为什么是四万个老奶奶？好吧，我加入。[笑声] 所以，Meta 推出了 Muse Spark 1.2，这是对其 Muse Spark 模型的更新。除此之外，还有一个可能相当重要的内容——尽管它出现在这里新模型标题之前，那就是 Muse Code。这是一个专门为该模型设计的专用编码代理。我不确定是否应该称之为“代理”，
但基本上就是这样，我现在就把它打开着，它是一个命令行编码工具，专门针对这个 Muse Spark 1.2 模型。显然它有一些相当有趣的功能，我们将在稍后的介绍帖子中讨论这些功能。所以，在进入正题之前，请随时订阅我们的频道。我们距离获得十万粉丝奖牌只差三万了，所以我对此感到有些兴奋。
让我们进入正题吧。这篇博客文章——其实并不是一篇很长的公告，我挺喜欢这种简洁的风格——首先提到的是这是一个测试版。它是一个由 Muse Spark 1.2 驱动的终端编码代理。因此，这段视频将同时测试这两者。我几乎对新模型更感兴趣，但我想如果它是为了在这个特定基准中表现出色而设计的，那我也对此感到兴奋。
我们可以看到它目前适用于 Mac 或 Linux。值得庆幸的是，Linux 支持也存在，这样我就不必因为使用 MacBook Air 之类的设备而抓狂了。关于它的一些有趣之处在于，它可以协调多个持久化的子代理来处理每个任务，从而更快、更准确地解决难题等等。
是的，“子代理”并不是什么新鲜事物，但似乎它实现的方式与我们通常看到的有些不同。这里提到了同步后台代理。Muse Code 运行在一个简单的代理循环加上一组异步后台代理之上。这些代理在整个会话期间保持活跃，而不是为单个任务生成它们，这一点我见得不多。通常它们是针对特定任务生成的。
当然，这里还有一些该模型所创建内容的具体演示。其中一两个是游戏作品，这显然直接受到了我测试的影响，但无论如何……这次公告的下一个重要部分当然是新模型。这是一个基于迭代版本改进的新产品，从 1.1 升级到 1.2。我假设这只是进一步的改进，这也得到了我们在此处看到的基准测试数据的佐证。
这些是特定于编码和代理的基准测试。我们可以看到，前代产品 Muse Spark 1.1 显示在浅蓝色图表中，而我们将今天测试的新模型 Muse Spark 1.2 则显示在深蓝色图表中。他们还提供了一些关于测试方法和评估方法的更多信息，我想知道这些增益有多少归因于模型整体能力的提升，又有多少归因于现在使用这个 Muse Code 基准测试环境（这可能是它最擅长的领域）。
他们还提到，Muse Spark 1.2 是与 Muse Code 共同训练的，以确保当两者一起使用时能达到峰值性能。这也是我们今天要并排使用它们的部分原因。最后，他们展示了一个更长的、可能在技术上更具挑战性的基准测试，而不是上面展示的有趣游戏作品（我个人更喜欢后者）。
当然，我们要讨论的最后一件事是定价和其他模型统计数据。我们可以看到来自 API 仪表板的信息：Muse Spark 1.2 拥有百万 token 的上下文窗口。输入价格为每百万 $1.25，输出为每百万 $4.25。除非 1.1 版本的这些数字发生了变化，否则它与前代产品价格相同，这算是好消息。
对于那些有兴趣测试的人，我们可以看到这里的“贡献者版本”成本显著降低：输入每百万 10 美分，输出每百万 20 美分。然而，之所以便宜是因为你允许他们对你发送的所有内容进行训练，并且它还有速率限制。因此，对于今天的测试，我选择使用这个更昂贵但完全定价且无需训练的版本。
虽然，我是说谁知道呢？毕竟你正在发送提示词……但是呃，我不想受到速率限制的限制，所以这是我选择使用这个版本的主要原因。我们可以看到刚开始时，我们还有 8.12 美元的免费额度剩余。所以我们将看看今天的总成本是多少，以及每项任务的花费等。
当然，我们要做的第一件事是……我不会尝试这个提示词当前的任何特殊模式或技能。这是浏览器 OS 测试 V2.5，传统的那个版本，只是为了看看它的表现如何。但我有兴趣尝试“计划格栅”（plan grill），还有另一个叫特殊技能的东西，理论上会让结果更好。所以我们将看看能得到什么。
我想在测试期间被动地关注一下这个新的 Muse Code 终端代理，因为这也是一个伴随模型推出的新产品。所以这不仅仅是用相同的基准测试来测试新模型，而是两个新事物一起测试，我想这也挺酷的。好吧，它正在请求一些权限。我刚说“是”之前它就去做这件事了吗？不管怎样，好吧，它正在尝试 ping 8.8.8，
这是 Google 的 DNS 服务器，只是为了查看它是否有互联网访问权限，然后它将获取 3.js 的具体依赖项。这就是刚才正在做的事情。另外，我忘记提到这个模型有可选的推理模式。如果我记得的话可能会展示给你们看。但现在它处于“超”（ultra）模式，这是该模型最高潜力的推理模式。所以请记住这一点。
我们已经工作了 5 分半钟，结果似乎已经出来了。我们的信用额度降到了 7.18 美元。我不知道之前的具体数值，我觉得大概多一美元左右，但别引用我的话。让我们来看看我们的浏览器 OS 测试 V2.5。这……这非常出色，甚至让我怀疑是否特意被指示要做得如此出色，因为作为一位影响者（博主），我要大胆猜测这肯定是我们的特殊功能。
目前我们的奇点状态稳定，壁纸是虚空网格（void mesh），右上角确实有时间显示。我在这里看到了越来越多的右上角菜单栏。好吧，让我们试试那个大的测试项目。这将告诉我们它是否已经达到了基准测试的极限。
没有右键菜单，但这可能太明显了，所以基准测试依然拉满。好的，我看到了一些这种风格的提示，斜体文本看起来像是文字。这似乎是新的紫色渐变版本。好吧，在我看来这个效果非常好，我喜欢这种风格，有点像黑客风格。“新建文件”、“黑客”。一、非常酷。而且它……
本次会话中创建了新文件。“照片”哦，我搞砸了。好吧，这是我们的第二款游戏。对于我不小心点击而造成的失误表示歉意。现在挺酷的，只是有点快，而且看起来我们可能会输掉这局。那其实还挺有意思的看看它在这里绘制所有内容的方式。我要打开扬声器以防万一。“下一项”哦，终端，我本该……
像 Bash 一样的风格。我喜欢这个。我能察觉到一丝幽默感吗？好吧，很有趣。我要等到最后再尝试像“奇点”这样有趣的功能，因为这可能是我们要留到最后的特色功能。好吧，“星云板”。我假设这是一个绘图。已保存，同时也保存了时间戳。“导出为 TXT”非常好。清除、清晰笔记。好的，酷。接下来是设置。
“打造你的风格”。一个文件，六个世界。我肯定看到了新的更简洁的 LLM 文本风格的迹象，你可能对此很熟悉。“琥珀网格”。我们仍然有“奇点核心”，所以是具体的。这是保持不变的东西。“午夜青色”然后是“青柠信号”。好吧，这里不可避免地出现了一些来自其他浏览器操作系统的绘图结果。所以，“上传图片”功能确实有效。
接下来我们有“钢铁之城”，假设这将是我们的大侠猎车（GTA）克隆版。好吧，那个看起来有点可疑的孜然……它看起来像那些小热狗食品。你可能知道我在说什么。好吧，我们就这么搞定了。这相当慢。有趣的是，另一个模型最近也有速度限制。那是 Quan 3.8 Max，也被限制在大约每小时 40 公里左右，
这让人非常恼火。好吧，汽车或建筑物上没有网格碰撞器吗？是的。我想知道我们能否跑得比那辆车还快。这很难说，五五开吧。我们能做到吗？好吧。我们有一个小地图。让我试着在小地图上找到点什么。这不太好。“[笑声]”我觉得 Quan 3.8 Max 那个更好。那只是我记忆中最近的一个，但它有
这种令人作呕的正弦波声音让我很生气，所以呃，我认为它比 Musepark 1.1 要好。因此，无论如何这是一种进步。而且我们已经见过这个游戏了说实话这其实还挺酷的这里的速度简直就像需要医疗警告一样好吧双击核心曲速模式壁纸着色器为核心耀斑添加径向条纹琥珀色青柠窗口
管理器注入动量和重力。快速拖动一个窗口，松开后它继续滑动。啊，为什么这变得越来越普遍？让我们试试这个哦天哪实际上还挺酷的所以它确实吸附了你能感觉到有重力让我好吧，这很有趣。只是为了快速展示模型选择，我们可以从输入“model”时选择的模型中进行选择然后你可以
选择那个超便宜的折扣版，因为你允许自由使用训练数据且速率受限；或者你选择全价的那个理论上不受限。至于努力程度，我实际上不记得我是怎么改变它的了可能是那个“effort”标签在那里。所以我们可以看到这些都是可选择的选项我将把整个测试过程保持在“超高级别”，
只是为了看看它的最大性能。所以下一个测试将是 C++ 自包含滑板测试，但我将从这个计划模式技能开始。好的，不要检查父工作区留在你的文件夹里我们看看这会做什么它在空目录中但它确实检查了父目录所以我们将看到它认为需要做什么好的，所以
它在父目录中找到了一个脚本，该脚本仍然保留着某种计划的样子。这是一个物理街机机器，具有映射到它的真实控件与这完全无关所以我要取消这个然后我们将再次启动它然后我想在这里把它放在计划模式中，也许我们需要专门粘贴提示语好的所以
这是自包含的 C++ 滑板游戏我已经修改了它，使其成为200年代初纽约市的街区位置需要是那个地方用 Qwant 3.8 Max 这样做产生了一个极好的结果所以也许有一个有趣的地图，并且在一些类似的测试中有一些变化好吧，我也想试试这个“格栅”功能它基本上创建了一个计划，将其放入 markdown 格式，并
说它将不使用 Raylib，这很好因为我们要让它更难一些如果它使用那个会更简单我也我想试试这个格栅功能这里措辞的方式说“用压力测试计划直到它经得起考验”所以这似乎是你创建计划后运行的东西我不完全确定，但我认为现在是找出答案的合适时机好吧
好的，所以我们刚才检查的那个格栅功能并没有问太多后续问题这是在用计划创建之后所以我只是想尝试一些其他的东西，因为我们也在测试新的 Muse code 终端大约9分钟后，它似乎完成了哦好的所以11分41秒是我们的总时间我的错误那是
正在进行的当前任务所花费的时间让我们看看所以我们有4.41美元，因此我们为那个特定任务花掉了几美元尽管如此，让我们看看它做得怎么样它做了很多故障排除不，是质量保证检查所以我会打开扬声器我不期望有声音我们将看看我们的纽约滑板游戏
怎么样这不太好但也不至于糟糕这是我个人不喜欢让模型自己去尝试故障排除和查看它们的原因之一，因为人类更容易看着这个说：“兄弟，相机被建筑物卡住了，搞砸了。”好的板子会像玩家附着在上面那样做出技巧动作吗？是的，而这
正是那种小模型气味的一个明显迹象不幸的是，当板子在这个结果中不能独立于玩家移动时就是这种情况它有点……只是不是最好的现在我们确实告诉它应该有两个街区，那里应该有多个行人所以有很多东西被指出这应该是有的我会说结果不太好让我们给它一些
强化我本来要说正面强化的，但我意识到这不会变成正面的。
好吧，所以我给了它一些严厉的反馈，看看它会怎么做。我真的想推动它做得更好，因为我认为它可以做到，而且我觉得值得给它额外的时间。你说得对。目前的单文件构建确实存在损害质量的取巧行为。以下是我会修复的内容，不做任何假设。好吧，所以我们对这个赛车游戏的改进将剩余费用降到了40美分，我是愿意为此付费的，因为那只是测试第一个模型 Muse Spark 1.1 后剩下的免费额度。这绝对是一个显著的改进，我会这么说。
整体图形仍然相同。然而，它似乎修复了一些较大的问题，比如滑板没有独立于玩家移动、缺乏身体或手臂或脚部的实际运动效果等。这些都已经修复了。现在，让我们看看滑板在栏杆上滑行（grinding）的情况如何。好的，我们确实有脚部滑行的效果了。我想看看我能不能卡到其中一根栏杆上。哦，不。好吧，所以我们在用脚滑行，因为滑板掉下去了。好的。嗯，不错。确实更好了。它修复了许多阻碍可玩性的主要问题。
周围有很多人在走动，或者说很多人。这让我想起了《街头霸王》，我们当然也会做那个测试。这是一个改进。它仍然不算好，但比之前要好。接下来我们要进行3D模型设计测试，但这将更基于现实，而不仅仅是让它从虚无中创造一些东西。所以我有一个来自一辆微型遥控F1赛车的小底盘，问题是它坏了，而且很旧了，已经不再使用AAA电池。它有二十多年的历史了。
所以我拍了很多这张底盘的照片并放在了这个目录里。这些照片并不完美，但测试这些AI的基本方法就是像这样给它们不完美的真实物品。所以这在某种程度上（虽然并不真的）放置在一个测量垫上，我基本上是在给它看这些照片。它应该利用这些厘米方格来大致判断长度等尺寸信息。这与其说是测试其创建模型的能力，不如说更多是测试其视觉能力。
作为参考，这是这些模型通常感到棘手的任务。所以这是我通过 GPT-5.6 Soul 在其最高思维模式下收到的结果。它不太对劲，完全偏离了方向，有点令人失望。Fable 5 也是一模一样的情况，相比之下结果绝对是一团糟。而且我甚至给它们提供了照片。我给 Fable 的是一张它的方格纸绘图，但结果依然令人尴尬地惨不忍睹。所以作为参考，这就是我们目前面对的情况。它并不完整。
为了展示一个像我自己这样具备专业技能的人类会怎么做，结果大概是这样的——这是我已经开始制作的一个版本，它在电机位置上是正确的。这只是手工绘图、测量然后在CAD中拉伸建模的过程。所以我开始自己复制它，因为目前的模型还无法做到百分之百准确。而且再次强调，这是基于不完美的源照片进行的测试。这些照片并不是完美对齐的，但使用这些东西的一部分就是看它们如何处理现实世界中的情况。
好吧，我们的免费额度已经过期了，我们花费了50美分。所以我会在编辑时把实际成本显示在屏幕上，但我们有一些渲染图出来了。好吧，实际上我要说，基于这些预览效果来说，这在某种程度上比我在一些更复杂的模型中看到的结果还要好。好吧，也许不是。预览可能有点误导人，但我会说这并不完全完美，但这确实是一个困难的任务，因为它测试了AI在更贴近现实世界方面的能力，因为现实世界是混乱的。
比如照片很杂乱，并没有像测量那样规范地拍摄，但它大体上弄对了整体形状。我希望能看到背部这里有更好的强调效果。而且那些孔洞的位置有点乱七八糟。不过我看到了一些对称性的迹象，这很好，但并不是百分之百准确，我们的渲染图就在旁边。那确实很酷。它甚至把网格纸的线条也显示出来了。所以，让我们看看这评估出的整体长度是多少。我相信它大约在160毫米左右。
所以误差大约是10毫米，但在比例方面仍然不算离谱。接下来是前端网页设计测试，它需要为 Slapist 手表公司创建一个网站，并且需要一个带有精美渲染手表的英雄区域（hero section），要有电影般的环绕镜头效果，以及整体美观的网站设计。好吧，让我们看看它是否为手表创建了3D模型。非常好，确实做了。时间显示……哦，那是倒着走的。这种情况比你预期的要常见得多。
整体来说没什么特别之处，但我发誓表冠确实在旋转。那可能只是相机环绕运动造成的伪影效果。我会说，总体而言，我相信这绝对比前代产品有所改进。我不确定我们是否测试过完全相同的提示词。这让我有点晕眩了……它真的用心对待了我说的“需要电影般的平移和环绕镜头”的要求。所有元素都在那里，配合得很好。
数字的刻度标记位置正确。表冠我觉得并没有在旋转，那只是相机运动造成的伪影。但总体而言，这实际上是可接受的。你知道吗？我会说这可能是我见过的最好的表盘绘图之一了。虽然日期显示……哦，那是8号。这很好，即使那只是一个简单的2D伪影。这里有很多白色区域……瑞典的精密工艺被夏日气息柔化了一些，不错。在实际的产品卡片中我们可以看到这里我们可以手动移动查看。看起来表带是在那里的，但不幸地被桌子挡住了。这只是常有的事。
我们可以改变颜色吗？哦，好的。它只是显示了可选的颜色选项。不错。然后我们有另一个款式。这些手表相当昂贵，分别是26,000和25,000。好吧，整体来说还不错。而且即使提示词没有特别指定3D模型，它也确实生成了3D效果。我喜欢这个区域……还不错。与此同时，我还给了它一个测试任务：创建一个内联
六缸引擎，这是一个非常有名的东西。里面必须还要装一个真正的RC电机，非常微小的那种。现在，我并不指望它能有多出色，毕竟根据它在之前更真实的3D测试中的表现来看。尽管如此，我们还是有一个模型可以一窥究竟。所以我很感兴趣想看看它是什么样子。这是我们的OpenSCAD代码。好吧，实际上我还没有得到任何反馈。让我单独看看这些零件。
真酷。该死。好吧，它在上面这部分做得不错。它实际上在这部分上方表现得相当出色。太棒了。非常到位。2600美元对应一个2.6升的引擎，很有趣。它似乎有一些“知识”，不知道为什么这个想法突然冒了出来。而且很奇怪的是……哦，这只是一个气缸体的SCAD模型，而不是完整的组装件。这是我的失误。如果我们打开它的话，我可能会说：“哇。”而且它还把它们并排放在一起了。
不幸的是，这里的大问题是没有任何空腔能容纳这个电机。所以，虽然它在展示引擎部分模型方面确实表现出了一定的能力，但它最需要具备的功能——即容纳真实零件——不幸地失败了。这种情况在一些较小的模型中时有发生。而且我也意识到我忘了检查价格。好吧，我们的花费显著增加了，现在我们已经花了6.85美元。请记住，我们一直在最高推理设置下测试这个模型，并且将继续这样测试，因为我想看到最大性能。
接下来，我想给它做一个非常老派的测试。这是一个飞行战斗模拟器游戏，它需要制作出来，你可以从三架不同的飞机中选择，然后就是一个简单的飞行战斗模拟。我想看看这个模型是否有一些个性和趣味性。我相信它具备这些特质，所以我想试着激发出模型的这一面。这总是很有趣的玩赏对象，因为它在博客文章中以游戏的形式被显著展示过。
所以我们也要做“街头吃豆人”（Street Eater）游戏，当然那将是电影提示词。所以我们把它留到以后再说。好的，在9分半钟后我们收到了飞行模拟器测试的结果，我们的花费已经上升到了8.47美元。所以让我们看看我们得到了什么。好吧，从目前来看，仅从UI角度来看，这看起来相当不错。
我想我已经有好几代模型没试过这个了，请记住这一点，但让我们从我们看到的开始。好吧，它在后退，也许我们是后机枪手？是的，不幸的是它并没有完全理解我希望看到的东西。我们可以看到其他的飞机在那里，所以我们至少能看到模型的样子，但只能说它并不是超可玩的。好吧，那里还有另一架飞机。哦，好的，不错。
好吧，所以它并不完整。接下来我要给它完整的“街头吃豆人”提示词，并且我也从计划模式开始启动它。这就是那个你到处吃东西的“街头吃豆人”游戏。然而，它以一段过场动画开始，加里被插队了，有人拿走了最后一块披萨，然后就开始吃了。所以它也被赋予了一个OpenAI的API密钥，只是为了生成过场动画所需的语音资产。
好的，我们的花费达到了11.13美元，理论上我们的电影级“街头吃豆人”游戏现在准备好进行测试了，所以我打开了扬声器。好吧，到目前为止它的风格是我们想要的。我相信Muse Spark是我第一个为这个提示词想出模型的，所以好吧。“那是最后一个吗？”“是那个。”“好的。哦。”“有意思。”
它在这里也加入了音乐。“按住空格和鼠标充电，释放以投掷（yeet）。”好吧，有趣……[笑声] 这与原版有些不同，但再次强调，这是一个更复杂的提示词，需要这样的电影开头。好吧，里面还有一只狗。所以这个模型有点疯狂，就像Opus 5一样。还不错。它还把车辆做得太小了，有趣的是我在GPT-4o中也注意到了这一点。所以挺有意思的。让我们试着投掷一个人，让他们不一定会撞到建筑物上。好吧，就针对这里这个人。
好的，他们会的。建筑物的颜色有点缺乏色彩，但实际上还可以。哦。那是一个小投掷。哦，酷。好吧，有路灯了。它做到了我们需要它做的，并且实际上还加入了一些音乐之类的东西。我不会投掷动物。至少不会那只狗。哦。好吧，所以有点……我已经开始在YOLO模式下进行这个测试了，这基本上意味着它会全力以赴。
我还给了它一个目标以及非常复杂的“史蒂夫电脑维修工”电影游戏提示词。我之前尝试过用Muse Spark的一个旧版本来做这个，不幸的是我们没能通过第一个过场动画，但它看起来确实有一些潜力。所以我希望这次能得到更好的结果，并且我再次允许它进入这个目标模式。所以我不知道这需要多长时间，但它会生成许多不同的场景、电影镜头运动以及资产等。
它还必须为角色生成对话，让我们看看它是如何处理这个任务的。好吧， apparently 那个目标花了6分钟。我很好奇我们的用量变成了多少。说实话我现在有点困惑，因为这比……让我们看看这里发生了什么。好吧，“史蒂夫电脑维修工”。它确实具有浏览器操作系统的审美风格。有趣的是，它还具备跳过功能，这是让我对第一个模型做这个测试时非常生气的原因之一。所以好吧。“哦，史蒂夫，你真是个好心人。我去世的哈罗德总是说你会让这件老东西继续活下去。”
“它还以为现在是2000年吗？”“都准备好了，埃利斯女士。新的CMOS电池，时钟又准确了。Windows 98会比我们都活得久。20美元，如果它再忘了就叫我。”“你从不像那些大商店那样乱收费。上帝保佑你，史蒂夫。”“好的，奥列格应该现在走进来了。”“帮我拿一下？”“史蒂夫，托马斯先生，你很准时。埃利斯女士上车吧，是的。我会等。”“马上就来，托马斯先生。请自便。别碰烙铁，它会咬人的。”
“好的，点击鼠标锁定。然后移动。”“好吧。在柜台上打开奥列格的公文包，不被看见。好的。让我们快速看一下。”“嘿，看那个。那实际上还不错。”《毁灭战士》（Doom）。“好的，它在这里加入了一些彩蛋。那幅墙画其实挺酷的，而且那只猫也……”
悬浮在半空中，但这绝对比前一个版本有改进。安东·沃尔科夫自称“银色支援”，在头戴设备农场里运行，从老人那里偷窃。假病毒弹窗，榨取养老金，四万名受害者。他住在布拉格的黄金大道，三十八楼，法拉第笼，空气间隙保险库叫“套娃”，死手开关。局里要求把它抹除。手提箱，一次性手机，联络人是米拉。今晚头等舱锁定，21:40，电磁脉冲笔，克隆器加密狗，黑色锁具盒。你复制保险库，植入辛德瑞拉，走出去。没有尸体，史蒂夫，这是你的规矩。“史蒂夫？我为什么……”“四万名老奶奶？”“是的，我入伙了。”[笑声]“百分之百。已经汇出一万八千美元。别弄丢那个加密盒，史蒂夫。”沃尔科夫也保留着玛丽萨的文件。“收到。辛德瑞拉撤离。告诉局里，我要把他的衣领清单烧成灰烬。”
史蒂夫，米拉，音频检查。你处于负载28:10状态。沃尔科夫的顶层公寓今晚漆黑一片，只有少量留守人员。摄像头每90秒循环一次。守卫模式在你的手机上。保险库在书架后面，生物特征欺骗器没用。用克隆器对付戴红徽章的守卫。电磁脉冲笔给你8秒时间，行动。“好吧，所以我们收到了来自联络人的指令。”“好的。那是个任务吗？就像过场动画一样。”“哦，该死，我最讨厌这种情况发生。我们需要克隆一名守卫。需要生物特征识别。套件二号。”“哇，看那个。”“好吧，这出乎意料。我们需要靠近一名守卫并按下二号键，我想是这样。”
我觉得这里还有一些史蒂夫店里遗留的东西痕迹。先克隆一个红徽章守卫，我正在尝试。“好吧，这些守卫不太行。”“跳过布拉格。该死。”“好的，我们现在也有了凯迪拉克（注：此处应为Caddy的误听或双关）。我正在按二号键，因为这应该为我们克隆徽章。哦不。”“绕过按住E键。我想那样做。很好，下一个不行？”“好的，不错。”“谁在我的服务器上？谁在动套娃？保安！”“好吧，现在怎么办？”“无声地撤离到屋顶。”“哦，好的。这些守卫毫无用处，所以这应该不是问题。”
套娃已烧毁，四万名文件获释。沃尔科夫的帝国结束了。“这太缺乏高潮了。”“史蒂夫，你没有杀人。很好。埃利斯女士的文件是第一个被删除的。”“是的，最先消失。来吧，上校。回到诚实的工作吧。电池和劣质电容器，这才是美好生活。”“留在屋顶四处看看。哦，好的，那部分……这绝对比之前的Muse Spark有改进。”
当我用完全相同的提示词测试时，它变得显著地、非常得好。现在这很奇怪，因为我……是的，好吧。也许花了一点时间才跟上进度。这样听起来更合理一些了。“所以我想这大概花费了一美元。”“那么我们要做的最后一件事是地铁站第一人称射击游戏，为什么不呢？我喜欢做这个测试，而且作为最后的测试总是很有趣。”
好吧，这个东西已经运行了大约21分钟，我老实说非常困惑。因为那个史蒂夫修电脑人的电影游戏不同过场动画从API提取资产只花了6分钟。那是在目标模式下进行的，这不是，但尽管如此，在解决和修复这个层面它仍然在进行中。已经20分钟了，而这并不一定是一个非常困难的问题。这很奇怪。“我想我们之前大概花了12或13美元左右。”所以实际上看起来可能还不错。
你知道吗？这其实真的不错。“嗯，它并不是真的好，只是比我预期的要好。”“哦，那是什么。现在，哦，重新加载。有火车了。我们有弹壳。”“有点奇怪的地方。不幸的是，环境中没有留下任何洞，但如果我们输了会发生什么？”“非常有趣。”“好吧，他完成了。好的。界面风格很有趣。我们整个地铁游戏的成本是……”
所以基本上，假设今天所有的测试都已经完成并且没有滞后（我会在结束录制前再次检查这一点），我们开始时有大约8.50美元的免费额度，现在花费了14美元。这意味着我们今天总共可能花了大约23美元（假设这是最终的准确总计）。所以价格不菲，而且我想在不使用那种允许他们利用你的提示词进行训练的 heavily discounted 模式的情况下运行它，因为这能更真实地反映实际使用成本。
我不太喜欢测试那些部分打折的产品，因为那不是它们真正的价格。所以我更喜欢以这种方式进行测试。“好的，我们可以看到这还在慢慢增加。”“所以我们要等一等再回去看最终成本。总的来说，我并没有感到惊艳，但我们必须记住Muse Spark 1.0发布后是1.1，现在是1.2。这基本上相当于Meta的新一代产品模型。”
在与其他像Anthropic、xAI、Google、OpenAI以及其他可能出现的竞争者相比时，他们仍处于早期阶段。所以进步绝对是显而易见的。“我认为我注意到的一个主要方面是‘史蒂夫修电脑人’游戏相比前版本有了显著增加。”现在，有可能因为我之前用旧版本试过这个……不，我不认为它是专门因为这个测试而改进的。所以这可能只是反映了模型能力的真实提升。
它加入了一些有趣的彩蛋之类的内容。“基本上，飞行战斗模拟器的结果可以说是完全令人失望。”没有正确显示飞机模型。一切都是颠倒的。“手表网站还可以，而这种站点几乎准确地反映了我的体验：它还可以。”但再次强调，我不知道对于这个价格来说，“还可以”是否足够，因为竞争真的在加剧。
很快会有新的Grok发布，我认为它可能会击败这个模型。我相当强烈地这么认为。“此外，我们还有其他一些实验室最近也纷纷加入竞争。”即使是像Thinking Machines的Inkling这样的地方。现在，我认为这个模型在编码方面可能比那个模型更好，但仍然有很多东西正在涌现。“而且我认为从价格角度来看，这可能有点弱得无法竞争，至少就这些特定测试中注意到的性能而言。”
这是我的真实诚实的意见，尽管我为此付了费（虽然金额不算很大）。但它表现还可以。我只是对任何单一的具体结果没有感到惊艳。“我认为……”
滑板游戏展示了它基于一些可能并非特别有用的反馈来改进结果的能力。我基本上就是对着它大喊：“这到底是什么鬼？”而它确实把这话听进去了，并改进了一些我们抱怨的主要问题。不过我注意到一点，其实我还挺能接受的：它似乎有一种独特的UI风格。
我们在浏览器操作系统中注意到了这些元素和方面，在Skyfury游戏中可能没那么明显，但在卡片上的某些文本中确实有体现。特别是在“史蒂夫电脑维修工”游戏中非常明显，在地铁第一人称射击游戏的提示中也是如此。这确实是它独有的风格，而且我挺喜欢看到这一点，因为模型是独立的，可以说拥有各自独特的风格。
最后我想再刷新一次页面看看结果。目前显示是15.25美元，我认为价格可能还会再涨一点。因此，我们将今天整个测试的成本估算在24到25美元之间，其中包括我们使用的8.50美元的免费额度。
这次测试很有趣，我们还看到了新的编码终端工具Muse Code（我相信它是这么叫的）。子代理的工作方式很有意思，我想测试它们强调的所有不同功能，比如计划网格和目标模式。有趣的是，当我们启用目标模式时，“史蒂夫电脑维修工”游戏的提示在6分钟内就完成了，而且似乎没有消耗太多的Token。这一点确实让人好奇且值得商榷。
我建议任何有兴趣尝试的人，用目标模式测试一个提示语，看看效果如何。那么，今天关于Meta的Muse Spark 1.2以及新的Muse Code智能体终端编码的测试就到此结束了。如果有任何问题，欢迎在评论区留言，感谢观看。