.png)
November 6, 2026
|
5 min read
Muse Spark 1.3 هنا: ما الذي أطلقته Meta فعلياً؟
.png)
Built for Speed: ~10ms Latency, Even Under Load
Blazingly fast way to build, track and deploy your models!
- Handles 350+ RPS on just 1 vCPU — no tuning needed
- Production-ready with full enterprise support
ما الذي أطلقته Meta
يُعد Muse Spark أول عائلة نماذج من مختبرات Meta للذكاء الاصطناعي الفائق (Meta Superintelligence Labs)، وقد تم تقديمه في 8 أبريل 2026 كبديل لسلسلة Llama (Meta AI). الإصدار 1.3 هو التكرار الثالث، ووفقاً لوثائق Meta، فهو الخيار الافتراضي الموصى به للمشاريع الجديدة.
المواصفات، وفقاً لصفحة نماذج واجهة برمجة تطبيقات Meta وصفحة الأسعار، اعتباراً من سبتمبر 2026:
هناك ثلاث تفاصيل تستحق التوقف عندها.
إنه ليس نموذجاً مفتوح الأوزان. هذا هو الخطأ الأول الذي يقع فيه معظم الناس، ويرجع ذلك جزئياً إلى أن Meta قضت سنوات كشركة رائدة في مجال النماذج مفتوحة الأوزان. يتم تقديم Muse Spark 1.3 عبر واجهة برمجة تطبيقات (API) فقط. وتختتم ملاحظات إصدار Meta بخارطة طريق تشير إلى "إصدار أوزان Muse Spark" كخطوة مستقبلية، وهو تصريح واضح بأن ذلك لم يحدث بعد. إذا كنت بحاجة إلى أوزان Meta التي يمكنك تنزيلها اليوم، فالنموذج هو Muse Glimmer: 30 مليار معامل، نموذج متعدد الوسائط كثيف، سياق افتراضي 128 ألف رمز، ترخيص Apache 2.0، مستخلص من Muse Spark (وثائق Muse Glimmer). ترخيص متساهل حقاً، ونموذج أصغر بكثير. لا تخلط بين الاثنين.
أداء الصوت متراجع في الإصدار 1.3 تحديداً. تشير حواشي صفحة نماذج Meta إلى أن فهم الصوت في الإصدار 1.3 "غير مدعوم بالكامل حالياً" وأن جودة الاستجابة قد تتأثر، وتوصي باستخدام الإصدار 1.2 أو نموذج Muse Voice Transcribe المخصص بدلاً منه. هذا تراجع غير معتاد في إصدار فرعي، وهو أمر مهم إذا كانت خطوط المعالجة لديك تعتمد على الصوت.
نافذة السياق ذات سعر ثابت. 1,048,576 رمزاً، وبحسب تعبير Meta، لا توجد تكلفة إضافية للسياق الطويل؛ فالسعر لكل رمز ثابت سواء كانت النافذة شبه فارغة أو ممتلئة تقريباً. يفرض معظم المزودين رسوماً إضافية عند تجاوز حد معين، لكن هذا النموذج لا يفعل ذلك.
[لقطة شاشة: واجهة برمجة تطبيقات نماذج Meta — لوحة تحكم dev.meta.ai تظهر إدخال نموذج muse-spark-1.3 واختيار الفئة]
ما الذي تغير مقارنة بـ Muse Spark 1.2
تُسوق Meta للإصدار 1.3 كإصدار يركز على سهولة الاستخدام أكثر من كونه قفزة في القدرات، وتدعم الفروقات المنشورة هذا التوجه.
المصدر: تقديم Muse Spark 1.3، أبحاث Meta AI، 2 سبتمبر 2026.
تحمل أرقام الكفاءة تبعات تجارية مباشرة: خفض بنسبة 25% في عدد الرموز لنفس العمل يعني خفضاً بنسبة 25% في التكلفة، قبل اتخاذ أي قرار بشأن التوجيه. لكن انظر إلى المصدر؛ فهذه مقارنة هندسية داخلية من Meta، وليست تقييماً من طرف ثالث. الاتجاه صحيح على الأرجح، أما حجم التأثير على سير عملك فهو أمر يعود لك لقياسه.
التغيرات السلوكية هي الجانب الأكثر إثارة للاهتمام بهدوء. فالنموذج الذي يسأل قبل القيام بشيء لا رجعة فيه، ويعترف عندما يواجه طريقاً مسدوداً، يمثل نهجاً تشغيلياً مختلفاً تماماً عن النموذج الذي يندفع بثقة. بالنسبة لعمليات الوكلاء طويلة الأمد حيث يكلف استدعاء أداة خاطئة أموالاً حقيقية، فإن هذا الأمر يستحق أكثر من مجرد نقطة في اختبار معياري.
المقاييس المعيارية، وما لا تنشره ميتا
تنشر ميتا بطاقة تقييم معيارية تقارن بين Muse Spark 1.3 و Muse Spark 1.2 و GPT-5.6 Sol و Claude Opus 5 عبر تقييمات الوكلاء، والبرمجة، واتباع التعليمات، والسياق الطويل. وتوضح مجموعة التقييمات، وفقاً لتقرير منهجية التقييم الخاص بميتا:
النتائج الفردية هي [تحقق]. تنشر ميتا هذه النتائج فقط داخل صورة معروضة في منشور الإصدار، وليس كنص قابل للقراءة آلياً، لذا لن يقوم هذا المنشور بنقل أرقام لا يمكنه الاستشهاد بها بدقة. يرجى استخراجها من بطاقة التقييم الموجودة على صفحة ميتا قبل اقتباس أي رقم.
ما يذكره تقرير المنهجية نصاً هو أكثر فائدة من النتائج على أي حال، وهناك ثلاثة تحذيرات يجب أن تؤخذ بعين الاعتبار مع أي رقم تقوم باقتباسه.
تم إجراء المقارنات بمستويات جهد مختلفة. تم تقييم Muse Spark 1.3 و Opus 5 و GPT-5.6 Sol بأقصى جهد استنتاجي، بينما تم تقييم Muse Spark 1.2 بمستوى xhigh. لذا، فإن جزءاً من الفرق بين إصداري 1.2 و 1.3 يعود إلى اختلاف الإعدادات، وليس إلى اختلاف النموذج بحد ذاته.
المقارنة مع OSWorld ليست متطابقة من حيث الإصدار. تم تقييم كل نموذج على إصدار 08.08 من OSWorld 2.0 باستثناء Muse Spark 1.2، الذي تم تشغيله على إصدار 06.24. تفصح ميتا عن ذلك بوضوح، وهو أمر يُحسب لها، لكنه يعني أن هذا الصف تحديداً لا يمثل مقارنة عادلة بين عناصر متماثلة.
النتائج تعتمد على أفضل ما تم توفيره من المصادر. تذكر ميتا أنها تستخدم "أعلى قيمة للمقياس الأساسي قابلة للمقارنة ومتاحة من تقييمنا، أو لوحة الصدارة الرسمية، أو النتائج التي أعلن عنها مزود النموذج". إن اعتماد أفضل رقم متاح لكل نموذج في كل صف هو أسلوب يمكن الدفاع عنه، لكنه لا يمثل تشغيلاً تجريبياً واحداً خاضعاً للرقابة.
تتسم ميتا أيضاً بصراحة غير معتادة بشأن حدود اختبارات المنافسين الخاصة بها، مشيرة إلى أن تشغيلاتها "قد لا تكون مضبوطة للنماذج المملوكة لجهات أخرى وقد لا تعكس أفضل أداء تم تحسينه من قبل مزوديها". هذا إخلاء مسؤولية صادق، وسبب وجيه للتعامل مع بطاقة تقييم أي بائع — بما في ذلك هذه البطاقة — كفرضية أولية بدلاً من كونها نتيجة نهائية. المقياس الوحيد الذي يحسم قرار التوجيه هو حركة البيانات الخاصة بك على مطالباتك (prompts)، وهذا هو السبب الذي يدعوك لإجراء تقييمك الخاص قبل الالتزام.
كيف تبدو أسعار Muse Spark في الواقع
تدير ميتا فئتين، والفجوة بينهما هي الحقيقة الأكثر أهمية في هذا المنشور بأكمله.
المصدر: أسعار وحدود معدل واجهة برمجة تطبيقات نماذج ميتا، سبتمبر 2026.
فئة المساهم (Contributor) أرخص بنسبة 92% في المدخلات و95% في المخرجات. ميتا شفافة تماماً بشأن هذا المقايضة: رموز (tokens) مخفضة السعر بشدة "مقابل الحصول على إذن لاستخدام مطالباتك ومخرجاتك لتدريب نماذج ميتا المستقبلية". معرفات النماذج مميزة — muse-spark-1.3-contributor بدلاً من muse-spark-1.3 — لذا فإن الاختيار يكون صريحاً عند وقت الاستدعاء، وليس مخفياً في إعدادات الحساب.
تلك الشفافية ممارسة جيدة. لكنها تخلق أيضاً مخاطرة تشغيلية محددة، سنعود إليها لاحقاً.
ملاحظتان إضافيتان حول التسعير. تكلف ميزة الربط ببحث الويب 2.50 دولاراً لكل 1000 استعلام بالإضافة إلى تكلفة الرموز، لذا فإن أي شيء يستخدم أداة web_search لديه عداد ثانٍ يعمل. كما أن أقصى جهد استنتاجي متاح فقط للفئة القياسية (Standard) — الفئة الرخيصة لا يمكنها الوصول إلى النمط الذي ينتج المقاييس المعيارية الرئيسية.
أين تواجه الفرق المشاكل
هناك أربعة أنماط من الفشل خاصة بهذا الإصدار وليست عامة لاعتماد النماذج بشكل عام.
مستوى "المساهم" (Contributor) قد يؤدي إلى حادثة بيانات بسبب خطأ في إعداد واحد فقط. إن خصماً بنسبة 92% هو بالضبط نوع التوفير الذي قد يطبقه المهندس أثناء مراجعة التكاليف دون قراءة النصف الثاني من الجملة، كما أن معرّفي النموذج يختلفان في لاحقة واحدة فقط. إذا قام مطور بتوجيه خدمة إنتاجية إلى muse-spark-1.3-contributor لتحقيق هدف الميزانية، فستصبح مطالبات العملاء بيانات تدريب لشركة Meta، ولن يظهر أي اختلاف في التطبيق. يجب فرض هذا الأمر من مكان مركزي، لأنه لن يتم فرضه بشكل موثوق في كل مستودع.
حدود المعدل تُطبق لكل فريق، وليس لكل مفتاح. توضح Meta الأمر صراحةً: جميع المفاتيح في الفريق الواحد تتشارك في ميزانية 3,000 طلب في الدقيقة (RPM) و4 ملايين رمز في الدقيقة (TPM). إصدار مفتاح لكل خدمة لا يعني تقسيم السعة، لذا يمكن لوظيفة دفعية واحدة سيئة الأداء أن تستنزف موارد منتج تفاعلي. تنصح Meta بقراءة ترويسة x-ratelimit-remaining-tokens وإبطاء العمل قبل الوصول إلى الحد الأقصى، مما يعني أن شيئاً ما في حزمة تقنياتك يجب أن يقوم بذلك فعلياً.
الأوزان المغلقة تعني أن نقاش الإقامة (residency) ينتهي مبكراً. مع نموذج مفتوح الأوزان، يمكنك الجدال حول مكان تشغيله. هنا توجد إجابة واحدة: المطالبات تذهب إلى واجهة برمجة تطبيقات Meta. مستشارك القانوني يقرر ما هو مقبول؛ النقطة هي أن مخرج الاستضافة الذاتية الموجود في Muse Glimmer غير موجود في Muse Spark.
تغير الإصدارات سريع جداً. ثلاثة إصدارات بين أبريل وسبتمبر 2026، وحوالي أربعة أسابيع بين 1.2 و1.3، وتراجع موثق في أداء الصوت في إصدار فرعي. أي تكامل يربط اسم النموذج برمجياً بشكل ثابت سيحتاج إلى إعادة نظر في وقت أقرب مما تفترضه دورة التخطيط، وهو ما صُممت من أجله أسماء النماذج الافتراضية وعمليات الانتقال المرحلية .
دور TrueFoundry
النموذج المغلق يغير الغرض من البوابة (Gateway). مع إصدار مفتوح الأوزان، تكون وظيفة البوابة هي قابلية النقل. أما هنا، فالأمر يتعلق بالتحكم، ونسب البيانات، والقدرة على تغيير رأيك.
اجعل المستوى سياسة، وليس تفضيلاً. يجب اتخاذ قرار "المساهم" مرة واحدة، من قبل الأشخاص المسؤولين عنه، ثم فرضه. إن فرض السياسات على مستوى البوابة يتيح لك كشف muse-spark-1.3 لخدمات الإنتاج وتقييد متغير "المساهم" في بيئة تجريبية، أو حظره تماماً. تطلب التطبيقات اسماً للنموذج، وتقرر البوابة ما يؤول إليه هذا الطلب.
وجّه المهام بناءً على طبيعتها، لا بناءً على الولاء للمورد. تضع بطاقة أداء Meta الإصدار 1.3 في مواجهة Opus 5 وGPT-5.6 Sol بدلاً من الادعاء بالتفوق عليهما في كل شيء، وهو ما يعد حجة لصالح استخدام أسطول متنوع من النماذج. مهام الوكلاء طويلة الأمد والعمل بسياق يصل لمليون رمز تذهب إلى Muse Spark؛ أما الأعمال الأخرى فتذهب حيث يكون أداؤها أفضل. في اختبار التوجيه التلقائي (Auto Routing) الخاص بـ TrueFoundry عبر 550 مطالبة، أدى تصنيف الطلبات بهذه الطريقة إلى خفض التكلفة بنسبة 69% مع الحفاظ على 98% من الجودة الأساسية، وانخفض متوسط زمن الاستجابة من 7.6 ثانية إلى 4.0 ثانية؛ وفي حركة المرور ذات الطابع الإنتاجي، وصل التخفيض إلى 80%.
استيعاب حد المعدل المشترك. نظرًا لأن حصة Meta مخصصة لكل فريق، فإن البوابة هي المكان الطبيعي لإدارتها: تحديد معدل الاستخدام لكل فريق مستهلك، ووضع الطلبات في قائمة انتظار، و تجاوز الفشل إلى مزود آخر عندما تُرجع Meta رمز الخطأ 429. تتطلب الميزانية المشتركة الواحدة مكاناً واحداً يفهمها.
حافظ على ضوابط الأمان الخاصة بك. تشير Meta إلى تحسن في مقاومة حقن الأوامر (prompt-injection) في الإصدار 1.3، وهو أمر مرحب به ولكنه ليس تحكماً تمتلكه أنت. تعمل ضوابط الأمان في البوابة على مسار الطلب والاستجابة بغض النظر عن المزود الذي يستجيب، لذا لا تتغير سياستك عند تغيير النموذج.
قياس ادعاء الكفاءة. تقول Meta إن الإصدار 1.3 يستخدم رموزاً (tokens) أقل بنسبة 25% تقريباً مقارنة بالإصدار 1.2. إن تتبع التكلفة لكل طلب وتخصيص الرموز حسب الفريق هو الطريقة التي يمكنك بها التأكد من ذلك على حركة مرور بياناتك بدلاً من التسليم بالأمر.
كيفية تشغيل Muse Spark 1.3 عبر البوابة
الخلاصة، اعتباراً من سبتمبر 2026:
- حدد المستوى أولاً، وقم بتدوينه. المستوى القياسي لأي شيء يمس بيانات العملاء. مستوى المساهم (Contributor) فقط في الحالات التي يكون فيها التدريب على تلك الأوامر مقبولاً حقاً — مثل النماذج الأولية الداخلية، ومجموعات التقييم الاصطناعية. اجعل هذا قراراً على مستوى المنصة قبل إصدار أول مفتاح وصول.
- سجّل Meta كمزود واعرض muse-spark-1.3 تحت اسم نموذج افتراضي ثابت، بحيث يكون الانتقال إلى إصدار 1.4 مستقبلاً مجرد تغيير في إعدادات البوابة بدلاً من إعادة نشر عبر كل خدمة.
- اختر تنسيق واجهة برمجة التطبيقات (API) الذي تستخدمه بالفعل. توفر Meta الاستجابات، وإكمال الدردشة، والرسائل، لذا فإن معظم العملاء الحاليين يحتاجون فقط إلى تغيير عنوان URL الأساسي بدلاً من إعادة كتابة الكود.
- حدد جهد الاستنتاج بعناية. يقتصر إصدار max على الفئة القياسية (Standard-tier) وهو المسؤول عن إنتاج النتائج الرئيسية والفواتير الأساسية. ابدأ بالمستوى الأدنى وقم بالتصعيد حسب نوع المهمة.
- خصص ميزانية منفصلة لعمليات البحث. تُكلف ميزة الربط ببحث الويب 2.50 دولار لكل 1000 استعلام بالإضافة إلى تكلفة الرموز (tokens). تتبع هذه التكلفة كبند مستقل.
- قم بتوجيه جزء من حركة البيانات، ثم قارن النتائج. أرسل حركة بيانات فعلية، وقِس التكلفة لكل إجابة مقبولة مقارنةً بالنموذج الحالي الذي تستخدمه، وتوسع فقط في المجالات التي يتفوق فيها النموذج الجديد.
[لقطة شاشة: Muse Code — جلسة طرفية تعرض تشغيل وكيل ذكاء اصطناعي على Muse Spark 1.3]
قراءات ذات صلة
- توجيه النماذج اللغوية الكبيرة (LLM Routing): اختيار النموذج بناءً على التكلفة والجودة
- ما هو تطبيق سياسات الذكاء الاصطناعي؟
- توزيع تكاليف النماذج اللغوية الكبيرة وميزانيات الفرق
- استضافة النماذج مفتوحة الأوزان ذاتياً خلف بوابة ذكاء اصطناعي
- ما هي بوابة النماذج اللغوية الكبيرة (LLM Gateway)؟
الخلاصة
يُعد Muse Spark 1.3 إصداراً كفؤاً وغير متكلف، وهذا الجانب "غير المتكلف" هو جوهر الأمر. لم تدّعِ Meta الوصول إلى آفاق جديدة، بل ركزت على تقليل استدعاءات الأدوات، وتقليل عدد الرموز، وتحسين السلوك في المحادثات الطويلة، واتخاذ قرارات أفضل بشأن الإجراءات غير القابلة للتراجع؛ وهي الأمور التي تحدد ما إذا كان تشغيل الوكيل سينتهي بنجاح أو سيستهلك وقتاً طويلاً دون جدوى. بالنسبة لفريق يقوم بالفعل بالتوجيه عبر عدة مزودين، فإن هذا يجعله خياراً رابعاً موثوقاً لعمل الوكلاء طويل الأمد، مع ميزة نافذة المليون رمز بسعر ثابت كعامل تمييز.
كن واقعياً بشأن نقاط الضعف. الأوزان مغلقة، لذا فإن حجج قابلية النقل ومكان الإقامة التي تجعل النماذج مفتوحة الأوزان مثيرة للاهتمام لا تنطبق هنا — وإذا كنت تبحث عن نموذج Meta المفتوح، فهو Muse Glimmer، وهو نموذج أصغر بكثير. تراجع أداء الصوت في هذا الإصدار. كما أن النتائج الرئيسية منشورة كصورة، ومقاسة جزئياً بإعدادات غير متطابقة، ومأخوذة كأفضل ما في المصدر. وأرخص طريقة لتشغيله تكلفك خصوصية مطالباتك (prompts).
وخلاصة القول بكل صراحة: الأمر يعود إلى ما تريد امتلاكه. إذا كنت تريد أفضل نموذج من Meta، فأنت تستأجره وفقاً لشروط Meta، والقرار المهم ليس ما إذا كنت ستتبناه، بل أين تكمن سياسة الفئات ومن يمكنه تغييرها. ضع هذا القرار خلف بوابة قبل أن يقوم الفريق الأول بربطه مباشرة، وبذلك ستكلفك إضافة Muse Spark 1.3 إلى قائمة النماذج مجرد تغيير في الإعدادات بدلاً من عملية ترحيل كاملة.
TrueFoundry AI Gateway delivers ~3–4 ms latency, handles 350+ RPS on 1 vCPU, scales horizontally with ease, and is production-ready, while LiteLLM suffers from high latency, struggles beyond moderate RPS, lacks built-in scaling, and is best for light or prototype workloads.
Built for Speed: ~10ms Latency, Even Under Load
Try now.
Start free
How Can You Prevent GenAI Costs From Spiraling at Scale?
Gartner Hype Cycle for Platform Engineering 2026
One Layer of Control for All AI
Discover More
No items found.
.png)
.png)
.png)
No items found.
Recent Blogs
.webp)
.webp)
.png)
.png)
.png)
.png)
.png)
.webp)
.webp)
.png)
.png)
Frequently asked questions
ما هو Muse Spark ومن يطوّره؟
Muse Spark هي عائلة النماذج من Meta Superintelligence Labs، قُدّمت في 8 أبريل 2026 وأصبحت الآن خليفة لسلسلة Llama من Meta. وMuse Spark 1.3، الصادر في 2 سبتمبر 2026، هو الإصدار الحالي، بنافذة سياق تبلغ 1,048,576 رمزاً ومدخلات نصية وصور وفيديو وPDF.
هل Muse Spark نموذج مفتوح الأوزان؟
لا. Muse Spark 1.3 مغلق ومتاح عبر API فقط. ويذكر منشور الإصدار لدى Meta إصداراً مفتوح الأوزان كبند مستقبلي في خارطة الطريق. والنموذج مفتوح الأوزان المتاح اليوم من Meta هو Muse Glimmer: 30 مليار معامل، بترخيص Apache 2.0، ومقطَّر من Muse Spark، بنافذة سياق افتراضية تبلغ 128K.
كم تبلغ تكلفة Muse Spark 1.3؟
في فئة Standard: 1.25 دولار لكل مليون رمز إدخال، و0.15 دولار للإدخال المخزَّن مؤقتاً، و4.25 دولارات لكل مليون رمز إخراج، دون رسوم إضافية على السياق الطويل. أما فئة Contributor فبسعر 0.10 دولار للإدخال و0.20 دولار للإخراج، مقابل الإذن بالتدريب على تعليماتك وردود النموذج.
ما هي اختبارات الأداء المعيارية لـ Muse Spark؟
تقيّم Meta الإصدار 1.3 مقارنةً بـ Muse Spark 1.2 وClaude Opus 5 وGPT-5.6 Sol على GDPVal-AA v2 وJobBench وOSWorld 2.0 وDeepSearchQA وAutomationBench وDeepSWE v1.1 وSWE-Atlas Codebase QnA وTerminal-Bench 2.1 وMRCR v2 ومؤشر داخلي لاتباع التعليمات. والنتائج الفردية منشورة فقط في صورة ضمن منشور الإصدار لدى Meta، فاقرأها هناك لا من التغطيات الثانوية.
هل تضيف بوابة الذكاء الاصطناعي زمن استجابة مؤثراً؟
تضيف بوابة AI Gateway من TrueFoundry نحو 3 إلى 4 مللي ثانية وتتحمل أكثر من 350 طلباً في الثانية على وحدة vCPU واحدة، وهو مقدار لا يُذكر مقارنةً بأزمنة توليد تبلغ عدة ثوانٍ.
هل عليّ اختيار نموذج واحد؟
لا، وتباين نتائج الاختبارات المعيارية أعلاه هو الحجة ضد ذلك. فالتوجيه بحسب نوع المهمة بين النماذج المفتوحة والمغلقة يكون عادةً أرخص وأفضل من الاعتماد على نموذج واحد.
