 'muse-spark-1.3-contributor'는 매우 저렴하다. 반면 데이터가 활용되지 않는 'muse-spark-1.3'은 보안성을 보장하는 대신 높은 비용을 책정했다.
모델별 100만 토큰(1M tokens) 기준 상세 가격 비교는 다음과 같다.
- **muse-spark-1.3-contributor (데이터 제공)**
- 입력: $0.10 / 캐시 입력: $0.002 / 출력: $0.20
- **muse-spark-1.3 (데이터 미제공)**
- 입력: $1.25 / 캐시 입력: $0.15 / 출력: $4.25
입력 비용은 약 12.5배, 출력 비용은 약 21배의 차이가 난다. 기업의 데이터 유출 제약 조건과 운영 예산을 대조해 모델을 선택해야 하는 지점이다. 현재 OpenRouter에서는 Muse Spark 1.2 버전이 기존 워크플로 연결 경로로 제공되고 있다.
향후 더 큰 모델과 오픈 웨이트(Open Weights) 버전이 출시될 예정이다. 따라서 지금은 API의 비용 효율성과 멀티모달 성능을 먼저 검증하고, 이후 max reasoning 기능의 도입 시점을 잡는 것이 합리적이다. 결국 데이터 제공을 통한 비용 절감과 보안 유지 중 어느 쪽에 우선순위를 둘 것인지가 모델 선택의 기준이 된다.
