AREX Feed Article
Arena.ai AutoEval 评测：Muse Spark 1.3 以 1,623 分进入 Code Arena: WebDev 前十
Arena.ai 于 UTC 时间 9 月 3 日 18:48（北京时间 9 月 4 日 2:48）在 X 上公布了 Web 开发排行榜 Code Arena: WebDev 的最新第三方评测：Meta 的 Muse Spark 1.3（xhigh）以 1,623 分排到约第 10 位，与 Claude Fable 5（第 8，1,628 分）、GPT-5.6 Sol（第 11，1,616 分）水平相当，较 Muse Spark 1.1（第 25，1,540 分）和 Muse Spark 1.2（第 30，1,534 分）大幅提升（）。Arena.ai 注明这是早期 AutoEval 分数（AutoEval 指用偏好奖励模型代替真人投票的自动评测），名次要等真人投票进场后收敛。
Muse Spark 1.3 一天前（UTC 时间 9 月 2 日晚）才在 Muse Code 与 Meta Model API 上线。Meta 官方称其 agentic（智能体式）与编码（coding）能力全面提升，内部对比比 1.2 少用约 20% 的 tool calls（工具调用）、约 25% 的 token（文本单位），发布帖还预告接下来会有更大的模型与 Muse Spark open weights（开放权重）版本（）。扎克伯格（Meta 联合创始人兼 CEO，见 ）在 Threads 上称这是公司在编程与智能体任务上「迄今最大的一次跃升」，并预告 Muse Spark open weights 版本即将推出（）。
一次发布，从第 30 名跨到约第 10 名
Arena.ai 给出的对照很直接：1.3（xhigh）比第 8 名 Claude Fable 5 低 5 分，比第 11 名 GPT-5.6 Sol 高 7 分，较 1.2 高 89 分、较 1.1 高 83 分，官方账号称之为「大幅改进」。
在 上，muse-spark-1.3-xhigh 还没有正式名次编号，也没有真人票数：它是全榜 125 个模型中唯一带 AutoEval 标记的条目，按 1,623 分（置信区间 ±17）插在第 9 名 Tencent hy4-preview（1,626 分）与第 10 名 qwen3.8-flash-next（1,622 分）之间。前两代模型的分数来自真人投票：1.1 有 7,184 票，1.2 有 2,065 票；邻近的 GPT-5.6 Sol 与 Claude Fable 5 分别有 10,813 票与 9,159 票。
这一名次属于在售的 xhigh 档
要看清这份榜单，先分清档位。VentureBeat 当天（9 月 3 日 16:19 UTC）的报道指出，Meta 公布的最强成绩大多来自 max 推理档：Meta 称该配置仍在补充安全测试、很快会到来，Artificial Analysis 只在限量合作方预览中评估过它，目前没有列出任何 API 提供商；本周通过 Muse Code 与 Meta Model API 广泛开放的是原有推理档位，其中包括 xhigh（）。
榜单上的 Muse Spark 1.3 正是 xhigh 档。以 Meta 自己披露的数字看，max 档与 xhigh 档之间仍有差距：GDPval-AA v2 为 1,754 对 1,709（Elo 计分），OSWorld 2.0（智能体操作电脑的评测）为 66.9 对 57.2（）。
图片来源：VentureBeat 依据 Meta 公布的 Muse Spark 1.3 评测数据制图。
价格没有随版本变化：Meta 保留了与 1.2 完全相同的 API 定价，输入每百万 token 1.25 美元、输出 4.25 美元（），实时榜单价格栏也列出同一数字。同一时期的另一项第三方数据来自 Artificial Analysis：其智能指数（Intelligence Index）给 xhigh 档 61 分，与 GPT-5.6 Sol max、Grok 4.6 high、Claude Opus 5 high 持平，低于 Claude Fable 5.1 max 档的 66 分。两份独立评测给出的相对位置一致：xhigh 与 GPT-5.6 Sol 相当，而两个榜的顶端都是 Anthropic 的模型。
图片来源：Artificial Analysis（VentureBeat 报道转引，2026 年 9 月 3 日版）。
奖励模型代投的分数，要等真人票检验
Arena.ai 在帖子中说明了机制：一个基于 Arena 真人偏好数据训练的奖励模型代替真人投票，「随着更多真人票进场，我们会继续观察分数如何收敛」（）。X 用户 Ricci Research（@ricci_nov）把矛头指向评测方法本身：「用过去的真人票训练出的奖励模型，正在给这些票投出时还不存在的模型打分，它只会奖励旧偏好分布喜欢的东西。当占位符没问题，但真正有意思的数字是：真人票进场后，分数会移动多远。」（）用户 prince gupta（@prince_guptar）更看重跃升本身：「一次发布从第 30 名到第 10 名是实打实的飞跃。如果真人投票最终确认了它，Meta 这里肯定有值得盯的东西。」（）另一位用户 kiri49（@kiri49x86）把话题引向开源：「希望 open weights 快点来。它不会是最好的开源模型，但依然会不错。」（）
max 档与 open weights：两件事都还没有日期
max 推理档何时开放仍是未知：Meta 官方在发布帖里的口径只是「完成安全测试后即将推出」。开源权重那边也只有预告：Meta 首席 AI 官 Alexandr Wang（其 X 简介自述 chief AI officer @meta）在发布当天说，更大的 Muse 模型紧随其后，「还有 Muse Spark open weights release」（）。
VentureBeat 观察到，Meta 官方文章里的路线图条目现在只写「the Muse Spark open weights release」，版本号、日期、模型规模与许可证一概没有；报道回溯到 8 月 10 日扎克伯格「未来几周」开放 Muse Spark 1.2 权重的承诺，并判断这还不算食言，但这次发布让路线图「变得更不清晰而不是更清晰」（）。
接下来要盯住两处变化：榜单上那个 AutoEval 名次在真人投票进场后会移到哪里，以及 open weights 的预告何时给出版本号与日期。