Reduzierung bleibt unklar: Diese Netto-Werbung wird voraussichtlich vor Gericht kassiert werden.

Der Discounter Netto wird wohl abermals mit Fußnoten im Handzettel Schiffbruch erleiden. Samsung hat bereits verloren: Das Landgericht Frankfurt hat den Elektronikanbieter wegen UVP-Angaben verurteilt.

Die Verbraucherschutzzentrale Baden-Württemberg kann sich erneut gegen unzureichende Preiswerbung durchsetzen. Das Landgericht Frankfurt verurtei

Gemeinsam mit der ebenfalls kürzlich vorgestellten Bild-KI Muse Image soll Muse Spark 1.1 Metas Vision einer „personal superintelligence“ voranbringen. Wir zeigen dir, wie leistungsfähig Muse Spark 1.1 ist, wie sich das Agent-Modell im Vergleich zu den aktuellen Frontier-Modellen schlägt und warum auch das API Pricing Aufmerksamkeit verdient.

Muse Spark macht Meta AI zum Voice-Wunder:
Diese Features sind neu

So koordiniert Muse Spark 1.1 mehrere KI-Agents

Muse Spark 1.1 hat Meta speziell für agentische Tasks entwickelt. Statt nur Texte oder Bilder zu generieren, soll das Modell Aufgaben planen, externe Tools nutzen und komplette Workflows eigenständig ausführen. Dafür arbeitet Muse Spark 1.1 wie ein Team aus KI-Agents: Ein Haupt-Agent koordiniert die Aufgabe, erstellt einen Plan und verteilt einzelne Arbeitsschritte an spezialisierte Agents. Da sie parallel arbeiten, sollen auch komplexe Projekte schneller abgeschlossen werden als mit dem vorherigen Modell. Neue Tools und Dienste kann Muse Spark 1.1 ohne zusätzliches Training einsetzen. Mit einem Kontextfenster von bis zu einer Million Token merkt sich das Modell Informationen über lange Arbeitsabläufe hinweg und kann später darauf zurückgreifen.

Wie sich das Modell laut Meta in Agent, Coding und multimodalen Benchmarks gegen GPT-5.5, Claude Opus 4.8 und Gemini 3.1 Pro schlägt, zeigt die folgende Übersicht.

Muse Spark 1.1 verbindet Sehen, Verstehen und Handeln

Neben Agent- und Coding-Funktionen verarbeitet Muse Spark 1.1 auch Bilder, Videos und Audiodaten. Das Modell soll visuelle und akustische Informationen analysieren, relevante Details über lange Workflows hinweg speichern und daraus konkrete Aktionen ableiten. Zu den Stärken des Modells zählen laut Meta insbesondere die Generierung von Code aus visuellen Eingaben (visual-to-code generation), die detaillierte Beschreibung von Bildern und Videos sowie die agentische Computersteuerung.

Wie das in der Praxis funktioniert, zeigt die folgende Demo: Muse Spark 1.1 analysiert ein Smartphone-Video, wählt automatisch geeignete Produktfotos aus und erstellt anschließend eigenständig ein Facebook Marketplace-Inserat.

So bedient Muse Spark 1.1 Computer

Muse Spark 1.1 ist für Arbeitsabläufe entwickelt, die sich über mehrere Anwendungen erstrecken und sich während der Ausführung verändern. Das Modell behält den Kontext auch über längere Sitzungen hinweg, passt sich neuen Informationen an und navigiert mit minimalen menschlichen Eingriffen durch unbekannte Benutzer:innenoberflächen.

Statt jeden Arbeitsschritt einzeln per Mausklick auszuführen, entscheidet Muse Spark 1.1 selbst, welcher Weg am effizientesten ist. Das Modell schreibt Skripte, wenn sich Aufgaben automatisieren lassen, bedient Anwendungen direkt über die Nutzungsoberfläche, wenn das schneller ist, oder bündelt mehrere Aktionen zu einem Arbeitsschritt. So soll der Wechsel zwischen Planung und Ausführung möglichst effizient erfolgen.

Als Beispiel zeigt Meta die Organisation einer Grillparty. Ändern eingeladene Personen kurzfristig die Teilnahme, erkennt Muse Spark 1.1 die neuen Informationen während der Essensbestellung und passt den gesamten Ablauf automatisch an.

Vom Bugfix bis zur Code-Migration

Meta hat Muse Spark 1.1 für anspruchsvolle Entwicklungsaufgaben optimiert. Das Modell soll komplexe Fehler in großen Codebasen erkennen und beheben, neue Funktionen für Enterprise-Anwendungen entwickeln sowie umfangreiche Code-Migrationen durchführen. Auch bei der Entwicklung von Web-Anwendungen und bei komplexen Entwicklungsaufgaben verspricht Meta deutliche Fortschritte gegenüber dem vorherigen Modell.

Zudem unterstützt Muse Spark 1.1 gängige Agent Setups für die Software-Entwicklung. Dazu gehören Planungsmodi, Zielvorgaben, die Delegation an Subagents und die Komprimierung langer Kontexte, damit auch umfangreiche Projekte effizient bearbeitet werden können.

Wie das in der Praxis funktioniert, zeigt Meta in einer Debugging-Demo. Muse Spark 1.1 erstellt zunächst eine Chat-Web-Anwendung, fertigt automatisch Screenshots an, erkennt sichtbare Fehler, verfolgt deren Ursache bis in den Quellcode, implementiert Korrekturen und überprüft das Ergebnis anschließend selbstständig. Dabei kombiniert das Modell Coding, multimodales Verständnis und Tool-Nutzung innerhalb eines einzigen Workflows.

Nach Angaben des Konzerns nutzen Entwickler:innen und Forschende Muse Spark 1.1 bereits täglich für Entwicklungs- und Forschungsaufgaben. Auch die Entwicklung und Bewertung neuer KI-Modelle werde inzwischen teilweise mit Muse Spark 1.1 automatisiert.

Wie sich Muse Spark 1.1 in den Coding Benchmarks gegen GPT-5.5, Claude Opus 4.8, Gemini 3.1 Pro und das Vorgängermodell schlägt, zeigt die folgende Übersicht.

Frontier-Modell zu einem vergleichsweise niedrigen Preis

Muse Spark 1.1 startet auf der Meta Model API mit 1,25 US-Dollar pro Million Input Token und 4,25 US-Dollar pro Million Output Token. Neue Konten erhalten zusätzlich 20 US-Dollar Testguthaben. Meta positioniert das Modell damit als preisgünstige Alternative für Agent und Coding Workloads. Im Vergleich zu anderen aktuellen Frontier-Modellen fällt der Preis deutlich niedriger aus:

Damit gehört Muse Spark 1.1 zu den günstigsten aktuellen Frontier-Modellen. Sowohl für Eingaben als auch für Ausgaben verlangt Meta deutlich weniger als OpenAI, Anthropic, Google und SpaceXAI bei bestimmten Frontiert-Modellen.

Gerade bei Agent Workflows mit vielen Tool-Aufrufen und langen Kontextfenstern können die API-Kosten schnell steigen. Ein vergleichsweise günstiges Token Pricing kann deshalb zu einem wichtigen Wettbewerbsvorteil werden, wenn Unternehmen Agents im großen Maßstab einsetzen.

Stelle OnlineMarketing.de als bevorzugte Quelle auf Google ein

Wenn du OnlineMarketing.de auf Google als bevorzugte Quelle einstellen möchtest, um auch in den Schlagzeilen auf Google immer aktuelle News und Tipps aus der Welt des Marketing und der Tech-Entwicklungen zu finden, kannst du einfach die Google-Quelleneinstellungen aufrufen und die Seite anwählen. Über das Stern-Icon neben den Top Stories kannst du ebenfalls bevorzugte Quellen für die spätere Suche speichern.