Meta hat Muse Spark 1.3 am 2. September veröffentlicht und dabei ein zweistufiges Preismodell eingeführt. Entwickler, die Meta erlauben, mit ihren Prompts und Outputs zu trainieren, zahlen nur ein Einundzwanzigstel des Standardtarifs. Die Einführung zeigt, dass nicht mehr nur die reine Modelfähigkeit, sondern auch die Preise zu einem Wettbewerbsfeld unter KI-Anbietern geworden ist – Anbieter sind zunehmend bereit, Rabatte gegen Trainingsdaten zu tauschen.

Gecachte Tokens sinken um das 75-Fache

Im Standardtarif kosten eine Million Input-Tokens 1,25 USD und eine Million Output-Tokens 4,25 USD. Die Contributor-Stufe senkt diese Preise auf 10 bzw. 20 Cent, was einer durchschnittlichen Ersparnis von rund 95 % entspricht.

Der größte Rabatt gilt für gecachte Input-Tokens, mit denen Entwickler Kontext wiederverwenden können, ohne für die erneute Verarbeitung zu zahlen. Diese sinken von 0,15 USD auf 0,002 USD pro Million Tokens – eine 75-fache Senkung, die wiederholte Workflows nahezu kostenlos macht. Für Entwickler, deren Agents wiederholt auf denselben langen Kontext zugreifen, kann das Caching-Token-Pricing die Gesamtkosten einer Anwendung dominieren, weshalb dieser Posten den höchsten Rabatt erhält.

Im Gegenzug geben Entwickler die Kontrolle über ihre Daten auf. In der Contributor-Stufe fließen alle Prompts, Antworten und Nutzungsmuster in Metas Trainings-Pipeline.

Auch die Ratenlimits unterscheiden sich: Der Standardtarif erlaubt 3.000 Anfragen pro Minute, während der Contributor-Zugang auf 100 RPM begrenzt ist – zu wenige Anfragen für produktionsreife Funktionalität. Die Kombination aus 100-RPM-Limit und unbeschränkter Datennutzung positioniert diese Stufe für Experimente und Prototyping statt für den Einsatz im Produktivbetrieb.

Meta pausierte internes Mitarbeiter-Überwachungsprogramm

Meta Superintelligence Labs, die Abteilung hinter der Muse-Spark-Reihe, hat diese Modelle entwickelt, um eine bestimmte Lücke zu schließen. Facebook, Instagram und WhatsApp erzeugen eine Flut an Konversations- und Bilddaten, aber sehr wenige der hochwertigen Coding-Interaktionen, die Agent-Tools zur Verbesserung benötigen.

Mario Zechner, der Entwickler des Open-Source-Harnesses Pi, sagte, dass der Anstieg der Fähigkeiten von Coding-Agents von April bis Oktober 2025 hauptsächlich darauf zurückzuführen war, dass Claude Code Nutzersitzungen standardmäßig speicherte und in das Reinforcement-Learning-Training einspeiste.

Meta hatte Schwierigkeiten, solches Material selbst zu beschaffen. Ein internes Programm, das die Computernutzung von Mitarbeitern verfolgte, geriet in starke Kritik und wurde im Juni pausiert.

Arvind Narayanan, Informatikprofessor an der Princeton University, wies darauf hin, dass große Firmen bei tokenbasierten Enterprise-Tarifen bleiben, selbst wenn Consumer-Abos wie Claude Max und ChatGPT Pro zehnmal bis zwanzigmal weniger kosten, weil Enterprise-Tarife ihre Daten aus Trainingsläufen heraushalten. Narayanan deutete an, dass Metas Angebot diese Unternehmen dazu bewegen könnte, sorgfältiger zwischen proprietären Daten und Daten zu unterscheiden, die sie gerne gegen einen Rabatt eintauschen würden.

„Es senkt die Einstiegshürde für Prototyping, Integrations tests und die Skalierung von Experimenten, bei denen ein Training mit Ihren Daten akzeptabel ist“, heißt es in Metas Preis-Leitfaden zur Contributor-Stufe.

Meta experimentierte erstmals im August 2026 mit der zweistufigen Struktur in Muse Spark 1.2. Muse Spark 1.3 verfügt über ein 1-Millionen-Token-Kontextfenster, das in einer einzigen Sitzung rund 750.000 Wörter aufnehmen kann, und erfordert laut Unternehmen weniger Tool-Aufrufe zur Erledigung komplexer Aufgaben als seine Vorgänger.

Der Schritt erfolgt vor dem Hintergrund breiterer Preissenkungen in der Branche: Anthropic hat die Kosten für gecachte Tokens für seine neuen Modelle Fable und Mythos gesenkt, und Ende Juli hat OpenAI die Preise für alle seine neuesten Modelle gesenkt. OpenAI bezieht Trainingsdaten von Nutzern der kostenlosen ChatGPT-Stufe, während Anthropic strengere Datenregeln anwendet. Metas Ansatz macht diesen Trade-off explizit und bepreist – ein Aspekt, der im Auge zu behalten ist, während Wettbewerber entscheiden, ob sie mit eigenen Daten-für-Rabatt-Programmen folgen.

Quelle: Cryptopolitan