Meta défie OpenAI avec l'API Muse Spark 1.1 à prix cassé

Meta défie OpenAI avec l'API Muse Spark 1.1 à prix cassé

Meta a lancé Muse Spark 1.1, un modèle de raisonnement multimodal conçu pour des tâches basées sur des agents, la programmation et l'utilisation d'ordinateurs, capable d'orchestrer des systèmes multi-agents et de gérer une fenêtre de contexte d'un million de tokens.

L'API pour développeurs est tarifée à 4,25 $ par million de tokens de sortie, ce qui la positionne bien en dessous des concurrents établis comme OpenAI et Anthropic, tout en étant également inférieure au tout nouveau et déjà très abordable xAI Grok 4.5.

Cette stratégie de tarification agressive pourrait exercer une pression sérieuse sur les laboratoires d'IA spécialisés comme OpenAI et Anthropic, qui dépendent de marges élevées mais se retrouvent désormais coincés entre des conglomérats technologiques bien financés d'un côté et des modèles chinois à bas coût de l'autre.

Un modèle multimodal pour des tâches complexes

Meta a présenté Muse Spark 1.1 comme une "mise à niveau significative" par rapport à l'original Muse Spark, lancé début avril 2026. Le modèle est disponible en mode "Thinking" dans l'application Meta AI et sur meta.ai. Comme son prédécesseur, Muse Spark 1.1 est proposé sans poids ouverts, suggérant que Meta a abandonné la stratégie open-source Llama qui avait autrefois fait sa renommée dans la communauté de l'IA.

En parallèle, Meta lance une aperçu public de la nouvelle API Meta Model, offrant aux développeurs un accès direct pour la première fois. Ce mouvement place Meta sur un marché précédemment dominé par OpenAI, Anthropic, Google et plusieurs fournisseurs chinois. Le nouveau modèle d'image, Muse Image, n'est pas encore disponible via l'API.

Orchestration multi-agents pour accélérer les projets complexes

Meta affirme que Muse Spark 1.1 est entraîné pour orchestrer des systèmes multi-agents. En tant qu'agent principal, le modèle rassemble le contexte, élabore un plan et délègue l'exécution à des sous-agents parallèles. En tant que sous-agent, il reste concentré sur la tâche et sait quand faire remonter les informations. Le modèle se généralise à de nouveaux outils natifs, serveurs MCP et compétences personnalisées sans formation spécifique. Il gère activement sa fenêtre de contexte d'un million de tokens, se souvenant des actions, récupérant et compressant des informations des travaux antérieurs sans perdre d'étapes critiques, selon Meta.

Muse Spark 1.1 domine le benchmark MCP Atlas (88,1) et Humanity's Last Exam (62,1), devançant Opus 4.8, GPT 5.5 et Gemini 3.1 Pro. Sur SWE-Bench Pro, dont la validité est contestée par OpenAI, Opus 4.8 est en tête avec 69,2, suivi de Muse Spark 1.1 à 61,5.

Améliorations des performances en programmation

Meta indique que les performances de codage se sont également considérablement améliorées sur des tâches réelles impliquant de grands ensembles de code. Le modèle peut désormais diagnostiquer des bogues complexes, ajouter de nouvelles fonctionnalités aux systèmes d'entreprise et gérer des migrations de code à grande échelle.

Une comparaison des benchmarks de Muse Spark 1.1 avec son prédécesseur, Gemini 3.1 Pro de Google, Claude Opus 4.8 d'Anthropic et GPT 5.5 d'OpenAI montre que Muse Spark 1.1 mène quatre des douze tests (MCP Atlas, JobBench, Humanity's Last Exam, Finance Agent v2), tandis qu'Opus 4.8 en mène cinq et GPT 5.5 en mène trois.

Avantages en multimodalité et sécurité

Dans le benchmark indépendant VALS-AI, Muse Spark 1.1 se classe quatrième au total tout en étant particulièrement rapide et rentable. Sur le benchmark de codage Vibe Code Bench, il a grimpé de 36 places par rapport à son prédécesseur.

Meta met également en avant ses forces multimodales en perception, raisonnement et utilisation d'outils. Le modèle peut interagir avec des environnements réels et produire des résultats basés sur des observations réelles, notamment dans des flux de travail d'utilisation d'ordinateurs s'étendant sur plusieurs applications. Au lieu de cliquer à travers chaque étape de bureau individuellement, le modèle décide quand l'automatisation est pertinente. Il écrit des scripts lorsque cela est plus rapide, clique lorsque l'interaction directe est plus facile et génère des lots d'actions par étape.

Meta affirme avoir effectué des évaluations de sécurité approfondies conformément au Advanced AI Scaling Framework avant le déploiement. Dans toutes les catégories de risque de pointe, y compris les risques chimiques et biologiques, la cybersécurité et la perte de contrôle, Muse Spark 1.1 fonctionne dans des paramètres sûrs.

Une pression accrue sur les laboratoires d'IA spécialisés

Muse Spark 1.1, à lui seul, ne susciterait probablement pas beaucoup d'intérêt. Cependant, l'API Meta Model et ses prix attireront certainement l'attention, notamment au siège d'OpenAI et d'Anthropic. Meta facture 1,25 $ par million de tokens d'entrée, 4,25 $ par million de tokens de sortie et 0,15 $ pour les entrées mises en cache. La recherche sur le Web coûte 2,50 $ pour 1 000 requêtes. Bien qu'il n'y ait pas encore de fonctionnalité de recherche sur Instagram ou Facebook, Meta pourrait en ajouter une à l'avenir comme un facteur de différenciation, similaire à ce que fait Grok sur X.

Ces prix sont inférieurs même à ceux de xAI Grok 4.5, qui a été lancé hier et a détenu le titre de modèle à prix le plus bas pendant quelques heures. Les modèles comme Opus 4.8, GPT-5.5 et Fable 5 facturent entre 25 $ et 50 $ par million de tokens de sortie, plusieurs fois le tarif de 4,25 $ de Meta. Les modèles chinois comme GLM 5.2 sont également beaucoup moins chers, mais l'API de Meta établit un nouveau plancher de prix parmi les principaux fournisseurs américains.

Une guerre des prix qui s'accélère

La guerre des prix pourrait frapper OpenAI et Anthropic de manière plus sévère. Les deux brûlent des milliards et dépendent de marges élevées sur les tokens et d'une croissance rapide pour couvrir les pertes et justifier leurs évaluations. Meta, une entreprise avec plus de 60 milliards de dollars de bénéfices annuels, propose désormais un modèle compétitif à une fraction de ces prix. Tant Meta que Google peuvent faire fonctionner leurs API comme des portes d'entrée vers leurs écosystèmes sans avoir besoin de réaliser des bénéfices immédiats.

Les modèles open-source chinois font également pression sur les prix depuis l'autre direction. Snowflake a montré que GLM 5.2 coûte une fraction de ce qu'Opus 4.8 facture tout en offrant des performances de codage comparables. Des entreprises comme Coinbase et Lindy ont considérablement réduit leurs dépenses en IA en passant à des modèles chinois.

Ainsi, les laboratoires d'IA de pointe se retrouvent coincés des deux côtés : Google et Meta exercent une pression avec des ressources d'entreprise, tandis que les modèles open-source chinois font monter les prix avec des tarifs très bas.

La capacité de Meta à maintenir cet avantage de prix dépend également de l'efficacité des tokens. Le nombre de tokens qu'un modèle consomme par tâche peut faire varier considérablement les coûts réels, comme l'a récemment montré Databricks dans son propre benchmark. Et les performances promises par les benchmarks de Meta doivent encore se vérifier en production. Si ce n'est pas le cas, même les prix les plus bas représentent un gaspillage d'argent.