Muse Spark 1.3 減少 20% 工具呼叫次數，Meta 股價上漲 4%

一個能用更少的往返次數完成相同工程任務的模型，正是 Meta 的 AI 懷疑論者一直在等待的證明。Muse Spark 1.3 於 9 月 2 日透過 Muse Code 和 Meta Model API 發布，在可比的程式碼工作上，其工具呼叫次數比 Muse Spark 1.2 少了約 20%、Token 使用量少了 25%——投資人隨即以推升 Meta 股價約 4% 作為回應。

美國銀行分析師 Justin Post 表示，效率提升為 Meta 提供了一條在不漲價的情況下將 AI 基礎建設變現的路徑，他重申「買入」評級和 810 美元的目標價，隱含較 Meta 9 月 3 日收盤價 610.68 美元約有 32% 的上漲空間。

Muse Spark 1.3 保持了與 Muse Spark 1.2 相同的 1,048,576 Token 上下文視窗，以及每百萬輸入 Token 1.25 美元的定價，但 Meta 工程師發現，在長時程工程任務上，它需要更少的回合數，並能產出更乾淨的程式碼。根據 Investing.com 對此次發布的報導，該模型在 DeepSWE v1.1 上得分 75.4，在 Terminal-Bench 2.1 上得分 88.8，而在 GDPVal-AA v2 代理基準測試上則以 1754 對 1824 落後於 Anthropic 的 Opus。

Meta 股價在公告後上漲約 4%。該股目前交易價約為 2027 年預估 GAAP 每股盈餘的 18 倍，低於其歷史倍數約 21 倍，而美國銀行的 810 美元目標價則假設 2027 年盈餘的 24 倍——這是一場賭注，押注 Muse Spark 和自有 MTIA 晶片帶來的效率提升最終將轉化為利潤率擴張。

效率成為新的競爭軸線

此次發布標誌著 Meta 在代理式程式碼領域競爭策略的刻意轉變。該公司並非追逐通用代理基準測試的最高分，而是針對「每完成任務的成本」進行優化——這正是出現在企業帳單上的關鍵指標。在定價不變的情況下減少 25% 的 Token 使用量，對升級的團隊而言實質上等同於降價 25%；而工具呼叫次數減少 20%，則可在每天數千次的代理工作階段中，減少由延遲所驅動的工程時間。

這種定位讓 Meta 與 Anthropic 和 OpenAI 走出了不同的賽道。Muse Spark 1.3 在 DeepSearchQA 上以 89.4 對 93.0 落後 GPT-5.6，在 Agentic IF Index 上以 57.8 對 60.5 落後，但在狹窄的程式碼基準測試上則領先。Meta 並非試圖在一次發布中全面超越 Claude 或 GPT-5.6；它是在程式碼代理這個細分領域中，直接以成本和回合效率展開競爭。

該模型透過 Muse Code（Meta 於 8 月初推出的終端型程式碼代理測試版）以及 Meta Model API 發布。它是封閉權重模型，意味著沒有自行託管的路徑——這與 Meta 早先採取的開源 Llama 策略形成對比，反映出該公司如何對待其商業敏感度最高的程式碼模型。貢獻者方案定價為每百萬輸入 Token 0.10 美元、每百萬輸出 Token 0.20 美元，以換取對提示詞和完成結果的訓練權利，折扣幅度達 88% 至 95%。

資本支出的投資報酬率之問

Meta 在 2026 年的大部分時間裡，一直在為其 AI 基礎設施支出辯護，以回應投資是否已超越商業上有用進展的質疑。Muse Spark 1.3 為多頭提供了具體的證據：一個能切實降低大規模運行代理式程式碼工作流程成本的模型。

Bernstein 重申「跑贏大盤」評級和 800 美元目標價，認為 Meta 經 AI 增強的廣告引擎仍然是一項重大優勢，且該公司有望在廣告營收上匹敵甚至超越 Google Search。KeyBanc 則保持建設性但更為保守的態度，在維持「加碼」評級的同時，將目標價從 855 美元下調至 760 美元，理由是 Meta 超級智能實驗室取得了「有意義的進展」。

證明的門檻持續升高。投資人將期待看到證據顯示 Muse Spark 獲得採用、Hatch 等消費者代理成為有用的產品，以及 MTIA 客製化晶片——美國銀行估計其可能占 Meta 總 AI 產能的 15% 至 20%——確實能降低運算成本。Meta 並不需要 Muse Spark 成為 OpenAI 規模的獨立業務；更優秀的模型可以改善其現有獲利引擎中的推薦、廣告目標鎖定、參與度以及開發者工具。

Meta 股價目前交易價約為 2027 年預估盈餘的 18 倍，而歷史倍數約為 21 倍，已在一定程度上反映了對 AI 回報的懷疑情緒。如果 Muse Spark 1.3 及後續版本的效率提升能轉化為可量測的利潤率改善，美國銀行所指出的估值差距就有望收斂。如果 AI 成本持續以快於營收的速度攀升，那麼本益比壓縮的風險依然存在。

本文僅供資訊參考之用，不構成投資建議。