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。