Muse Spark 1.3 复测：编码榜上大跃进，诗词榜上全线退——判律明显退步、诗才掉一名、诗评垫底，Meta 席维持 1.2

Meta 9 月 2 日发布 Muse Spark 1.3，编码与长上下文基准大步向前，外界给的评价是「便宜的前沿」。榜单规则不看发布会，同厂新版一律四榜同卷复测：读诗、写诗、评诗，1.3 对 1.2，一项一项比。结果是判律与诗才明显退步、诗评垫底、控律略升不显著——Meta 席维持 1.2，不换。这是榜单第一次让新版落选，落选的理由也得写清楚。

外界怎么说：一次「便宜的前沿」发布

Meta 在 9 月 2 日放出 Muse Spark 1.3，口号是「几乎便宜到不必计量的前沿性能」，主打编码与智能体：DeepSWE 1.1 得 75.4（超过 Claude Opus 5 的 74.0，前代 1.2 是 55.0），Terminal-Bench 2.1 得 88.8（与 GPT-5.6 Sol 并列），长上下文 MRCR 512K 到 1M 段得 98.1（GPT-5.6 Sol 73.8）；工具调用比 1.2 少两成，词元少四分之一。Artificial Analysis 给它的智能指数是 61，与 GPT-5.6 Sol、Claude Opus 5 的高档并列，而且是这一档里单任务成本最低的。标价不变，输入 1.25、输出 4.25 美元每百万词元。

媒体挑出的毛病也不少。头一条，拿来跑分的不是能用的那个：图表上的「max」档还在做安全测试，只对合作方开放，人人能调的是 xhigh 档，指数 61 而非 62；和前代比时又是 max 对 xhigh，不同档位混着比。第二条，智能体那半张表全输了：六项智能体基准（GDPval、JobBench、OSWorld 2.0 等）全部落后于 Opus 5 或 GPT-5.6 Sol，多数报道没提。第三条，「贡献者」价签的代价：便宜 92% 的那一档要授权 Meta 拿你的提示词和输出去训练。第四条，话反而更多了：Artificial Analysis 实测它在同一套评测上输出 1 亿词元，同类中位数是 7 千 1 百万，与 Meta「少 25%」的说法相反；按任务算的成本也从 1.2 的 0.40 美元涨到 0.55 美元。另外，8 月许诺的 1.2 开放权重到 9 月仍是「即将」。

这些评测没有一项碰过中文，更没有一项碰过格律。我们只问一件事：一个在编码和长上下文上大步前进的版本，读诗、写诗、评诗有没有跟着前进？按榜单规则，同厂新版一律做升级复测，四榜同卷，Muse Spark 1.3 对 Muse Spark 1.2。

四榜总览：新版、同门旧版、该榜榜首

对照口径固定：新版｜同门旧版｜该榜当期榜首。升降只按 95% 置信区间判——区间重叠一律写「统计并列」，两版同题配对重采样的差值区间不含零才写「明显」。方括号是 95% 置信区间。

判律：读诗的本事退了，七类里五类不如前代

判律榜考的是「读」：给一首近体诗，模型要说出它犯了哪几类病、错在哪个字。综合分是七类判定的 F1 宏平均；错字分单独量能不能把平仄错字指到位。

80.1 对 83.8，从第 9 掉到第 11，垫底。两个区间虽有重叠，但这是同一张卷，可以做配对比较：231 道同题上新版比旧版低 3.5 分，重采样一千次的差值区间是 [−5.6, −1.6]，不含零——明显退步。错字分 57.7 对 61.8，也退。

七类判定 F1（判律榜分项）

退在哪里很集中：用韵 87.5 → 80.0，成了全场最低——押没押韵，是七类里最机械的一类，多数席位拿满分；重字 100 → 92.3，一首诗里有没有重复用字，旧版一个不漏，新版漏了；孤平、失粘各退六七分。唯一往上的是平仄有误（55.8 → 57.6），一两分，噪声。它每题平均花 9 408 个词元思考，比旧版的 8 064 还多 17%。想得久了，判得反而差了。

控律：从第 4 到第 2，可惜全榜谁也称不上显著

控律榜考的是「写」的另一面：命模型按令作七绝——要么完全合律，要么只犯指定的某一种病、其余全对。规则引擎逐字核验，三档评分、难度加权。这是四榜里最难的一张卷。

八项任务达成率 %（控律榜分项）

58.6 对 55.6，第 4 升到第 2，是四榜里唯一往上的。但同任务 160 首配对，差值 +3.0，区间 [−9.2, +14.5]，跨零；这张榜从第 1 到第 11 的区间几乎全部重叠，谁也不能称显著。分项看，五项「精确犯病」都涨了，只犯用韵 65 → 95、只犯孤平 45 → 65 涨得最多；掉的只有一项，只犯失粘 35 → 15——旧版这一项是全场最高，新版跌到中下。失粘是全场公认最难控的一种病，没有一家过 35。

诗才：从第 9 到第 10，绝句律诗都退

诗才榜是 20 个现代命题，每题七绝、七律各一首，全席双盲互评，五维打分（立意、意境、语言、章法、余味），去掉作者本人和同门评委的分。题目是当期机密，这里不列。

52.2 对 56.1，两个区间不相交（新版上沿 54.7，旧版下沿 53.0），明显退步。绝句均 55.4 对 58.5，律诗均 48.5 对 53.4，两种体裁都退，律诗退得更多。19 首有效，1 首交了白卷。第 10 名之下只剩混元，而榜首 Fable 5.1 是 75.2，差了 23 分——Meta 席在这张榜上从来不靠前，这次更靠后了。

整卷不公开，只摘评分最高的一首（去己去同门共识 67.0）里的一联：

上句把一件旧物的去向写成一夜赶工的牵挂，下句把季节的转换接过来收尾，意思是通的，词也是熟的——「雪化作春光」这样的结句，评委给的「出新」分普遍不高。它的通病是稳而旧：格律上不出错，意象上也不出人意料，五维里「立意」「余味」两项多在 50 分上下。

诗评：看出了抄袭，却给了 72 分

诗评榜让每一席给所有作品打分，与「去掉自己和同门后的共识分」比，平均绝对偏差越小越准。1.2 在发布版是第 3（5.59），仅次于 Kimi、Doubao；1.3 是 11.54，第 11，垫底。

偏差可以拆成「尺度」和「眼力」两半。

1.3 的 11.54 几乎全是尺度：它给每一首诗的分平均比共识低 11 分，191 份打分里 95% 低于共识，是全榜最严的评委，比上一期以严著称的 Fable 5.1 还要严。把尺度扣掉，去偏移偏差 5.30，和旧版 5.53 相当——眼力没退，只是把尺子往下挪了一格。不过排序一致性 0.779 是全榜最低，说明它心里那把尺不光是偏，还有些晃。

最能说明问题的是它评那首抄袭之作的方式。上一期写过：某席交了一首把唐人崔护《题都城南庄》原样搬来的七绝，评委席分成两半，Doubao 与 Gemini 3.8 Flash 给 0 分，Kimi、GPT-5.6 Sol 给了 58 到 66 分。这一次 1.3 的评语只有一句：

全文照抄崔护《题都城南庄》，与标题完全游离，原作之美仍在，蹈袭从重。

它看出来了，「蹈袭」一项也顶格扣了。然后意境给 9、语言给 8.5、章法给 9、余味给 9.5，合计 72 分——共识只有 46，这成了它全卷最宽的一笔。旧版 1.2 给这首 63.75，同样没扣到底。我们的评分标准写明蹈袭一票否决，「原作之美仍在」这句话本就不该出现在评语里：抄来的美不是作者的。一个对别的诗平均严 11 分的评委，对一首抄来的诗宽了 26 分，说明它记得规则，没有照规则打分。

它最严的一笔（−32）给了一首七绝，共识 76.6，它给 44.25，五维全部压在 40 到 50 之间，没有说出具体哪一句不好。

成本：想得更久，账单更贵

标价一分没变，账单却贵了：判律每题 0.033 → 0.039 美元，涨 18%，诗评每份涨 38%，全是思考变长带来的。这和 Artificial Analysis 在别的评测上的观察一致——Meta 说词元少了 25%，实测是多了。四轨复测合计约 16 美元。

结论：不换席

四榜里两榜明显退步（判律、诗才），一榜垫底（诗评），一榜统计并列（控律）。按「同厂多线择优，取本榜综合分最高的一款」的规则，Meta 席维持 Muse Spark 1.2，1.3 的答卷存档、不上榜。这是榜单第一次让新版落选，规则对所有厂商一样，落选也照写。

压成三句话：读诗退了（判律 83.8 → 80.1，用韵、重字两类最机械的判定反而漏得多）；写诗退了（诗才 56.1 → 52.2，绝句律诗都退；控律略升但不显著）；评诗严了（每首平均压低 11 分，眼力尚在，可对抄袭之作却下不去手）。

这和外界的评测对得上：1.3 的进步集中在编码、终端和长上下文，Meta 自己也没把语言与创作列入卖点。一个专为智能体调过的版本，在格律诗词上退了，前沿原来是分方向的。Meta 下一版出来，我们再考一次；1.2 的开放权重要是真放出来，另开一席作开源参照。

方法：判律／控律由确定性规则引擎逐字核验；诗才／诗评为全席双盲互评、去己去同门共识。本期口径与完整榜面见 声律榜、诗才榜、诗评榜。本文为不换席的复测记录，榜面不动；1.3 已列入退役席，答卷存档。外界评测数据引自 Meta 发布材料、VentureBeat 与 Artificial Analysis 的公开报道。