Muse Spark 1.1 : Meta déploie son modèle agentic multimodal avec la nouvelle Meta Model API

Muse Spark 1.1 débarque ce 9 juillet 2026, et il n’est pas seul. Meta Superintelligence Labs dégaine simultanément la Meta Model API en preview publique, histoire que les développeurs puissent enfin mettre la main sur le modèle sans passer par des circuits secrets. Le résultat : un modèle de raisonnement multimodal taillé pour les tâches agentiques, avec des progrès notables en computer use, code et compréhension multi-modale.

Cette sortie complète celle de Muse Image, lancée la même semaine. Meta parle de « superintelligence personnelle » — des modèles qui poursuivent vos objectifs, créent ce que vous imaginez et agissent sur ce qui compte pour vous. On reste dans le registre promotionnel, mais les benchmarks montrent que le moteur a du répondant.

Un modèle agentic qui gère 1 million de tokens

Muse Spark 1.1 n’est pas un simple upgrade cosmétique. Le modèle orchestre désormais des systèmes multi-agents pour optimiser la latence de bout en bout. En tant qu’agent principal, il collecte le contexte, échafaude un plan, puis délègue l’exécution à des sous-agents en parallèle. En tant que sous-agent, il respecte son périmètre, comprend les outils disponibles et sait quand remonter l’information au chef.

La fenêtre de contexte passe à 1 million de tokens, avec une gestion active : le modèle se souvient des actions, récupère des informations issues de travaux antérieurs et compacte le contexte en préservant les étapes critiques pour la suite. Bref, il ne perd pas le fil au bout de 50 tours de conversation.

Computer use : il clique, il scripte, il s’adapte

Sur les workflows computer use qui s’étendent sur plusieurs applications avec des informations qui changent en temps réel, Muse Spark 1.1 maintient le contexte sur des sessions prolongées, s’adapte aux exigences évolutives et navigue des interfaces inconnues avec un minimum d’intervention humaine.

Plutôt que de raisonner clic par clic, le modèle comprend quand automatiser et quand utiliser l’interface directement. Il écrit des scripts quand l’automatisation est plus rapide, clique quand l’interaction directe est plus simple, et génère des lots d’actions à chaque étape. Démo concrète : l’organisation d’un dîner en mode agentique, où le modèle détecte les changements de contexte lors de la commande et ajuste sans intervention utilisateur.

Code : des gains substantiels sur les gros codebases

Les performances en coding progressent fortement sur les tâches réelles impliquant des codebases larges et complexes. Le modèle diagnostique et corrige des bugs complexes, implémente de nouvelles fonctionnalités dans des systèmes enterprise, et exécute des migrations de code massives.

Sur la création d’applications web et le question-answering de bout en bout, les gains sont significatifs par rapport à la première version. Le modèle s’adapte à des harnesses variés et gère des dynamiques multi-tours complexes : mode planification, conditionnement par objectifs, délégation à des sous-agents, compaction de contexte.

Dans une démo de debug sous OpenCode, Muse Spark 1.1 construit une web app de chat, prend des screenshots automatisés pour identifier les failures visibles utilisateur, trace les problèmes jusqu’au code pertinent, implémente les correctifs et valide les changements. Le modèle combine coding, compréhension multimodale et tool calling sans couture.

Multimodal : perception et action en tandem

En perception, raisonnement multimodal et tool use, Muse Spark 1.1 interagit avec des environnements réels et produit des outputs ancrés. Ses forces : génération d’artefacts visuel-vers-code, captioning ultra-descriptif d’images et vidéos, exécution de workflows agentiques pour des cas d’usage multimodaux.

Les capacités multimodales sont particulièrement utiles quand perception et action doivent se produire simultanément. Le modèle inspecte visuel et audio, préserve les détails sur un workflow long, et utilise ces informations pour opérer des ordinateurs au nom de l’utilisateur.

Cas d’usage concret : l’agent Facebook Marketplace. À partir d’une vidéo smartphone, le modèle extrait des photos utiles, raisonne sur le produit, opère le navigateur de l’utilisateur et crée une annonce Marketplace à sa place.

Sécurité et disponibilité

Meta a mené des évaluations de sécurité étendues avant le déploiement, suivant l’Advanced AI Scaling Framework. Sur toutes les catégories de risque frontier — chimique et biologique, cybersécurité, perte de contrôle — les évaluations montrent que Muse Spark 1.1 opère dans des marges sûres. Le modèle démontre une forte résistance aux jailbreaks directs et attaques indirectes via données non fiables, prompt injection et attaques developer-prompt.

Résultat : meilleure robustesse adversaire, taux d’hallucination plus bas, sycophancy réduite.

Côté disponibilité, Muse Spark 1.1 est accessible via la nouvelle Meta Model API en preview publique. Le modèle est disponible en mode « Thinking » dans l’app Meta AI et sur meta.ai. Les premiers partenaires — Replit, Cline, Box — saluent une fondation agentique complète, combinant contexte long, coding et raisonnement pour des workloads agentiques à grande échelle.

Amjad Masad (CEO Replit) résume : « Ce qui impressionne le plus avec Muse Spark, c’est tout ce qu’il embarque dans un seul modèle : contexte million de tokens, support multimodal complet (images, vidéo, PDFs), recherche intégrée avec citations, raisonnement solide, capacités coding top-tier (surtout frontend et design), output structuré et tool calling parallèle — le tout dans un package propre compatible OpenAI. Une fondation agentique complète. »

Meta précise avoir des modèles encore plus capables en entraînement. La course à la superintelligence personnelle continue.