MENU
AI×データの技術情報メディア
  1. ホーム
  2. AI・LLM
  3. Muse Sparkとは？Metaの新LLMを1.3まで徹底解説｜料金・使い方・Claude比較

Muse Sparkとは？Metaの新LLMを1.3まで徹底解説｜料金・使い方・Claude比較

AI・LLM
Muse Sparkとは？Metaの新LLMを1.3まで徹底解説｜料金・使い方・Claude比較

【PR】本記事はプロモーションを含みます。

「Muse SparkってAnthropicのClaudeのこと？」「Metaの新モデルは何が違うの？」「料金やAPIの使い方は？」——そんな疑問はありませんか。

Muse Sparkとは、Meta Superintelligence Labs（MSL）が2026年4月8日に発表した、natively multimodal reasoningとtool-use、multi-agent orchestrationを備えたMuseファミリーのLLMです。Anthropic社のClaudeとは完全に別物です。

本記事は2026年9月16日時点の一次情報に基づき、最新版のMuse Spark 1.3（2026年9月2日リリース）までを網羅します。1.2で登場したMuse Codeや1Mコンテキスト、二層料金の選び方までを、表とコードでわかりやすく整理します。

この記事でわかること
  • Muse Spark 1.3の現在地と1.0〜1.3のタイムライン
  • Anthropic Claudeとの違いとMuseファミリー（Spark / Code / Glimmer）の全体像
  • 3つの推論モード（Instant / Thinking / Contemplating）とマルチエージェントの仕組み
  • ネイティブマルチモーダルと1M（1,048,576）トークンコンテキストの実力
  • 一次情報ベースのベンチマーク比較（DeepSWE / Terminal-Bench 2.1 / MRCRなど）
  • 2-tier料金（Standard / Contributor）と実効コスト試算
  • Meta AIアプリ・Muse Code・APIを5分で動かす手順とコード例
  • Claude Opus 5 / GPT-5.6 / Gemini 3.1 Proとの徹底比較と選び方
目次

AI実装スキルを磨きたい人へ

これからのAI時代に 「市場価値の高い人材」 とは、「モデルを使える人」ではなく 「業務に組み込んで価値を出せる人」 です。AI実装＋エンジニアリング＋業務理解の三点セットを磨くことが、5年後・10年後のキャリアに直結します。

※以下、PRを含みます

要点（この記事の結論）

  • Muse SparkはMeta MSL初のMuseファミリー。Llama 4 Maverickから9か月で再構築し、10倍の事前学習効率でプロプライエタリ化したモデルです
  • 最新のMuse Spark 1.3は1.2比でtool calls約20%減・tokens約25%減を実現し、長期エージェントの往復削減が最大の改善です
  • コンテキストは1,048,576トークン（1M）、入力はテキスト・画像・動画・PDFに対応します（audioは1.3で現在フルサポート外と公式注記あり）。出力はテキストです
  • 料金はStandardが入力$1.25 / キャッシュ入力$0.15 / 出力$4.25（/1M tokens）、Contributorが入力$0.10 / キャッシュ入力$0.002 / 出力$0.20です。Contributorは学習利用に同意する代わりに激安です
  • 今触るなら1.3が推奨です。個人検証はContributor、企業本番はStandardが目安です。長期コーディングではClaudeとの併用も有効です
  • 日本語性能は2026年9月16日時点で一次情報なし（未公表）のため、推測で断定しません

【結論】Muse Spark 1.3の現在地（30秒でわかる）

初代2026-04-08Muse発表 1.12026-07-09エージェント強化 1.22026-08-05Muse Code同時 1.3 ★2026-09-02長期効率化
Muse Sparkのバージョン史。今触るなら1.3

タイムライン：1.0から1.3まで

Muse Sparkは2026年4月8日の初代発表から、約5か月で1.3まで進化しました。

バージョン リリース日 主な特徴 提供形態
Muse Spark（初代） 2026年04月08日 MSL初のMuseファミリーとして発表。natively multimodal + tool-use meta.ai / Meta AI appで提供、APIはprivate preview
Muse Spark 1.1 2026年07月09日 エージェント強化とcomputer use改善。Meta Model APIがpublic preview Thinking modeをmeta.aiで提供
Muse Spark 1.2 2026年08月05日 coding-focused update。Muse Code（beta）を同時リリース Muse Spark 1.2とMuse Codeを同時提供
Muse Spark 1.3 2026年09月02日 長期エージェント効率化。tool calls約20%減 / tokens約25%減 Muse CodeとMeta Model APIで同日提供、max reasoningも同時提供

1.3の要点：20% fewer tool calls / 25% fewer tokens

Muse Spark 1.3の一次情報での改善幅は次の通りです。

using ~20% fewer tool calls and ~25% fewer tokens（1.2比、Meta社内比較）

長期エージェント実行での不要な往復が減り、初回正答率の向上が狙いです。思考トークンを含めた総コストとレイテンシの両面で効率化されています。

コンテキスト長は全バージョン共通で1,048,576トークン（1M）です。

結論：今触るなら1.3、選び方はStandardかContributorか

選び方の目安はシンプルです。

  • 個人で検証・コストを最優先したい → Contributor（muse-spark-1.3-contributor）
  • 企業本番や機密データを扱う → Standard（muse-spark-1.3）

Contributorは「プロンプトと出力を将来モデルの学習に使う」ことに同意する代わりに激安です。Standardは学習に使われません。詳細は料金の章で解説します。

Muse Sparkとは？Anthropic Museとの違い・Museファミリー

ここがポイント

Muse SparkはMeta MSL初のMuseファミリー。Llama 4から9か月で10倍の事前学習効率を達成しプロプライエタリ化。AnthropicのClaudeとは開発元も思想も異なります。

一言定義と誤解の解消

Muse Sparkは、Meta Superintelligence Labs（MSL）が開発するMuseファミリーのLLMです。公式定義では次の特性を持ちます。

  • natively multimodal reasoning
  • tool-use
  • visual chain of thought
  • multi-agent orchestration

Anthropic社のClaude（Claude Opus 5など）とは開発元も思想も異なります。混同しやすいため注意が必要です。またmusespark.aiはMeta公式とは無関係の非公式サイトです。

Llama 4 Maverickからの転換

Muse SparkはLlamaの単なる後継ではありません。MetaはMSL設立後の9か月でAIスタックを再構築したと説明しています。

観点 内容（一次情報）
再構築期間 9か月でAIスタックをゼロから再構築
効率 Llama 4 Maverick比で同じ性能を1/10の計算量で達成（over an order of magnitude less compute）
ライセンス Proprietary（クローズドウェイト）。将来のopen weightsリリースを予告
インフラ Hyperionデータセンターを含む投資に言及

この転換により、オープンウェイトのLlama路線から、性能と収益化を重視するプロプライエタリ路線へ舵が切られました。

エコシステム：Muse Spark / Muse Code / Muse Glimmer

Museファミリーは役割分担で構成されています。

プロダクト 役割 補足
Muse Spark クラウド推論モデル（本記事の主役） 1.1 / 1.2 / 1.3をMeta Model APIで提供
Muse Code ターミナル型コーディングエージェント（beta） 2026-08-05に1.2と同時リリース。Muse Spark 1.2以降とco-trained
Muse Glimmer 30Bのローカルモデル 2026-08-10リリース、Apache 2.0、24GB GPUで動作。オフライン実行が可能

Muse CodeはMuse Sparkを駆動エンジンとして使い、ローカルのMuse Glimmerはクラウドに依存しない軽量な選択肢です。用途に応じて使い分ける構成と理解すると整理しやすいです。ローカルLLMの運用を検討する方はローカルLLMビジネス活用も参考になります。

3つの推論モードとマルチエージェント・Computer Use

Instant / Thinking / Contemplatingの使い分け

Muse Sparkは3つの推論モードを備えます。

モード 想定用途 特徴
Instant 日常的な質問や軽いタスク 低レイテンシで即答
Thinking 推論が必要なタスク 思考過程を経て回答精度を高める
Contemplating 難問や長期タスク 複数エージェントが並列に推論し結果を統合。時間をかけてでも高精度を狙う

Meta AI appとmeta.aiではInstantとThinkingを提供し、Contemplatingは順次展開（gradually rolling out）とされています。1.3では推論effortを5段階（minimal / low / medium / high / xhigh）に加え、Standard限定のmax（extended reasoning）も利用できます。

Contemplatingの並列エージェント仕組み

Contemplatingの核心は「複数エージェントが並列に推論し、統合する」点です。公式では次のように説明されています。

orchestrates multiple agents that reason in parallel

scaling Muse Spark with multi-agent thinking enables superior performance with comparable latency

並列化により、レイテンシを抑えつつ性能を伸ばす設計です。一次情報での性能は次の通りです。

  • Humanity’s Last Exam（HLE, with tools）: 58%（詳細な二次集計では58.4%）
  • FrontierScience: 38%（詳細な二次集計では38.3%）

※一次は58% / 38%表記、小数点以下は二次集計の値のため併記しています。

Computer UseとMCP Atlas

Muse Sparkはコンピュータ操作（Computer Use）やMCP（Model Context Protocol）経由のツール利用に対応します。

  • MCP Atlas: Muse Spark 1.1（x-high, Meta Model API経由）で88.1%
  • OSWorld-Verified: 1.1で80.8%（1.3 maxのOSWorld 2.0は66.9%という二次集計あり。一次画像の文字起こしのため要一次再確認）

1.0時点のMCP Atlasは82.2%で、1.1で88.1%へ向上しています。ツール呼び出しの正確性で優位性が示されています。

開発時のツール連携を体系的に学ぶなら、MCPの解説やOpenCodeの活用も合わせて確認すると、Muse Codeとの連携イメージが掴みやすくなります。

ネイティブマルチモーダル・1Mコンテキストの実力

入出力モダリティ

Muse Spark 1.3の入出力は次の通りです。

入力 出力 備考
Text, image, video, PDF, audio* Text *Audioは1.3で現在フルサポート外と明記。品質劣化の可能性あり

画像や動画、PDFを直接理解し、テキストで回答します。出力はテキストのみです。

ビジネス文書やスクリーンショット、図表をそのまま渡せる点が実務での強みです。AIによる文書解析の全体像はRAGの解説で整理しています。

1Mトークン（1,048,576）の長文処理

コンテキスト長は1,048,576トークン（1M）で、入力と出力で共有されます。長文検索のベンチマークでは次の結果が報告されています（Meta公式scorecardの数値を二次が文字起こし）。

ベンチマーク Muse Spark 1.3 max GPT-5.6 Sol max 備考
MRCR 512K-1M 98.1% 73.8% 512K〜1M区間での検索精度
MRCR 256K-512K 98.5% 91.5% 256K〜512K区間

Muse Spark 1.3は1M近傍でも98%台を維持し、GPT-5.6 Solを大きく上回ります。Opus 5はMRCRがNot reported（未報告）です。※数値はMeta公式scorecard画像を二次が文字起こし。競合値はMeta計測であり各社公表値と異なる場合あり。

大規模コードベースや長時間動画の解析など、コンテキストを活かす用途で力を発揮します。

マルチモーダル性能と健康分野

マルチモーダル性能として、二次集計で次の数値が引用されています。一次PDFでの直接確認は未取得のため、二次引用として扱います。

  • CharXiv Reasoning: 86.4%
  • ScreenSpot Pro: 84.1%

健康分野では1000人以上の医師協力に言及があり、HealthBench Hard 42.8（二次情報）という数値も報告されています。ただし一次でのHealthBench Hard数値の直接確認は未取得のため、記事では「二次情報」と明記します。いずれも一次PDFでの再確認が推奨されます。

画像や動画の理解を含む実務では、データ可視化の基盤やAIエージェントの設計の考え方も参考になります。

ベンチマーク性能を一次情報で検証

ツール利用系ベンチマークではSpark 1.3が最上位に並びます。

Muse Sparkベンチマーク比較グラフ
ベンチマーク比較。ツール利用で勝ち、一部でClaude優勢

一次情報ベースのスコア表

Meta公式のscorecard（Meta自身の計測）と、Artificial AnalysisのIntelligence Indexを併記します。競合の数値はMeta計測値であり、各社の公表値とharness差で異なる場合があります。

ベンチマーク Muse Spark 1.3 max Muse Spark 1.2 xhigh Claude Opus 5 max GPT-5.6 Sol max Gemini 3.1 Pro
Terminal-Bench 2.1 88.8% 82.9% 86.7% 88.8% 公式でご確認ください
DeepSWE v1.1 75.4% 55.0% 74.0% 73.0% 公式でご確認ください
SWE-Bench Pro 61.5%（1.1 xhigh・二次引用） 61.5% 公式でご確認ください 公式でご確認ください 公式でご確認ください
Intelligence Index 62（max） / 61（xhigh） 54 63（Opus 5 max） 61-62相当 57前後（二次）
MRCR 512K-1M 98.1% 公式でご確認ください Not reported 73.8% 公式でご確認ください
MCP Atlas 88.1%（1.1 x-high） – 公式でご確認ください 公式でご確認ください 公式でご確認ください

Terminal-Bench 2.1では1.3 maxがGPT-5.6 Sol maxと88.8%で同点、Opus 5の86.7%を上回ります。DeepSWE v1.1では1.3 max 75.4%がOpus 5の74.0%やSolの73.0%を上回り、1.2の55.0%から大きく伸びています。

読み方：ツール利用で勝ち、一部でClaude優勢

スコアの読み方は次の通りです。

  • ツール利用・長文検索ではMuse Spark優位: MCP Atlas 88.1、MRCR 98.1、Terminal-Bench 88.8、DeepSWE 75.4はいずれもトップ水準です
  • 長時間コーディングの一部ではClaude優勢: GDPval-AA v2（1754 vs 1824）やOSWorld 2.0（66.9 vs 68.3）ではOpus 5が上回るとMeta自身のscorecardで示されています

ただし全数値はMeta計測であり、harnessやプロンプト条件で変動します。SWE-Bench Pro 61.5%（1.1）やHealthBench等の数値もバージョン差で揺れるため、条件注記と併記が必須です。

Intelligence Indexの位置づけ

Artificial AnalysisのIntelligence Index（総合指標）では、Muse Spark 1.3 max 62、xhigh 61と報告されています。これは二次報道経由の引用で、一次のArtificial Analysisサイトでの直接確認は未取得のため二次引用として扱います。

  • 1.3 xhigh 61はGPT-5.6 Sol maxと同水準
  • 1.3 max 62はOpus 5 max 63に次ぐ位置

トークン効率の観点でも、Muse Sparkは比較的少ないトークンで高いスコアを出すとされています。詳細は料金と試算の章で触れます。

料金体系（2-tier）と実効コスト試算

同じ使い方でもTierで約20倍の差が出ます。

StandardとContributorの月額試算比較グラフ
月額試算。コスト最優先ならContributorで試し、本番はStandardへ
ここがポイント

Standardは機密保持向け、Contributorは学習利用に同意する代わりに激安。思考トークンも出力課金に含まれるため、1.3の25%トークン削減が月額に直結します。

2-tier料金表

Muse Sparkの料金は2つのtierで提供されます。2026年9月16日確認の一次情報は次の通りです。

項目 Standard Contributor 差（Standard比）
入力（Input） $1.25 / 1M tokens $0.10 / 1M tokens 12.5倍安
キャッシュ入力（Cached input） $0.15 / 1M tokens $0.002 / 1M tokens 75倍安
出力（Output） $4.25 / 1M tokens $0.20 / 1M tokens 21.25倍安
対象モデルID muse-spark-1.3 など muse-spark-1.3-contributor など –
学習利用 Not used to improve our products（学習に使われない） Used to improve our products（学習に使われる） –

Contributorは「プロンプトと出力を将来モデルの学習に使うこと」に同意する代わりに激安です。Standardは学習に使われません。

注意点：Contributorは機密投入NG、企業はStandard推奨

Contributorの規約では次の点に注意が必要です。

  • 機密情報や個人情報を送らないこと
  • 企業本番ではStandardが推奨される

Meta規約§6でContributorでは機密・個人情報を送らないよう指示があるとの二次指摘がありますが、一次規約本文は要ログインのため本記事では「未確認」としつつ、一般的な注意として掲載します。レート制限も異なります。

Tier RPM TPM
Standard 3,000 4,000,000
Contributor 100（旧60から引き上げ） 3,000,000（旧2.1Mから引き上げ）

実効コスト試算：思考トークン込みで考える

Muse Sparkでは推論時の思考トークンも出力課金に含まれます。単価だけでなく、思考トークン込みの総トークンで試算することが重要です。以下は編集部作成の試算例です。一次で$20クレジットの恒久提供を示す記述は未確認のため、試算はあくまで例として扱います。

試算の前提（例）

  • 1回あたり: 入力1,500 tokens + 出力（思考込み）2,500 tokens
  • 1日100回実行 → 月3,000回、1日1,000回 → 月30,000回
シナリオ 月間入力 月間出力（思考込み） Standard月額 Contributor月額
1日100回（月3,000回） 4.5M 7.5M 入力$5.63 + 出力$31.88 = 約$37.5 入力$0.45 + 出力$1.50 = 約$1.95
1日1,000回（月30,000回） 45M 75M 入力$56.25 + 出力$318.75 = 約$375 入力$4.50 + 出力$15.00 = 約$19.5

※キャッシュヒットを考慮しない単純試算です。実際はキャッシュ（Standard $0.15 / Contributor $0.002）が効くとさらに安くなります。参考: 入力の50%がキャッシュヒットした場合、Standard月額（1日100回）は約$37.5→約$34程度に圧縮されます。

1.3の効率改善を反映すると

1.3は1.2比でtokens約25%減、tool calls約20%減です。同じタスクでも総トークンが減るため、月額も同率で下がる効果が期待できます。長期エージェントで往復が減るほど、出力課金の削減が効きます。

Meta AIアプリ（meta.ai / Meta AI app）は無料枠で試せます。まずは無料枠で挙動を確認し、本番はStandardで運用する流れが安全です。

使い方｜Meta AIアプリ・Muse Code・APIを5分で動かす

Meta AIアプリ / meta.aiで試す

最も手軽なのはmeta.aiとMeta AIアプリです。

  1. meta.aiにアクセスするか、Meta AI appをインストールします
  2. ログインし、チャット欄にプロンプトを入力します
  3. InstantとThinkingを切り替えて試します（Contemplatingは順次展開）

WhatsAppやInstagram、Facebook、Messenger、AIグラスへの展開も順次進められています。まずはWebで挙動を確認するのが早いです。

Muse Codeを5分で動かす

Muse Codeはターミナルのコーディングエージェントです。Muse Spark 1.2以降を駆動エンジンとし、co-trainedされています。

# macOS / Linux（beta）
curl -fsSL https://dev.meta.ai/install.sh | bash
muse

インストール後はmuseコマンドで起動します。対応OSはmacOS / Linux（beta）です。詳細な活用はMuse Codeの解説やOpenCodeの比較も参考になります。

API Quickstart（OpenAI / Anthropic SDK互換）

Meta Model APIはOpenAI SDK互換とAnthropic SDK互換の両方をサポートします。Base URLとモデルIDは次の通りです。

  • Base URL: https://api.meta.ai/v1
  • Model ID: muse-spark-1.3（Standard） / muse-spark-1.3-contributor（Contributor）
  • 認証: Bearer token（MODEL_API_KEY）

OpenAI SDK互換の例（Python）

from openai import OpenAI
client = OpenAI(
    base_url="https://api.meta.ai/v1",
    api_key="YOUR_MODEL_API_KEY",
)
resp = client.chat.completions.create(
    model="muse-spark-1.3",
    messages=[
        {"role": "user", "content": "Muse Spark 1.3の改善点を3行で教えて"},
    ],
    # thinking effortはモデル側パラメータで指定（例: reasoning_effort="high"）
)
print(resp.choices[0].message.content)

Anthropic SDK互換の例（Python）

import anthropic
client = anthropic.Anthropic(
    base_url="https://api.meta.ai/v1",
    api_key="YOUR_MODEL_API_KEY",
)
resp = client.messages.create(
    model="muse-spark-1.3",
    max_tokens=2048,
    messages=[
        {"role": "user", "content": "1Mコンテキストで長文要約のコツを教えて"},
    ],
)
print(resp.content[0].text)

MCP最小ハンズオン：ツール定義→並列呼び出し→リトライ→ログ取得

MCP経由で複数ツールを並列呼び出しする最小構成の再現例です。一次の公式コード例は未確認のため、以下はOpenAI互換形式での再現例として扱います。

tools = [
    {
        "type": "function",
        "function": {
            "name": "search_docs",
            "description": "社内ドキュメントを検索する",
            "parameters": {
                "type": "object",
                "properties": {"query": {"type": "string"}},
                "required": ["query"]
            },
        }
    },
    {
        "type": "function",
        "function": {
            "name": "exec_sql",
            "description": "SQLを実行する",
            "parameters": {
                "type": "object",
                "properties": {"sql": {"type": "string"}},
                "required": ["sql"]
            },
        }
    },
]
# 並列ツール呼び出し + リトライ + ログ取得のイメージ
import time
for attempt in range(3):
    try:
        resp = client.chat.completions.create(
            model="muse-spark-1.3",
            messages=[{"role": "user", "content": "売上推移を検索とSQLで調べて要約して"}],
            tools=tools,
            tool_choice="auto",
        )
        # tool_calls を並列で処理
        if resp.choices[0].message.tool_calls:
            for tc in resp.choices[0].message.tool_calls:
                print(f"[log] tool={tc.function.name} args={tc.function.arguments}")
        break
    except Exception as e:
        print(f"[retry {attempt}] {e}")
        time.sleep(2 ** attempt)

MCP Atlas 88.1のような高いツール利用性能を活かすには、ツールの説明文を明確にし、並列呼び出しを許容することが大切です。失敗時はリトライとログ取得で原因を追えます。より本格的な実装はデータパイプラインの設計やデータ基盤の構築の記事も参考にしてください。

OpenRouter経由の提供は、1.2では明記されていますが、1.3の対応は2026年9月16日時点で一次情報未確認のため、利用時は公式画面で確認してください。

Claude / GPT-5.6 / Gemini 3.1 Pro と徹底比較

スペック比較表

観点 Muse Spark 1.3 Claude Opus 5（Anthropic） GPT-5.6 Sol Gemini 3.1 Pro
開発元 Meta Superintelligence Labs Anthropic OpenAI Google
料金（入力/出力 /1M） $1.25 / $4.25（Standard）
$0.10 / $0.20（Contributor）		 未確認（本記事ではMuse Sparkのみ一次確認） 公式でご確認ください 公式でご確認ください
コンテキスト 1,048,576 tokens 公式でご確認ください 公式でご確認ください 公式でご確認ください
推論モード Instant / Thinking / Contemplating（maxはStandard限定） 公式でご確認ください 公式でご確認ください 公式でご確認ください
得意（公式scorecard基準） ツール利用・長文検索・Terminal-Bench GDPval-AA v2 / OSWorld 2.0でMuse Sparkを上回る Terminal-BenchでMuse Sparkと同点 公式でご確認ください
苦手 一部の長期抽象推論でClaude/Geminiが優位との整理 ツール利用の一部でMuse Sparkに劣後 MRCRでMuse Sparkに劣後 公式でご確認ください
API互換 OpenAI / Anthropic両互換、Base URL https://api.meta.ai/v1 公式でご確認ください 公式でご確認ください 公式でご確認ください

競合の料金・コンテキストは二次情報のため、最新情報は各社の公式発表をご確認ください。本記事ではMuse Sparkのみ一次確認済みの値を掲載し、推測は記載しません。

用途別早見表

やりたいこと 推奨の考え方
長時間コーディングやツール連携を重視 Muse Spark 1.3（Standard）を第一候補に
抽象推論や複雑な科学課題 Claude Opus 5やGemini 3.1 Proと比較検証を推奨
1Mの長文検索や大規模コードベース解析 Muse Spark 1.3のMRCR 98.1が強み
コストを最優先で検証 Contributorで試し、本番はStandardへ切り替え

日本語性能は未公表

日本語性能について、公式・第三者ともに日本語特化ベンチマークは未公表です。2026年9月16日時点で一次情報なしのため、本記事では推測で断定しません。日本語での長文要約や敬語メール、議事録要約などは、自社データでの検証が必要です。

安全性・商用利用・データ規約

安全性：生物兵器拒否率とApollo評価

安全性レポートでの一次情報は次の通りです。

項目 数値 / 内容
BioTIER（生物） 98.0%（1.1では97.7-98.0%）
Chemical Agents（化学） 99.4%
高リスク判定（事前） Chemical & Biologicalで事前mitigationなしではhigh risk閾値に到達。mitigation後にmoderate or lowerでリリース
Apollo Research評価 Muse SparkはApolloが観測した中で最高のevaluation awareness率。公共ベンチで19.8%が評価と認識、内部評価で2.0%

評価認識（evaluation awareness）の影響は限定的とMetaは結論付けていますが、論点として併記します。

データ規約：Standardは学習不使用、Contributorは学習使用

Tier 学習利用 表記（一次）
Standard 使われない Not used to improve our products
Contributor 使われる Used to improve our products / Heavily discounted … in exchange for permission to use your prompts and completions to train future Meta models

保持期間・DPA・オプトアウトの条文詳細は、一次docsで具体的文面の直接確認が未取得のため「未確認」とします。法務確認が必要です。Zero data retentionは要請受付開始と記載があります（1.2時点）。

情シスチェックリスト：NG例 / OK例

以下のチェックリストは編集部作成の目安です。一次で公式チェックリストの存在は未確認のため、独自作成として扱います。

カテゴリ NG例 OK例
データ投入 機密情報や個人情報をMeta AIアプリやContributorに貼る API Standardで匿名化・マスキングして送る
権限 個人アカウントで野良利用する 組織のMetaアカウントで権限管理し、ログを取得する
ログ・監査 ツール呼び出しログを残さない MCPのtool_callsと入出力を保管し、監査証跡を残す
シャドーIT 申請なしで外部サービス連携する 利用申請フローと許可Tier（Standardのみ等）を明文化する
保持期間 保持期間や削除方針を決めない データ保持期間と削除ポリシーを文書化し、Zero data retentionの要否を営業に相談する

商用利用自体は可能ですが、Contributorでの学習利用に同意するかどうかが分岐点です。社内規程でTierの使い分けを決めておくと安全です。データガバナンスの考え方はデータガバナンスの解説やデータ品質の管理も参考になります。

よくある質問

Q1. Muse Sparkとは？Claudeとは違う？

違います。Muse SparkはMeta Superintelligence Labsが開発するMuseファミリーのLLMで、Anthropic社のClaudeとは別物です。musespark.aiも非公式です。

Q2. 1.3 / 1.2 / 1.1の違いは？

  • 1.1（2026-07-09）: エージェントとcomputer use強化、Meta Model API public preview
  • 1.2（2026-08-05）: coding-focused update、Muse Code（beta）同時リリース
  • 1.3（2026-09-02）: 長期エージェント効率化（tool calls約20%減 / tokens約25%減）、max reasoning同時提供

Q3. 料金は？無料で使える？

Standardは入力$1.25 / キャッシュ入力$0.15 / 出力$4.25（/1M tokens）、Contributorは入力$0.10 / キャッシュ入力$0.002 / 出力$0.20です。Meta AI（meta.ai / Meta AI app）は無料枠があります。APIは従量課金です。$20クレジットの恒久提供を示す一次記述は未確認です。

Q4. どこで使える？API使い方は？

Muse Code、Meta Model API（dev.meta.ai）、一部のOpenRouterで使えます。APIのBase URLはhttps://api.meta.ai/v1、モデルIDはmuse-spark-1.3（Standard）です。OpenAI / Anthropic SDK互換で呼び出せます。

Q5. Muse Codeとの関係は？

Muse CodeはMuse Spark 1.2以降を駆動エンジンとするターミナル型コーディングエージェント（beta）です。Muse Spark 1.2とco-trainedされています。

Q6. Claude Opus 5 / GPT-5.6とどちらが優れている？

Meta公式scorecardでは、Terminal-Bench 2.1（88.8%）やDeepSWE（75.4%）、MRCR（98.1%）でMuse Spark 1.3が優位または同点です。一方、GDPval-AA v2やOSWorld 2.0ではOpus 5が上回ります。ツール利用で勝ち、長期抽象推論の一部でClaude優勢という読み方が一次ベースです。ただし全数値はMeta計測のため条件差異に注意が必要です。

Q7. 日本語に対応している？

2026年9月16日時点で、日本語特化の性能に関する一次情報は未確認（未公表）です。推測で断定せず、自社データでの検証が必要です。

Q8. Muse Glimmerとの違いは？

Muse Glimmerは30Bのローカルモデルで、Apache 2.0、24GB GPUでオフライン動作します。Muse Sparkはクラウド推論モデルです。Glimmerは2026-08-10リリースです。

Q9. コンテキスト長は？

1,048,576トークン（1M）です。入力と出力で共有されます。

Q10. 商用利用・学習利用の注意点は？

Standardは学習に使われず、Contributorは学習に使われます。Contributorは激安ですが機密投入はNGです。企業本番はStandardが推奨です。保持期間やDPA、Zero data retentionの適用条件は一次で詳細未確認のため、法務確認が必要です。

まとめ

本記事のまとめ

Muse Spark 1.3は、長期エージェントの往復削減（tool calls約20%減 / tokens約25%減）と1M（1,048,576）トークン、ネイティブマルチモーダル、MCP対応を備えた実務向けモデルです。1.1から1.3までの進化で、ツール利用と長文検索では競合を上回る場面が増えています。

選び方の目安は次の通りです。

  • 個人検証やコスト最優先 → Contributor（$0.10 / $0.002 / $0.20）
  • 企業本番や機密データ → Standard（$1.25 / $0.15 / $4.25）
  • 長期コーディングで抽象推論も求める → Muse SparkとClaude Opus 5の併用を検討

ロードマップではbigger modelsやMuse Spark open weights releaseが予告されています。今後のアップデートにも注目です。

まずはMeta AIアプリの無料枠で挙動を確かめ、次にMuse CodeとAPI（muse-spark-1.3）で手を動かしてみてください。料金とデータ規約を押さえた上で、用途別に最適なTierとモデルを選ぶことが、導入を成功させる近道です。

AI実装スキルを磨きたい人へ

これからのAI時代に 「市場価値の高い人材」 とは、「モデルを使える人」ではなく 「業務に組み込んで価値を出せる人」 です。AI実装＋エンジニアリング＋業務理解の三点セットを磨くことが、5年後・10年後のキャリアに直結します。

※以下、PRを含みます

関連記事

参考文献

AI・LLM
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！

この記事を書いた人

管理人のアバター 管理人 データエンジニア / ETL設計

基幹システム×データエンジニア｜DataEngineerLabs運営
大手食品系の基幹システム開発を経験。人事・給与・販売管理のデータ連携、ETL設計、SQLパフォーマンス、バッチ保守が専門。
データを"使える状態にする"難しさを発信中

関連記事

コメント

コメントする

目次