Metaが動かしたのは性能ではなく、学習データを対価にする価格そのものだ。コマンドライン型コーディングエージェント「Muse Code」と、それを支えるモデル「Muse Spark 1.2」の発表にあわせて、プロンプト・出力をMeta側の将来モデルの学習に使わせる開発者向けに「貢献者ティア」を新設した——出力トークン単価は標準ティアの$4.25から$0.20へ、約21分の1（約95%引き）になる。サブエージェントを並列実行しツール呼び出しを重ねるほど出力トークンがかさむエージェント型コーディングでは、この価格差はワークロードのコスト構造そのものを動かす規模だ。ただし引き換えに求められるのは、自社のプロンプトや生成コードを学習データとして差し出す判断であり、コスト削減とデータ主権のどちらを取るかという選択を開発チーム自身に強いる。OpenAIによるGPT-5.6 Luna値下げ（80%引き）のような同時期の推論価格競争が「同じ性能をどれだけ安く配るか」を争うのに対し、Metaの貢献者ティアは価格を学習データという別の対価と交換する仕組みを明示的な価格表として制度化した点で一線を画す——エージェントの実働ログ（ツール呼び出し・修正・承認のやり取り）という特定の種類のデータそのものが、対価を要求できるほどの資源になり始めている。
何が起きたか
Metaは、コマンドラインで動くエージェント型コーディングハーネス「Muse Code」と、それを支える新モデル「Muse Spark 1.2」を発表した。Muse CodeはmacOS・Linux向けにベータ提供され、公式インストールスクリプト経由で導入できる。Muse Spark 1.2自体はMeta Model API経由でも単体利用が可能で、入力はテキスト・画像・動画・PDF（最大1,048,576トークン）、出力はテキストに対応する。
Muse Codeにはデフォルトスキルとして、タスクを承認制の計画に変換する/plan、その計画の弱点を検証する/grill、目標達成まで作業を継続する/goalが搭載されている。サブエージェントはセッション中持続し、大きな作業は分離されたgitワークツリー内で並列に編集を行う設計だ。Zuckerberg氏はこの仕組みについて「作業単位が十分大きければ、分離されたワークツリーで並列に動く別々のサブエージェントに分散される。作業中のコピーが直接触られることはない」と説明している。エージェントの動作（モデル呼び出し・ツール実行・編集）はローカルの再生可能なイベントログに記録され、クラッシュ後もログから作業を再開できる。なお、パラメータ数・アーキテクチャ・知識カットオフ・学習データの詳細は公式発表で一切言及されておらず、非公開とみられる。
仕組み・詳細：標準ティアと貢献者ティア
Meta Model APIの価格体系は2段階に分かれている。
- 標準ティア（Standard tier）: プロンプト・出力はMetaのモデル学習に使われない。通常のpay-as-you-go課金。
- 貢献者ティア（Contributor tier）: プロンプト・出力をMeta側の将来モデルの学習に使わせることと引き換えに、大幅な割引が適用される。
この2ティアは「無料か有料か」ではなく、「データを渡すかどうかで価格が変わる」という設計になっている点が特徴だ。レート制限にも差があり、貢献者ティアはチームあたり毎分100リクエストに制限される一方、標準ティアは毎分3,000リクエストまで利用できる。
数字で見る
Meta公式の価格表（100万トークンあたり）は次の通り。
| 項目 | 標準ティア | 貢献者ティア | 割引率 |
|---|---|---|---|
| 入力 | $1.25 | $0.10 | 約92% |
| キャッシュ入力 | $0.15 | $0.002 | 約98.7% |
| 出力 | $4.25 | $0.20 | 約95.3% |
ウェブ検索によるグラウンディングは両ティア共通で1,000クエリあたり$2.50。クラスタ見出しにある「最大92%値引き」は入力トークンの割引率としては正確だが、出力トークンでは約95.3%、キャッシュ入力では約98.7%まで割引が及んでおり、実際にはより大きな価格差になっている項目もある。
性能面では、Vals AIの「Finance Agent v2」ベンチマークでMuse Spark 1.2（xhigh設定）が45モデル中1位となる60.60%の精度を記録した。1タスクあたりのコストは$0.77で、2位のClaude Opus 5（精度58.63%、コスト$5.12）を精度・コストの両面で上回っている。なお、Artificial AnalysisのIntelligence IndexやAA-LCR、Vals Indexといった他の指標でも上位に入るという情報があるが、参照先ページ間で数値が食い違っており、本稿では未検証として扱い数値は掲載しない。
背景
Muse Codeの発表とほぼ同じ時期に、Hugging Faceが公開GitHubの大規模クロールデータセット「The Stack v3」（学習用サブセットで約4.9兆トークン）を公開している。また、フロンティアラボ各社の間では推論価格そのものを下げ合う競争が進んでおり、OpenAIはGPT-5.6ファミリーのうち最も安価なモデル「Luna」の価格を80%引き下げ（100万トークンあたり入力$0.20・出力$1.20）、DeepSeek-V4-Flash-0731も100万トークンあたり入力$0.14・出力$0.28という価格で提供されている。
これらはいずれも「同じ性能をどれだけ安く配るか」を競う値下げだが、Metaの貢献者ティアはその値下げの原資として、資金ではなく学習データそのものを充てている点で仕組みが異なる。
なぜ重要か
エージェント型コーディングツールを本番運用する開発チームにとって、貢献者ティアは無視できないコスト差になる。サブエージェントを並列実行し、計画・検証・実行を繰り返すMuse Codeのような使い方は出力トークンを大量に消費しやすく、出力単価が約21分の1になる貢献者ティアを選べば、同じワークロードの運用コストを大きく圧縮できる。ただしその対価は、自社のプロンプトや生成コード（場合によっては業務上の意図や機密が含まれるやり取り）をMetaの学習データとして提供することであり、コストと引き換えに何を差し出すのかを開発チーム自身が判断しなければならない。
より大きな流れで見ると、この仕組みは推論コストの単純な値下げ競争とは別の軸を示している。学習データ、とりわけエージェントが実際にツールを呼び出し、計画を修正し、人間の承認を得ながら作業を進める「実働ログ」は、静的なテキストクロールとは異なる種類のデータだ。Metaがこのデータ種別に対して明示的な価格（最大約95%の割引）を提示したという事実は、こうしたエージェント実働データそのものが、対価を要求できるだけの資源になり始めていることを示している。