Muse Spark 1.3 리뷰: 메타의 코딩 1위 주장, 그대로 믿어도 될까

작성일자 글쓴이

이 글은 Apptics AI 모델 분석 에디터가 Meta 공식 발표문, 개발자 문서, Artificial Analysis·OpenRouter 실측 데이터와 독립 매체 검증을 교차 확인해 정리한 실무자용 리뷰입니다.

9월 첫 주, AI 모델 시장이 유난히 시끄러웠습니다. Claude Fable 5.1, Gemini 3.8 Flash, GPT-6가 한꺼번에 나왔고, 메타(Meta)도 같은 날 Muse Spark 1.3을 공개했죠. 메타는 “코딩 벤치마크 1위”라는 숫자를 앞세웠지만, 독립 검증 기관의 결과는 조금 다르게 나왔습니다.

“벤치마크 1위 모델을 그냥 쓰면 되지 않을까?” 하고 넘어가기엔, 이번 릴리스에는 개발자가 직접 확인해야 할 함정이 몇 개 있습니다. 이 글에서 하나씩 짚어볼게요.

Muse Spark 1.3, 어떤 모델인가

Muse Spark 1.3 리뷰: 메타의 코딩 1위 주장, 그대로 믿어도 될까
메타 슈퍼인텔리전스 랩스가 공개한 Muse Spark 1.3. 장기 에이전트 작업과 코딩에 특화된 클로즈드 웨이트 모델이다.

Muse Spark 1.3은 메타 슈퍼인텔리전스 랩스(Meta Superintelligence Labs)가 2026년 9월 2일 공개한 프런티어 추론 모델입니다. 4월에 첫선을 보인 Muse Spark 라인의 세 번째 버전으로, 장기 에이전트 작업과 코딩에 특화해 학습됐습니다.

  • 컨텍스트 윈도우 1M 토큰 — 문서 분석·장기 세션 작업도 청크 분할 없이 처리
  • 멀티모달 입력 — 텍스트·이미지·비디오 인식(오디오는 아직 품질 저하 가능)
  • 접근 경로 — 터미널 코딩 에이전트 Muse Code, Meta Model API, OpenRouter. Meta AI·인스타그램·페이스북 적용은 이후 예정
  • 클로즈드 웨이트 — Llama와 달리 가중치 비공개. 1.2의 가중치 공개 계획은 유지되지만 1.3은 미정

주의할 점은 추론 모드가 xhigh와 max 두 단계로 나뉜다는 것입니다. 출시 시점에 실제로 호출 가능한 것은 xhigh이고, 최고 성적표의 주인공인 max 모드는 추가 안전성 테스트를 거쳐 순차 개방됩니다.

Meta 공식 발표문 바로가기

1.2에서 진짜 달라진 것: 점수가 아니라 ‘행동’

메타가 이번 버전에서 가장 공들인 부분은 벤치마크 점수보다 에이전트로서의 행동 방식입니다. 공식 발표문에 따르면 Muse Spark 1.3은 이렇게 동작하도록 학습됐습니다.

  • 프롬프트가 모호하면 먼저 질문하고, 막히면 사용자에게 도움을 요청
  • 되돌릴 수 없는 작업(삭제·배포·결제 등)은 실행 전 반드시 확인
  • 지저분하고 모순된 입력 소스 사이에서 스스로 컨텍스트를 수집·정리
  • 한 스레드에서 여러 작업을 섞어 지시해도 올바른 작업에 매핑
  • 자신이 모르는 것을 인정 — 할루시네이션 대신 한계 신고

‘되돌릴 수 없는 작업 전 확인’은 특히 중요합니다. 과거 사이버보안 테스트에서 초기 모델이 외부 서비스에 침투하는 사고가 있었고, 이후 메타는 프롬프트 인젝션 방어와 인간 승인 절차를 강화했다고 밝혔습니다. 에이전트를 실서비스에 붙이는 팀이라면 점수보다 이 부분이 실질적 가치가 있죠.

효율도 개선했습니다. 메타 내부 테스트 기준 같은 코딩 워크플로를 1.2 대비 툴 호출 약 20%, 토큰 약 25% 적게 소모한다고 합니다. 알렉산드르 왕(Alexandr Wang) 메타 최고 AI 책임자는 “모델 성능에서 지금까지 중 가장 큰 도약”이라 표현했고, 저커버그는 “프런티어 성능을 거의 공짜에 가깝게”라고 홍보했습니다.

벤치마크: 이긴 곳과 진 곳이 확실히 갈린다

메타 공식 스코어카드(1.3은 max 모드 기준)를 보면 강점이 명확합니다. 롱컨텍스트와 코딩은 압승, 순수 에이전트 평가는 2위권입니다.

벤치마크 (분야) Muse Spark 1.3 (max) Muse Spark 1.2 (xhigh) GPT-5.6 Sol (max) Opus 5 (max)
MRCR 512K–1M (롱컨텍스트) 98.1 55.5 73.8 –
DeepSWE v1.1 (에이전틱 코딩) 75.4 55.0 73.0 74.0
SWEAtlas CodeBase QnA (코드베이스 이해) 59.4 46.2 53.5 52.7
Terminal-Bench 2.1 (터미널 코딩) 88.8 82.9 88.8 86.7
OSWorld 2.0 (컴퓨터 사용) 66.9 47.6 62.7 68.3
GDPVal-AA v2 (지식 작업) 1754 1615 1710 1824
DeepSearchQA (에이전틱 브라우징) 90.3 85.9 93.1 90.4

출처: Meta 개발자 포털 공식 스코어카드 (2026-09-02)

여기서 첫 번째 함정. 표의 1.3 열은 max 모드, 1.2 열은 xhigh 모드입니다. 추론 단계가 다른 비교라 OSWorld 47.6→66.9 같은 극적인 상승폭에는 모드 차이가 섞여 있습니다. 같은 xhigh끼리 비교하면 격차는 훨씬 줄어듭니다. 실제로 Artificial Analysis가 실측한 xhigh 버전은 일부 툴 사용 테스트에서 개선됐지만, 장문서 테스트 83%→79%, 지식 테스트 45%→42%로 오히려 후퇴했습니다(후자는 답변 유보 증가 영향).

종합 지수에서도 마찬가지입니다. Artificial Analysis Intelligence Index 기준 실제 배포 가능한 xhigh는 61점으로 GPT-5.6 Sol과 동률, Claude Fable 5.1(66점)에는 뒤처집니다. 공개 직후 max 기준 62점으로 636개 모델 중 6위라는 보도도 있었지만, 인덱스 버전이 계속 갱신되는 만큼 “1위” 표현은 시점 의존적입니다.

독립 테스트가 던지는 경고: 숫자와 체감의 괴리

더 흥미로운 건 실무 검증 결과입니다. MindStudio가 같은 주 출시 모델들과 아케이드 게임 클론 제작 테스트를 했을 때, DeepSWE 75.4%로 종이 위 1위였던 Muse Spark 1.3은 “큐브가 큐브를 쏘는” 최소 결과물을 낸 반면, 점수가 낮았던 GPT-6와 Gemini 3.8 Flash는 완성도 높은 게임을 만들었습니다. SVG 생성 평가(Beauty Bench)에서도 20위에 그쳤죠.

비용도 다시 봐야 합니다. 토큰 단가는 동결이지만 모델이 더 ‘수다스러워져서’ 실사용 비용은 올랐습니다.

  • Artificial Analysis 측정: 지수 태스크 1회당 비용 $0.40(1.2) → $0.55(1.3)
  • 전체 지수 완주에 출력 토큰 120M 소모 — 필드 중위값 72M의 약 1.7배, 커뮤니티 체감으로는 1.2의 약 3배

해커뉴스 런칭 스레드(391포인트, 261댓글)에서 나온 실전 팁 하나: 메타가 자사 하네스(Muse Code)와 함께 학습시켰기 때문에, 서드파티 에이전트보다 Muse Code 안에서 돌릴 때 토큰·턴 소모가 줄어듭니다. 다른 하네스에서 비싸 보인다면 그 때문일 수 있습니다.

가격: 데이터 제공 여부로 갈리는 두 개의 엔드포인트

이번 릴리스에서 가장 논쟁적인 부분은 가격 구조입니다. 같은 모델인데 엔드포인트가 두 개입니다.

구분 입력 /1M 캐시 입력 /1M 출력 /1M 데이터 사용
표준 (muse-spark-1.3) $1.25 $0.15 $4.25 비공개, 학습 미사용
컨트리뷰터 (contributor) $0.10 $0.002 $0.20 메타 제품 개선에 활용

출처: Meta 개발자 포털 가격표 (2026-09-02)

컨트리뷰터 티어는 데이터를 제공하는 조건으로 10~20배 저렴합니다.

Muse Spark 1.3의 두 가지 API 엔드포인트 — 표준 vs 컨트리뷰터 가격 구조
같은 모델, 두 개의 가격표. 데이터 제공 여부에 따라 표준 티어와 컨트리뷰터 티어로 갈린다.

해커뉴스의 한 줄 평이 본질을 찔렀습니다. “메타가 당신 데이터를 비싸게 사는 게 아니라, 기업들이 메타에 데이터를 안 주려고 비싸게払는 것.” 개인 프로젝트·실험이면 컨트리뷰터, 고객 데이터나 사내 코드가 걸리면 표준 티어가 맞습니다.

Meta Model API 가격·문서 바로가기

에디터가 직접 확인한 점

이 글은 공식 문서 기반 분석이며, 제가 내세운 수치는 모두 1차 출처(메타 개발자 포털·공식 발표문)와 독립 측정 기관(Artificial Analysis, OpenRouter 실측) 교차 검증을 거쳤습니다. 그 과정에서 확인한 사실 세 가지:

  • 공식 스코어카드의 모드 비대칭은 실재한다 — developer.meta.com 표 자체에 “1.3 (max)”와 “1.2 (xhigh)”가 명시돼 있습니다. 마케팅이 아니라 원본 데이터 단계에서부터 확인되는 구조입니다.
  • OpenRouter 실측 지표도 체크 — 출시 직후 P50 지연 13.92초, 가동률 99.89%로 인프라 안정성은 무난했습니다. 다만 출시 promo 기간 이후 실비용은 표준 단가로 회귀하니 프로모션 종료 시점을 확인하세요.
  • 롱컨텍스트 98점대는 검증 가치가 있는 강점 — MRCR 수치는 독립 분석에서도 이견이 없습니다. 1M 컨텍스트로 코드베이스 전체를 던지는 용도라면 현재 시장에서 가장 합리적인 선택지 중 하나입니다.

도입 전 체크리스트

  • ☐ 내 워크로드가 롱컨텍스트·코딩 중심인가? (그렇다면 적합, 순수 에이전트 자동화 중심이면 Opus 5·Fable 5.1과 비교 필수)
  • ☐ 지금 호출 가능한 건 xhigh 모드임을 팀에 공유했는가? (max 성적표로 의사결정 금지)
  • ☐ 토큰 단가가 아니라 태스크당 총비용으로 시뮬레이션했는가? (출력 장황함 반영)
  • ☐ 데이터 민감도에 따라 표준/컨트리뷰터 엔드포인트를 결정했는가?
  • ☐ 가능하면 Muse Code 하네스에서 먼저 테스트했는가? (토큰 절감 효과)
  • ☐ 벤치마크 대신 내 실제 태스크 1~2개로 직접 비교 테스트를 돌렸는가?

OpenRouter에서 Muse Spark 1.3 확인하기

자주 묻는 질문 (FAQ)

Muse Spark 1.3은 오픈소스인가요?

아니요. 클로즈드 웨이트(비공개 가중치) 모델입니다. 오픈소스 Llama 라인과 별개이며, 구버전인 1.2의 가중치 공개 계획은 남아 있지만 1.3 공개는 확정되지 않았습니다.

지금 API로 쓸 수 있는 모드는 뭔가요?

xhigh 모드입니다. 벤치마크 최고점을 낸 max 모드는 추가 안전성 테스트 후 순차 개방 예정이라, 출시 직후 시점의 실서비스 성능 평가는 xhigh 기준으로 해야 정확합니다.

1.2를 쓰고 있는데 업그레이드할 가치가 있나요?

코딩·롱컨텍스트 워크로드라면 있습니다. DeepSWE 55.0→75.4, MRCR(512K–1M) 55.5→98.1은 큰 폭의 개선입니다. 다만 장문서 이해·일반 지식 작업이 중심이라면 xhigh 기준 일부 지표가 후퇴했으므로 내 태스크로 먼저 검증하세요.

컨트리뷰터 티어를 써도 안전한가요?

입력 데이터가 메타 제품 개선에 활용됩니다. 개인 프로젝트나 공개 데이터면 가격 대비 이득이 크지만, 고객 정보·사내 코드·영업비밀이 섞인 요청에는 표준 티어를 사용해야 합니다.

결론: 벤치마크가 아니라 ‘내 태스크’로 판단할 것

Muse Spark 1.3은 코딩과 롱컨텍스트에서 확인 가능한 강점을 가진, 가격 경쟁력 있는 프런티어 모델입니다. 동시에 max/xhigh 모드 혼동, 출력 장황함에 따른 실비용 상승, 독립 테스트에서의 체감 격차라는 분명한 단서도 달고 나왔습니다. 벤치마크 리더보드는 출발점일 뿐 결론이 아닙니다. 소규모 태스크로 직접 테스트해보고, 데이터 민감도에 맞는 엔드포인트를 고르는 것이 이번 릴리스를 가장 현명하게 쓰는 방법입니다.

Meta Model API 시작하기

함께 읽으면 좋은 글