Puis-je exécuter Muse Spark 1.1 localement ?

Non. Meta n’a pas publié les poids, donc le modèle est API uniquement et ne peut pas être exécuté sur votre propre matériel.

Quel est le coût de Muse Spark 1.1 et quelle est la taille du contexte ?

Le prix est de 1,25 $ par million de tokens d’entrée et 4,25 $ par million de tokens de sortie, avec une fenêtre de contexte d’un million de tokens.

Qu’est-ce qui différencie Muse Spark 1.1 d’un modèle de chat standard ?

Il est conçu pour des pipelines agentiques plutôt que pour une conversation à un seul tour : il peut planifier, déléguer à des sous-agents, appeler des outils en parallèle, et généraliser zéro-shot à de nouveaux serveurs MCP et compétences personnalisées.

Muse Spark 1.1

1303°

#llm #meta #vision #vidéo #raisonnement #agents

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Meta | contexte de 1 048 576 tokens | 1,25 $/M entrée, 4,25 $/M sortie. Muse Spark 1.1 est un modèle de raisonnement multimodal de Meta, conçu pour les tâches agentiques. Il accepte texte, images, vidéo et documents PDF et retourne du texte, avec une fenêtre de contexte de 1M tokens. Le modèle est conçu pour orchestrer des flux de travail multi-agents, agissant soit comme agent principal qui planifie et délègue, soit comme sous-agent, et généralise en zéro-shot à de nouveaux outils, serveurs MCP et compétences personnalisées. Il supporte la sortie structurée, l'appel de fonctions parallèles,…Meta | contexte de 1 048 576 tokens | 1,25 $/M entrée, 4,25 $/M sortie. Muse Spark 1.1 est un modèle de raisonnement multimodal de Meta, conçu pour les tâches agentiques. Il accepte texte, images, vidéo et documents PDF et retourne du texte, avec une fenêtre de contexte de 1M tokens. Le modèle est conçu pour orchestrer des flux de travail multi-agents, agissant soit comme agent principal qui planifie et délègue, soit comme sous-agent, et généralise en zéro-shot à de nouveaux outils, serveurs MCP et compétences personnalisées. Il supporte la sortie structurée, l'appel de fonctions parallèles, la recherche intégrée avec citations et un effort de raisonnement configurable. Meta rapporte de solides performances sur le codage réel à travers de grandes bases de code, les flux de travail d'utilisation informatique et la génération visuel-vers-code.

Guides pour ce modèle

Poids ouverts vs open source vs API uniquement : ce que tu peux vraiment faire

Comment choisir un modèle d'IA en octobre 2026 : les nouveautés des modèles fermés, puis les poids ouverts à télécharger

Les 10 alternatives à ChatGPT les moins chères en 2026 : modèles locaux gratuits, offres gratuites et forfaits à prix fixe

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Muse Spark 1.1 est un modèle de raisonnement multimodal de Meta qui accepte texte, images, vidéo et PDF sur une fenêtre de contexte d’un million de tokens. Il est conçu spécifiquement pour le travail agentique : il peut agir comme orchestrateur, sous-agent, ou les deux, et généralise zéro-shot à de nouveaux outils et serveurs MCP. Si votre cas d’usage implique des pipelines multi-étapes, de grands bases de code ou des tâches visuel-vers-code, c’est le niveau auquel il s’adresse.

Connu pour

Orchestre des workflows multi-agents comme planificateur, délégateur ou sous-agent
Généralisation zéro-shot à de nouveaux outils, serveurs MCP et compétences personnalisées
Fenêtre de contexte d’un million de tokens pour gérer de grandes bases de code et documents longs
Accepte texte, images, vidéo et PDF ; retourne des sorties structurées avec citations
Effort de raisonnement configurable et appels de fonctions parallèles

Attention à

Les poids ne sont pas publics ; vous l’utilisez uniquement via API, pas de déploiement local.
Le prix de sortie à 4,25 $ par million de tokens s’accumule vite dans les boucles agentiques avec beaucoup de génération.
Meta n’a pas publié de chiffres de benchmark indépendants, donc les forces rapportées sont auto-évaluées.

Idéal pour

Agents et utilisation d'outils

Prompts à essayer

Orchestrer une tâche de recherche multi-étapes

Vous avez accès à un outil de recherche et un outil d’exécution de code. Un utilisateur veut connaître les cinq bases de données vectorielles open source les plus étoilées sur GitHub, puis un court extrait Python pour se connecter à la plus populaire. Planifiez les étapes, appelez les outils dans le bon ordre, et retournez une réponse finale avec citations.

Visuel vers code à partir d’une capture d’écran

Je joins une capture d’écran d’un tableau de bord. Reproduisez sa mise en page sous forme de composant React autonome utilisant Tailwind CSS. Reproduisez au mieux les types de graphiques, le schéma de couleurs et la structure en grille. Ajoutez un bref commentaire au-dessus de chaque section expliquant ce qu’elle affiche.

Raisonnement sur une grande base de code

Je vais coller le contenu d’une API Node.js Express ci-dessous. Lisez la base de code complète, identifiez les vulnérabilités de sécurité liées à l’authentification ou à la validation des entrées, classez-les par gravité, et suggérez une correction concrète pour chacune avec le fichier et la plage de lignes concernés.

Comparer avec

Muse Glimmer 30B
Modèle à poids ouverts
Contexte de 131,072 tokens · entrée $0.30/M, sortie $1.20/M
Muse Spark 1.3 Contributor
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $0.10/M, sortie $0.20/M
Muse Spark 1.3
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $1.25/M, sortie $4.25/M
Muse Wonder
Modèle uniquement API
Contexte de 1,048,576 tokens · entrée $4.00/M, sortie $20.00/M

Plus de modèles de texte de meta

Questions fréquentes

Puis-je exécuter Muse Spark 1.1 localement ?: Non. Meta n’a pas publié les poids, donc le modèle est API uniquement et ne peut pas être exécuté sur votre propre matériel.
Quel est le coût de Muse Spark 1.1 et quelle est la taille du contexte ?: Le prix est de 1,25 $ par million de tokens d’entrée et 4,25 $ par million de tokens de sortie, avec une fenêtre de contexte d’un million de tokens.
Qu’est-ce qui différencie Muse Spark 1.1 d’un modèle de chat standard ?: Il est conçu pour des pipelines agentiques plutôt que pour une conversation à un seul tour : il peut planifier, déléguer à des sous-agents, appeler des outils en parallèle, et généraliser zéro-shot à de nouveaux serveurs MCP et compétences personnalisées.

Verdict du capitaine
Un véritable bourreau de travail agentique avec un contexte vraiment large, mais les poids fermés et les coûts de sortie font que chaque pipeline long se ressentira sur votre facture.

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Meta Llama 3.1 70B Instruct Turbo

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Muse Spark 1.1 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm meta vision vidéo raisonnement agents programmation contexte long

Parcourir par famille de modèles