当整个行业还在猜测Meta究竟藏了多少底牌时，答案已经悄然揭晓。9月4日，Meta首席AI官Alexandr Wang在社交平台X上扔下了一枚重磅炸弹——Muse Spark 1.3的"max"推理设置正式向所有开发者开放。这距离该模型首次亮相仅仅过去了两天。两天，四十八小时，足够让一家科技巨头完成从"内部预览"到"全民可用"的惊险一跃。这不仅仅是产品迭代的常规节奏，更像是一场精心策划的AI权力展演：Meta正在告诉世界，它手里握着的王牌，远比外界想象的要多。
回溯到9月2日，Meta Superintelligence Labs正式发布Muse Spark 1.3时，舆论场被一组耀眼的数字点燃。DeepSWE v1.1基准测试75.4分、OSWorld 2.0上66.9分、GDPval-AA v2评分高达1754——这些足以让竞争对手夜不能寐的成绩，全部来自一个当时还遥不可及的配置：max推理模式。然而讽刺的是，发布会当天，普通开发者能够调用的最高设置仅仅是"xhigh"。max模式被一道名为"额外安全测试"的闸门挡在门外，只有Meta内部团队和少数合作伙伴得以窥见真容。这种割裂制造出了一种奇特的行业景观：媒体头条欢呼的，与开发者手中实际能用的，根本就是两个不同的模型。
这种"分数榜上的模型"与"API里的模型"之间的错位，在AI发展史上并不常见。Meta给出的解释是安全考量，但业内更倾向认为这是一种策略性的访问控制。Wang本人后来向Axios透露，这两天的错开发布本质上是Meta在"配置层面"进行的门控操作，期间并未出现需要紧急叫停的安全事故。换句话说，那组惊艳的基准数字并非海市蜃楼，它们只是暂时被锁在了保险箱里，等待一个合适的时机公之于众。
那么，这个被推迟了四十八小时的max模式，到底为开发者买到了什么？Meta在9月4日公布的对比数据给出了最直观的答案。需要说明的是，以下所有测试结果均由Meta自行报告，在其专属的Muse Code测试框架内生成，与Claude Opus 5和GPT-5.6 Sol的对比也是在竞品最高设置下的"尽力而为"运行，可能无法完全反映各厂商优化后的真实性能。
在OSWorld 2.0计算机使用智能体任务中，max模式以66.9分大幅领先xhigh的57.2分；GDPval-AA v2知识工作智能体Elo评分上，max达到1754，xhigh为1709；JobBench长时程专业任务中，max拿下64.9分，xhigh为61.2分。DeepSearchQA两者持平，均为89.4分。唯一的例外出现在Terminal-Bench 2.1终端智能体编码测试中，xhigh以89.2分反超max的88.8分。
这组数据的指向非常清晰。当任务涉及长周期智能体循环——比如操控计算机界面、处理复杂知识工作简报、管理多步骤子任务时——max模式的优势会像滚雪球一样放大。它本质上是在用更多的推理token换取更深度的思考时间。但在单轮终端编码这类"快问快答"场景中，额外的推理反而成了负担。Terminal-Bench的意外落败是一个重要提醒：推理强度并非越高越好，它更像一把手术刀，用对了地方才能见血，用错了地方只会徒增成本。
独立验证的曙光也在同步降临。发布之初，外界对Muse Spark 1.3的质疑很大程度上源于缺乏第三方评测。如今，这一缺口正在被迅速填补。Artificial Analysis的Coding Agent Index本周将Muse Code环境下的Muse Spark 1.3（max）评为68分，位列榜单第二，仅次于Claude Code中的Claude Opus 5（xhigh），领先于Claude Fable 5（max）的67分和GPT-5.6 Sol（max）的65分。同一榜单中，xhigh配置被评为64分。这意味着在独立测试框架下，max相比xhigh的提升幅度约为四个指数点，与Meta自家报告的方向性趋势基本吻合。
更具参考价值的是Artificial Analysis Intelligence Index v4.2的更新。在最新版本中，max配置得分53，可比模型中位数仅为29。这里需要纠正一个早期报道中的误区：此前流传的62分是基于该指数旧版本测得的数据，由于评分体系已升级，两者不具备可比性。Meta自家发布的xhigh与max拆分数据则不受此次指数更新的影响。
谈到实际部署，成本永远是开发者无法回避的命题。Meta并未对max模式单独定价，其token单价与Muse Spark 1.2及其他所有推理级别保持一致：标准层级下每百万输入token 1.25美元，每百万输出token 4.25美元，缓存输入每百万0.15美元。推理token按输出token计费并计入输出预算，这意味着选择max不是在为更高的单价买单，而是在为更多的"思考时间"付费。
真正的成本陷阱藏在token用量里。Artificial Analysis的评测运行显示，单次评估max配置消耗了约1.3亿个token，而中位数为7900万，总成本约1335美元，折合每任务约0.95美元，输出速度约为每秒190个token。对于已经在xhigh上跑长周期agentic循环的开发者而言，关键问题不是"max能不能通过更多任务"，而是"它能不能通过足够多的额外任务，来抵消暴涨的token账单"。
这里还有一个容易被忽视的低成本入口。Meta的Contributor层级将输入价格压至每百万token 0.10美元、输出0.20美元，代价是允许Meta使用你的提示词和补全进行训练。据Meta透露，选择这一方案的开发者占比已达到两位数。Contributor的速率限制较为严格，不适合作为生产环境的默认选项，但如果你只是想低成本验证max模式在自身业务场景中的效果，它无疑是一条值得探索的捷径。
对于通过第三方网关调用模型的开发者，还有一个实操层面的提醒。部分第三方文档和聚合器列表在9月2日发布当天编写，至今仍只将推理强度列举到xhigh。max值由Meta侧逐步上线推出，在调用前务必确认你所使用的路由是否已更新参数面。一个在发布日校验过可接受值的代理，可能会持续拒绝"max"参数，直到维护者完成同步。
站在决策十字路口的开发者，其实面临的选择远比想象中清晰。如果你的工作负载集中在长周期智能体任务——计算机使用、知识工作简报、Muse Code中的多步工具循环——Meta的拆分数据与Artificial Analysis的编码智能体榜单都指向同一个结论：切换到max模式大概率物有所值。但请务必在真实任务样本上与xhigh做A/B对比，因为冗长性问题真实存在，并非所有场景都能从中获益。
反之，如果你的应用场景以高流量、低延迟或简短单轮调用为主，xhigh仍然是更理性的选择。Terminal-Bench的测试结果已经证明，在这些场景中max模式增加的主要是token消耗而非实际能力。
展望未来，有三件事值得持续关注。首先是Zuckerberg承诺但尚未定日期的开放权重发布，这将从根本上改变Muse Spark 1.3的生态格局。其次是该模型在未来几周内向Instagram、Facebook和Meta AI消费者的全面铺开，这意味着普通用户即将 firsthand 体验到max推理带来的质变。最后是Artificial Analysis等独立评测机构是否会随着max配置的全面可用，开始对其进行常态化定价追踪——当第三方数据与厂商自报数据形成交叉验证时，我们才能真正看清这款模型的全貌。
为期两天的审核窗口看似短暂，却揭示了一个比上线本身更深刻的行业信号。Meta最强劲的Muse Spark 1.3数据从来不是空中楼阁，它们只是在等待一道安全审查的放行令。截至9月4日，开发者实际可调用的模型与排行榜上的模型终于合二为一。max模式是否物有所值，这个曾经只有Meta内部和少数合作伙伴能回答的问题，如今变成了任何开发者都可以用实证检验的开放命题。无论你选择通过Meta Model API直接接入，还是经由OrcaRouter等第三方路径调用，这场关于推理深度的实验，已经向所有人敞开了大门。
