<div class="key-takeaways"><ul><li>Meta AI เปิดตัว Muse Spark 1.3 โมเดลเขียนโค้ดแบบเอเจนต์ใน Muse Code และ Meta Model API แล้ววันนี้</li><li>ประหยัดการเรียกใช้งานเครื่องมือ (Tool Calls) ลงประมาณ 20% และใช้โทเค็นน้อยลงประมาณ 25% เมื่อเทียบกับเวอร์ชัน 1.2</li><li>ทำคะแนนบน DeepSWE v1.1 ได้ 75.4 แซงหน้า Claude Opus 5 ที่ 74.0 และ GPT-5.6 Sol ที่ 72.7</li><li>ยังไม่เปิดให้โฮสต์เองเนื่องจากน้ำหนักโมเดลยังเป็นแบบปิด และโหมดการใช้เหตุผลสูงสุดยังถูกจำกัดไว้รอการทดสอบความปลอดภัย</li></ul></div><p>Meta AI ได้ฤกษ์ปล่อยโมเดลปัญญาประดิษฐ์รุ่นใหม่ <strong>Muse Spark 1.3</strong> ออกมาอย่างเป็นทางการแล้ว โดยโมเดลตัวนี้ถูกออกแบบมาเพื่อทำหน้าที่เป็นเอเจนต์ในการเขียนโค้ดโดยเฉพาะ พร้อมเปิดให้เรียกใช้งานได้ทันทีใน Muse Code และผ่านทาง Meta Model API อย่างไรก็ตาม ผู้ใช้งานยังไม่สามารถนำโมเดลนี้ไปติดตั้งและดูแลรักษาด้วยตัวเอง (Self-host) ได้ เนื่องจากน้ำหนักของโมเดลยังคงเป็นแบบปิด (Closed weights) อีกทั้งโหมดการใช้เหตุผลระดับสูงสุด (Max reasoning mode) ก็ยังถูกจำกัดไว้เพื่อรอขั้นตอนการทดสอบด้านความปลอดภัยเพิ่มเติม</p><p>ทาง Meta ได้ฝึกฝน Muse Spark 1.3 ข้ามผ่านสภาพแวดล้อมของเอเจนต์ที่หลากหลาย เพื่อให้พฤติกรรมการทำงานสามารถปรับใช้ได้ดีในหลายสถานการณ์ โมเดลถูกสร้างขึ้นมาเพื่อให้สามารถรักษาเวิร์กโฟลว์หลายรายการเอาไว้ได้ภายในเธรดขนาดยาวเธรดเดียว เมื่อได้รับโจทย์ปลายเปิด ระบบจะทำหน้าที่รวบรวมบริบทของตัวเองจากแหล่งข้อมูลที่กระจัดกระจายและขัดแย้งกัน ก่อนจะทำการอุดช่องว่างในแผนการทำงานนั้นด้วยตนเอง</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/meta_muse_spark_1_3_mtm5agd0_inline_1_3cfb50622d.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในด้านการทำงานร่วมกับมนุษย์ Muse Spark 1.3 มีการเปลี่ยนแปลงเชิงปฏิบัติที่ดีขึ้น โดยโมเดลจะคอยตั้งคำถามเพื่อความกระจ่างเมื่อได้รับชุดคำสั่งที่คลุมเครือ คอยดึงตัวผู้ใช้เข้ามามีส่วนร่วมเมื่อระบบเกิดติดขัด และจะขอการยืนยันก่อนปฏิบัติงานที่มีผลกระทบสำคัญ นอกจากนี้ ในการรันงานระยะยาว มันยังสามารถปรับตัวตามความต้องการของผู้ใช้ได้ เช่น การรายงานสถานะบ่อยครั้ง หรือการทำงานเบื้องหลังแบบเงียบๆ พร้อมทั้งมีความสามารถในการตรวจจับข้อจำกัดของตัวเองได้ดีขึ้น ทำให้มันเลือกที่จะแจ้งเตือนปัญหาที่พบแทนที่จะสร้างผลลัพธ์ที่ผิดเพี้ยนขึ้นมาเอง</p><div class="stat-row"><div class="stat-item"><span class="stat-number">20%</span><span class="stat-label">ทูลคอลลดลง</span></div><div class="stat-item"><span class="stat-number">25%</span><span class="stat-label">โทเค็นลดลง</span></div><div class="stat-item"><span class="stat-number">75.4</span><span class="stat-label">คะแนน DeepSWE v1.1</span></div></div><p>สำหรับการจัดการงานหลายอย่างพร้อมกัน (Multitasking) ก็ได้รับการพัฒนาให้ดีขึ้นเช่นกัน ทาง Meta ระบุว่าตัวโมเดลสามารถจับคู่ชุดคำสั่งขาเข้าเข้ากับงานที่ถูกต้องภายในเธรดเดี่ยวที่มีความซับซ้อนได้ ไม่ว่าผู้ใช้จะเป็นผู้ควบคุมทิศทางหรือทำการขัดจังหวะก็ตาม ด้วยการฝึกฝนบนงานเขียนโค้ดระยะยาวที่มากขึ้น ทำให้เวอร์ชัน 1.3 มีขั้นตอนการทำงานที่ไม่จำเป็นลดลง ความเยิ่นเย้อลดลง และมีรูปแบบโค้ดที่สะอาดตามากกว่าเดิมเมื่อเทียบกับรุ่นก่อนหน้าอย่าง Muse Spark 1.2</p><div class="ai-insight"><p>การเปิดตัว Muse Spark 1.3 สะท้อนให้เห็นถึงความพยายามของ Meta ในการผลักดันโมเดลภาษาให้ก้าวข้ามจากการตอบคำถามแบบครั้งต่อครั้ง (Stateless) ไปสู่การเป็น AI Agent ที่มีความสามารถในการวางแผน ปรับตัว และจัดการงานเขียนโค้ดที่ซับซ้อนตลอดรอดฝั่ง การที่โมเดลสามารถลดการใช้โทเค็นและทูลคอลลงได้ถือเป็นจุดเปลี่ยนสำคัญในเชิงเศรษฐศาสตร์ของการพัฒนาซอฟต์แวร์ เพราะต้นทุนการรันเอเจนต์ AI มักจะสูงมากตามจำนวนรอบการทำงาน (Round trips) ที่เกิดขึ้น การประหยัดทรัพยากรส่วนนี้จึงช่วยลดภาระค่าใช้จ่ายในการทำ Production จริงได้อย่างมีนัยสำคัญ</p></div><p>จากการเปรียบเทียบภายในโดยวิศวกรของ Meta พบว่าโมเดลใหม่นี้ใช้การเรียกใช้งานเครื่องมือลดลงประมาณ 20% และใช้โทเค็นน้อยลงประมาณ 25% เมื่อเทียบกับ Muse Spark 1.2 ซึ่งตัวเลขเหล่านี้แปลผลโดยตรงไปยังต้นทุนที่ลดลงสำหรับเวิร์กโหลดแบบเอเจนต์ ในส่วนของผลการทดสอบประสิทธิภาพบนเกณฑ์มาตรฐาน Meta ระบุว่า Muse Spark 1.3 ทำคะแนนได้ 75.4 บน DeepSWE v1.1 อยู่นำหน้า Claude Opus 5 ที่ทำได้ 74.0 และ GPT-5.6 Sol ที่ทำได้ 72.7 นอกจากนี้ยังทำคะแนนได้ 59.4 บน SWE-Atlas Codebase QnA และทำคะแนนเสมอกับ GPT-5.6 Sol ที่ 88.8 บน Terminal-Bench 2.1 โดยที่ Claude Opus 5 ทำได้ 86.7 ขณะที่การดึงข้อมูลบริบทขนาดยาว (Long-context retrieval) บน MRCR v2 ทำคะแนนได้สูงถึง 98.5 (ในช่วง 256K–512K) และ 98.1 (ในช่วง 512K–1M) เหนือกว่าคู่แข่งอย่างชัดเจน</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/03/meta-ai-released-muse-spark-1-3-an-agentic-coding-model-that-uses-20-fewer-tool-calls-and-25-fewer-tokens-than-muse-spark-1-2/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Meta AI has released the Muse Spark 1.3 agentic coding model, available today in Muse Code and Meta Model API.</li><li>Achieves approximately 20% fewer tool calls and 25% fewer tokens compared to Muse Spark 1.2.</li><li>Scores 75.4 on DeepSWE v1.1, outperforming Claude Opus 5 at 74.0 and GPT-5.6 Sol at 72.7.</li><li>Self-hosting is currently unavailable due to closed weights, and max reasoning mode remains gated for safety testing.</li></ul></div><p>Meta AI has officially launched its newest artificial intelligence model, <strong>Muse Spark 1.3</strong>, designed specifically to operate as an agentic coding assistant. The model ships today and is available for deployment within Muse Code and through the Meta Model API. However, users cannot self-host the system because its weights remain closed, and the maximum reasoning mode is still restricted behind ongoing safety evaluations.</p><p>Meta trained Muse Spark 1.3 across multiple agent harnesses to ensure its behavioral patterns generalize effectively beyond a single environment. The model is engineered to maintain several workflows simultaneously within a single long thread. When presented with an open-ended objective, it independently gathers necessary context from messy, conflicting sources and patches any gaps in its execution plan.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/meta_muse_spark_1_3_mtm5agd0_inline_1_3cfb50622d.jpg" alt="chromebook notebook computer office desk workspace" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>The collaboration updates introduce more practical enhancements. Muse Spark 1.3 asks clarifying questions when given ambiguous prompts, pulls the user back into the loop if it encounters a stall, and requests confirmation prior to executing consequential actions. During long-running tasks, it adapts to user preferences—such as providing frequent status updates or executing operations quietly in the background. Furthermore, Meta notes improved calibration regarding the model's own limitations, causing it to flag hurdles rather than hallucinating outcomes.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">20%</span><span class="stat-label">Fewer Tool Calls</span></div><div class="stat-item"><span class="stat-number">25%</span><span class="stat-label">Fewer Tokens</span></div><div class="stat-item"><span class="stat-number">75.4</span><span class="stat-label">DeepSWE v1.1 Score</span></div></div><p>Multitasking capabilities have also been enhanced. Meta reports that the model accurately maps incoming prompts to the correct task within a cluttered single thread, regardless of whether the user is steering or interrupting the process. Trained on an expanded dataset of long-horizon coding tasks, the new version exhibits fewer unnecessary turns, reduced verbosity, and a cleaner code style compared to its predecessor, Muse Spark 1.2.</p><div class="ai-insight"><p>The release of Muse Spark 1.3 underscores Meta's strategic push to transition language models from stateless query responders into fully autonomous AI agents capable of long-term planning and iterative execution. Reducing token consumption and tool call frequency marks a critical milestone in the unit economics of AI software engineering, where computational costs scale directly with round-trip interactions. Optimizing these metrics significantly lowers the barrier for deploying autonomous workflows in production environments.</p></div><p>In internal evaluations conducted by Meta engineers, Muse Spark 1.3 utilized approximately 20% fewer tool calls and roughly 25% fewer tokens than Muse Spark 1.2. For agentic workloads, these metrics directly correlate with cost efficiency through reduced round trips and billed tokens per completed task. On evaluation benchmarks, the model posted a score of 75.4 on DeepSWE v1.1, ranking ahead of Claude Opus 5 at 74.0 and GPT-5.6 Sol at 72.7. It also achieved 59.4 on SWE-Atlas Codebase QnA and tied GPT-5.6 Sol with 88.8 on Terminal-Bench 2.1, surpassing Claude Opus 5's 86.7. For long-context retrieval, it registered leading MRCR v2 scores of 98.5 (256K–512K) and 98.1 (512K–1M), outperforming GPT-5.6 Sol's 91.5 and 73.8.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/09/03/meta-ai-released-muse-spark-1-3-an-agentic-coding-model-that-uses-20-fewer-tool-calls-and-25-fewer-tokens-than-muse-spark-1-2/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_meta-เปิดตัว-muse-spark-1-3-โมเดลเขียนโค้ดอัจฉริยะ-mtm5agd0.jpg

small_meta-เปิดตัว-muse-spark-1-3-โมเดลเขียนโค้ดอัจฉริยะ-mtm5agd0.jpg

thumbnail_meta-เปิดตัว-muse-spark-1-3-โมเดลเขียนโค้ดอัจฉริยะ-mtm5agd0.jpg

Inewgen

Inewgen

#Coding Model

Meta AI Releases Muse Spark 1.3 Coding Model

Inewgen