差价 21 倍，Muse Spark 的 Contributor 模型为什么便宜？

Fri, 04 Sep 2026 04:10:00 +0000

我们注意到 Meta 发布的 Muse Spark 1.2 和 1.3 模型都有一个包含 Contributor 字样的版本。有趣的是，它们基于完全相同的模型权重，性能也没有任何区别，但价格却相差悬殊。标准版输出价格是 4.25 美元/M tokens，而 Contributor 版只需要 0.20 美元，价格相差 21 倍之多。

完全相同的模型，为什么会有如此巨大的价格差异？我们从 Meta 的官方文档里找到了答案，带有 Contributor 字样的模型标注了“Used to improve our products”字样，本质是用你的使用数据换取 API 调用折扣。当你调用 Contributor 版本时，你发送的 prompt 和模型返回的 completion 都可能被 Meta 用于未来的模型训练。

版本定价

以下是 Meta 官方的定价信息：

版本	输入 (每 M token)	缓存输入 (每 M token)	输出 (每 M token)	数据用途标注	请求限速	token 限速
Muse Spark 1.3	$1.25	$0.15	$4.25	不用于改进产品	3,000 req/min	4M tokens/min
Muse Spark 1.3 Contributor	$0.10	$0.002	$0.20	用于改进产品	60 req/min	2.1M tokens/min

从表格中可以看出，除了输出价格的 21 倍差距，输入价格的差距是 12 倍，而缓存输入价格的差距更是高达 75 倍。根据 WERSM 的统计，按照实际使用中输入、输出和缓存的不同配比，Contributor 版本的整体折扣幅度大约在 92% 到 99% 之间，平均约为 95%。

除价格差异之外，限速也是一个值得关注的差异。Contributor 版本每分钟只允许 60 个请求，而标准版本是 3,000 个，整整差了 50 倍；每分钟的 token 配额也从 4M 缩水到了 2.1M。

对于聊天场景来说，用户几乎感知不到限速。但如果是在 AI Agent 工作流当中使用，一次用户指令背后可能包含几十轮工具调用循环，这种情况下则有可能感知到限速的影响，尤其是并行任务和批量处理的时候。

假设有一个 Agent 任务需要执行 50 轮工具循环，每轮需要携带 20K token 的输入（包括系统提示词、记忆文件、之前的工具输出和历史对话），每轮产生 1K token 的输出。整个任务下来，总共消耗输入 100 万 token、输出 5 万 token。

标准模型费用：1.00 × $1.25 + 0.05 × $4.25 = $1.46
Contributor 模型费用：1.00 × $0.10 + 0.05 × $0.20 = $0.11

同样的场景下，Contributor 模型大约会节省 92.5% 的成本。单个任务的差异尚且如此巨大，假如是一个需要全天候运行的计划任务，或者每天都在执行成百上千个这样的循环，一年的账单差距会达到四位数美元。

你的使用数据为什么值钱？

天下没有免费的午餐，Meta 之所以愿意给出如此慷慨的折扣，是因为“你的真实的使用数据”值钱。

对于平台方而言，所谓使用数据大致就是以下这两种：

聊天对话数据；
Agent 工作流；

聊天数据并没有特别高的价值，因为在互联网上有海量的聊天对话存量，一问一答的格式非常简单，而且用 AI 模型合成这类数据的成本也极低。

Agent 工作流则完全是另一回事。一个 Agent 需要查文件、翻文档、调用各种工具、根据报错调整方案、在失败后重新尝试。这一整套“AI 在真实工作环境中如何表现”的完整记录，是任何基准测试都无法模拟、任何合成手段都难以伪造的。对于想要训练出更强 coding agent 的模型厂商来说，这是最有价值的训练素材。

WERSM 对此有一段很到位的评价：Meta 没有直接付现金给开发者，而是通过更便宜的模型调用价格作为补偿，让那些能够“教会 Meta 工作是如何完成的”开发者，获得明显更低的开销。

值得一提的是，Muse Spark 1.3 本身就是一款面向 coding 和 agentic 工作流的模型。第三方评测机构 Artificial Analysis 给它打出了 61 分的 Intelligence Index，与 GPT-5.6 Sol max、Grok 4.6 high 处在同一梯队。

让 Agent 使用 Contributor 模型的利弊

我们调用模型 API 进行对话，暴露的是对话的内容，但 Agent 框架的运作方式决定了它的暴露面要大得多。我们曾用一轮真实的会话作为样本评估了 Contributor 版本在 Hermes Agent 中使用的潜在风险：

首先是常驻上下文。 Hermes 在构建每次请求的 prompt 时，都会自动携带三份常驻文件和环境信息：负责身份设定的 SOUL.md、负责运转规则的 MEMORY.md、负责用户偏好的 USER.md，外加操作系统、HOME 目录、当前工作目录等环境信息。在样本会话中，MEMORY.md 约有 4500 字符，USER.md 则是全量携带。按一天 100 轮对话计算，光是 MEMORY.md 一项，就有大约 45 万字符的内容在持续外送，且这些内容在你输入任何问题之前就已经发出去了。此外，会话运行时还注入了约 40 条跨会话记忆，内容大多是主机名、硬件状态、备份计划、服务端口这类运维细节。它们单独看似乎都无关紧要，但组合在一起，足以还原出一台机器的完整基础设施画像和成本结构。

其次是工具调用的完整轨迹。 那轮会话一共执行了 6 次 web_search、2 次 web_extract、2 次 read_file，所有输出都进入了上下文。更关键的是，中间的失败和纠偏过程同样被完整记录：某个页面反爬失败后更换数据源，某次搜索方向跑偏后改用引号精确匹配，长文抓取被截断后改用分页续读。这类包含试错与自我修正的完整轨迹，恰恰是训练 coding agent 最需要的语料形态。

第三，数据外流的通道远不止主模型一条。 除了主模型，Hermes 还有一整层辅助（auxiliary）模型调用，辅助任务分为 13 类（视觉理解、上下文压缩、历史检索、命令审批等），每一类都可以独立配置不同的 provider 和 model。其中特别值得注意的是上下文压缩：长会话的 compression 会把中间轮次的内容做成结构化摘要，发给辅助模型处理；历史检索的 session_search 同样如此。这两个通道处理的是完整的工作内容，而它们背后使用的模型和平台，可能与主模型完全不同。

最后，也是最需要记住的一点：数据一旦进入训练管线，就再也撤不回来了。 secret redaction 功能默认开启，可以拦截那些“长得像 API key”的字符串，但对于路径结构、内部域名、架构注释、客户名称这类信息，则没有保护能力。当你意识到某些内容不应该发送、想要删除本地会话时，已经送进模型的部分覆水难收。未来如果某次模型输出中复述了你的私有代码或未发布稿件，损失就远不止隐私层面了，甚至可能触及 NDA（保密协议）。

其他公司的 AI 模型呢？

Meta 的特别之处在于它把数据换折扣这个约定摆在了台面上，价格、限速、数据用途，全部公开可查。那其他 AI 模型公司呢？它们没有提供“数据换折扣”的选项，是否代表它们承诺不使用用户数据进行模型训练吗？

我们来看几家主流平台的隐私政策：

平台	默认是否训练	不训练选项	条款状态
Meta Contributor	是，官方目录明示	有，切换 Standard 即可	明码标价
DeepSeek	是，政策写明用 User Input 训练改进模型	有 opt-out 权利条款，行使方式不直观	默认训练，未标价
Z.AI	C 端条款允许为改进服务训练	API DPA 写明实时处理不存储	分产品线，边界需要自行核实
小米 MiMo	未找到对等训练条款	未见明确不训练 SKU	条款空白

DeepSeek 的隐私政策明确了会使用 User Input 来训练和改进模型，也就是说默认状态就是训练。用户确实拥有 opt-out 的权利，但具体到 API 调用层面如何行使、是按请求生效还是按账户生效，政策原文没有给出可操作的说明。Z.AI 的情况则体现了“同一家公司、两套规则”：它的 DPA（数据处理协议）对 API 客户承诺实时处理、不落盘存储，但它的 C 端产品条款却允许为改进服务而训练。至于小米 MiMo，我们在其公开文档中没有找到与训练相关的对等条款，条款空白意味着既无法确认安全，也无法确认风险。

也就是说，是否使用用户数据训练，取决于平台的数据策略，与有没有折扣没有必然关系。享受折扣的用户，至少知道自己交出了什么；没有折扣的用户，数据可能同样进入了训练管线，只是既没有获得对价，也没有看到条款。从这个角度说，明码标价反而是信息更充分的选择。

如何降低信息泄露的风险？

只要你在使用公开的 API 服务，就不存在绝对意义上的隐私！你的上下文总会被送到某个推理端，我们能够做的，是把暴露面管理到可控的范围。以下六条策略可以帮助你尽量降低信息泄漏的风险：

默认假设你的数据会被训练。 只要条款中没有明确写出“不用于训练”，就把该平台当作会训练来对待。条款完全空白的平台，最需要按这个假设来处理。
最小化进入上下文的内容。 Agent 框架的常驻记忆、环境信息、工具输出，每一轮都会随请求送出。敏感内容不要放进常驻记忆，具体路径、端口号这类细节，放到按需加载的文档里。
给任务分级。 公开任务（公开代码、已发布内容、通用调研）和私域任务（客户数据、未发布稿件、个人记录）分开处理，私域任务走明确承诺不训练的通道，或者干脆用本地模型。
检查辅助通道的配置。 长会话压缩、历史检索摘要、图片理解这类辅助调用，可能设置了完全不同的模型和平台，需要逐项确认它们分别配置了什么。
发送之前先脱敏。 日志、报错堆栈、配置输出，先过一遍再贴。redaction 只能拦截形似密钥的字符串，像路径、架构、客户名这些信息都需要手动检查清理。
发送前的判断是唯一的控制点。 数据一旦进入训练管线就没有删除操作，所有的保护都发生在你按下回车之前。