Muse Spark 1.1: il modello agentico di Meta, la prima API pubblica e cosa cambia per chi sviluppa

Perché se ne parla#

Il 9 luglio 2026 Meta Superintelligence Labs, il laboratorio di Meta guidato da Alexandr Wang, ha pubblicato Muse Spark 1.1. È il primo modello di ragionamento multimodale del laboratorio ed è un aggiornamento corposo del precedente Muse Spark: contesto da 1 milione di token, testo, immagini, video e PDF gestiti in modo nativo, e soprattutto la capacità di lavorare come agente, cioè di usare strumenti, app e computer per portare a termine un compito.

La vera notizia per chi sviluppa, però, è un'altra: con Muse Spark 1.1 arriva la Meta Model API, la prima API pubblica di Meta per i suoi modelli, in anteprima e compatibile con lo standard di OpenAI.

Lo stesso giorno sono usciti anche Muse Image e, in anteprima, Muse Video. I tre modelli insieme formano la prima famiglia multimodale completa del laboratorio, nato dopo l'operazione di Meta su Scale AI con l'obiettivo dichiarato di costruire una "superintelligenza personale".

La scheda#

Rispetto a Muse Spark, Meta indica miglioramenti netti in quattro aree: uso degli strumenti, uso del computer, programmazione e comprensione di immagini e video.

Quattro demo per capire cosa sa fare#

Meta ha accompagnato il lancio con quattro dimostrazioni. Valgono come esempi scelti dal produttore, ma rendono bene l'idea.

1. Organizzare una grigliata#

Ash deve organizzare un barbecue: mettere d'accordo gli invitati, scegliere un fornitore e, a un certo punto, fare i conti con il meteo che cambia. Il modello scrive ai fornitori su Messenger, verifica chi è disponibile e, quando le previsioni peggiorano, riorganizza il piano da solo, senza che Ash debba intervenire. Nel frattempo tiene a mente ogni messaggio ricevuto, capisce cosa vuole ciascun partecipante e porta avanti più sotto-attività in parallelo.

2. Descrivere un'immagine nei minimi dettagli#

La seconda demo si chiama action captioning. Il modello esamina un particolare sfocato di una bicicletta e produce una didascalia molto precisa, pensata per addestrare altri modelli di visione artificiale. Il punto è che la qualità della descrizione resta alta lungo tutto il flusso di lavoro con immagini e video.

3. Valutare sé stesso#

In OpenCode, un ambiente di programmazione, Muse Spark 1.1 esegue 20 compiti tratti da DeepSWE con diversi livelli di ragionamento, analizza come sono andati e costruisce un cruscotto con i risultati. In pratica fa il lavoro di un analista che misura le prestazioni di un sistema, e il sistema è lui.

4. Trovare e correggere un bug che si vede#

Sempre in OpenCode, il modello realizza un'applicazione web per chattare, poi si fa da solo delle schermate per scovare gli errori visibili, risale dal difetto grafico alla riga di codice responsabile, lo corregge e verifica che la correzione funzioni. Programmazione, vista e uso degli strumenti lavorano insieme.

Come lavora da agente#

Un capo e una squadra#

Muse Spark 1.1 è addestrato per funzionare in sistemi con più agenti, in due ruoli diversi:

• da agente principale raccoglie il contesto, prepara un piano e affida i pezzi di lavoro a sotto-agenti che procedono in parallelo;

• da sotto-agente si concentra sul proprio incarico, capisce quali strumenti ha a disposizione e sa quando fermarsi e riportare la questione all'agente principale.

Meta dichiara che, grazie a un addestramento specifico su questo coordinamento, affronta i progetti complessi molto più in fretta del predecessore, perché riduce il tempo totale dall'inizio alla fine del compito.

Un milione di token, gestito con criterio#

Il contesto da un milione di token non viene solo riempito: il modello lo gestisce. Ricorda le azioni già fatte, recupera informazioni da passaggi lontani e, quando serve, compatta la memoria tenendo solo i passaggi importanti per le fasi successive. Nella demo della grigliata è quello che gli permette di riprendere il filo con ogni invitato in modo naturale.

La modalità Thinking aggiunge un ragionamento interno più lungo: il modello pianifica prima di agire, valuta strade alternative e spiega perché ha scelto una soluzione. Si attiva sia nell'app sia via API.

Strumenti mai visti prima#

Un dettaglio che conta per chi integra: Meta afferma che il modello si adatta senza addestramento aggiuntivo a strumenti nativi nuovi, a server MCP (lo standard con cui un agente si collega a servizi esterni) e a skill personalizzate.

Usare il computer come una persona#

L'uso del computer è una delle capacità su cui Meta punta di più. Il modello osserva le interfacce, clicca, scrive, apre menu e gestisce finestre, anche su più applicazioni insieme e con informazioni che cambiano mentre lavora. Tiene il filo in sessioni lunghe, si adatta se i requisiti cambiano e si muove in interfacce che non conosce con poco aiuto umano.

La parte più interessante è la scelta del metodo. Muse Spark 1.1 decide quando conviene scrivere uno script che automatizzi il lavoro, quando è meglio cliccare direttamente sull'interfaccia e quando preparare un gruppo di azioni da eseguire in un colpo solo, per ridurre i tempi.

Su OSWorld-Verified, un test di uso autonomo del computer, Meta riporta questi punteggi:

I benchmark dichiarati da Meta#

Meta ha pubblicato un confronto completo con la versione precedente. Sono dati del produttore, non ancora verificati da terzi.

E rispetto ai concorrenti?#

Meta ha pubblicato anche grafici di confronto con Claude Opus 4.8, GPT-5.5 e Gemini 3.1 Pro. La tabella completa divide le prove in tre famiglie: agenti (MCP Atlas, JobBench, Toolathlon, OSWorld, Humanity's Last Exam e Finance Agent), programmazione (Terminal-Bench, SWE-Bench Pro, DeepSWE) e comprensione multimodale (CharXiv, BabyVision). I valori dei concorrenti si leggono nella tabella e nei grafici ufficiali; in sintesi, le conclusioni dichiarate sono queste:

• su MCP Atlas Muse Spark 1.1 è primo, davanti a tutti i concorrenti;

• su JobBench fa meglio di GPT-5.5 (xhigh) e di Opus 4.8 (max);

• su DeepSearchQA è secondo, dietro GPT-5.5 xhigh e davanti a Opus 4.8;

• sul test interno di programmazione di Meta è competitivo con Opus 4.8, GPT-5.5 e Gemini 3.1 Pro;

• su BabyVision e OSWorld 2.0, guardando al costo per attività, è il migliore quando si spende poco; chi è disposto a spendere molto di più arriva più in alto con GPT-5.5 od Opus 4.8;

• su WideSearch il sistema con più agenti batte quello con un agente solo a qualsiasi livello di latenza.

C'è però un'area in cui resta indietro, ed è quella della programmazione di lunga durata.

Sicurezza#

Prima del rilascio Meta ha valutato il modello seguendo il proprio Advanced AI Scaling Framework. Sulle categorie di rischio più gravi (armi chimiche e biologiche, sicurezza informatica, perdita di controllo) le valutazioni lo collocano, secondo Meta, entro margini considerati sicuri.

Meta dichiara inoltre che il modello:

• resiste ai tentativi diretti di aggirarne le regole (jailbreak);

• resiste agli attacchi indiretti nascosti in dati non affidabili, alla prompt injection e agli attacchi tramite le istruzioni dello sviluppatore;

• inventa meno risposte (allucinazioni) e tende meno a dare ragione all'utente a ogni costo.

Il dettaglio sta nel Muse Spark 1.1 Evaluation Report. Per un'azienda il punto sulla prompt injection è il più concreto: un agente che legge email, pagine web o documenti di terzi può trovarsi davanti istruzioni malevole nascoste nel testo, e deve saperle ignorare.

Cosa dicono i primi partner#

Alcune aziende che hanno avuto accesso anticipato hanno commentato il lancio:

• Amjad Masad, CEO di Replit, elenca tra i punti forti il contesto da un milione di token, il supporto multimodale, la ricerca con citazioni, il ragionamento e la programmazione, e lo definisce una base completa per costruire agenti.

• Saoud Rizwan, CEO di Cline, sottolinea che Meta sta puntando sulla programmazione agentica seria, con un buon uso degli strumenti a un prezzo che rende sostenibili carichi di lavoro reali.

• Yashodha Bhavnani, VP AI Products di Box, parla di capacità aziendali all'altezza dei migliori modelli di frontiera.

• Dave Morin, della OpenClaw Foundation, lo riassume così: "Fast, powerful, and fun with OpenClaw."

Sono testimonianze di partner scelti da Meta: utili per capire il posizionamento, non una prova indipendente.

La Meta Model API e i prezzi#

È la prima volta che Meta mette a disposizione un'API pubblica per i propri modelli. È in anteprima pubblica e segue lo standard di OpenAI, quindi funziona con strumenti già diffusi come Cursor, Cline, Replit e OpenClaw. L'indirizzo è https://api.meta.ai/v1 e l'accesso avviene con una chiave API.

Per chi ha già un'integrazione basata sull'SDK di OpenAI, la prova richiede pochi cambiamenti:

from openai import OpenAI

client = OpenAI(
    api_key="LA_TUA_CHIAVE_META",          # la chiave della Meta Model API
    base_url="https://api.meta.ai/v1",     # l'indirizzo delle API di Meta
)
risposta = client.chat.completions.create(
    model="NOME_DEL_MODELLO_MUSE_SPARK",   # il nome indicato nella documentazione
    messages=[{"role": "user", "content": "Riassumi questo contratto in 5 punti."}],
)

Il listino annunciato al lancio:

Un esempio di calcolo#

Prendiamo un agente che in un mese legge 5 milioni di token (email, documenti, pagine) e ne scrive 1 milione:

Con i 20 $ di crediti iniziali si coprono quasi due mesi di un carico simile. È un esempio indicativo: gli agenti che lavorano a lungo consumano molti token, e il conto vero va misurato su un caso reale.

Dove si usa#

• Meta Model API, in anteprima pubblica, al lancio solo negli Stati Uniti.

• App Meta AI e meta.ai, in modalità Thinking.

• Strumenti per sviluppatori compatibili: SDK di OpenAI, Replit, Cline, OpenClaw, Cursor.

Cosa resta da capire#

• Come si comporta nelle valutazioni indipendenti (LMArena, Artificial Analysis, LiveBench).

• Se e quando accetterà l'audio in ingresso: al lancio lavora su testo, immagini, video e PDF.

• Quale sarà la strada verso Muse Spark 2.0 e la generazione successiva.

• Tempi e limiti della disponibilità in Europa.

Cosa significa per un'azienda#

Muse Spark 1.1 è pensato per agenti che fanno cose: rispondere a fornitori e clienti su più canali, lavorare dentro gestionali e siti web, programmare e controllare il proprio lavoro. Se state valutando un progetto del genere, tre considerazioni pratiche:

1. Cambiare fornitore costa poco. Con un'API compatibile con OpenAI si può mettere Muse Spark 1.1 a confronto con il modello che si usa oggi cambiando indirizzo e chiave, senza riscrivere l'integrazione.

2. Dipende dal lavoro. Se il compito è soprattutto usare strumenti e app, i numeri di Meta sono promettenti; se è programmazione lunga e complessa, Opus 4.8 e GPT-5.5 restano davanti.

3. Prima la disponibilità. Finché l'API è limitata agli Stati Uniti, per un'azienda europea è un modello da tenere d'occhio più che da mettere in produzione.

Se volete capire in concreto cosa può fare un agente in un'azienda come la vostra, trovate esempi nella guida su cosa sono gli agenti AI.

Il mio parere#

Muse Spark 1.1 è un rilascio strategico per Meta più che una corsa al primo posto. Non vince tutte le classifiche e non ci prova: offre una piattaforma equilibrata e completa, con un'API compatibile con OpenAI che abbassa molto la barriera d'ingresso per chi sviluppa. I dati di Meta lo mettono davanti a Opus 4.8 e GPT-5.5 nell'uso degli strumenti (88,1 su MCP Atlas, 54,7 su JobBench), mentre nella programmazione di lunga durata, con 53,3 su DeepSWE 1.1, resta alle spalle di GPT-5.5 (67,0) e di Opus 4.8 (59,0).

Per chi sviluppa in Italia il vantaggio più immediato è proprio la compatibilità: provarlo richiede di cambiare l'indirizzo base e poco altro. Il limite, per ora, è la disponibilità geografica. Quando arriverà anche da noi, il metodo sarà quello di sempre: un piccolo insieme di compiti reali, eseguiti con Muse Spark 1.1 e con il modello attuale, misurando qualità, costo, tempi e quante volte serve l'intervento di una persona.

Domande frequenti#