Contributor 与 Standard：算清档位这笔账

具体数字

Muse Code 本身免费安装；你通过 Meta Model API 为 Muse Spark 的 token 付费。两个模型变体，两套价目表。muse-spark-1.2-contributor：每百万输入 token $0.10，缓存输入 $0.002，输出 $0.20。muse-spark-1.2（standard）：输入 $1.25，缓存输入 $0.15，输出 $4.25。模型能力相同，同样是 1M token 的上下文窗口——价格差距在 12.5 倍到 21 倍之间。

你实际交换的是什么

这个差距的定价标的是数据。在 contributor 档位上，你的使用数据可能被用于改进 Meta 的产品——这就是交易内容，明明白白写着。在 standard 档位上，永远不会。而对于连 standard 的数据留存都嫌多的组织，Meta 已开始通过 Meta 销售渠道受理零数据留存（zero data retention）的申请——这是一个信号：企业采购正在被争取，而不是被推开。

注意这个差距不是什么：它不是能力分档。买 standard 并不是买一个更聪明的模型——你买的是一种隐私姿态。在一个便宜档位通常意味着更小模型的市场里，这很不寻常，也让决策干净地退化为一维问题：这份代码有多敏感？

按项目定策略胜过一刀切

因为 /model 可以在会话中途切换底层模型，档位决策不必一次定死。一个合理的默认策略：开源工作、side project 和学习——用 contributor，重度使用 agentic coding 一周的花费还不到一杯咖啡；任何专有的、客户所有的或受监管的代码——用 standard，最严格的场景再走零数据留存的流程。费用按实际提供 token 的模型计费，所以一天之内混用完全没问题。

缓存那一行比看上去更重要

Agentic coding 对缓存异常友好：占输入大头的仓库上下文会一轮又一轮地重复发送，而缓存输入的计费只是新输入的一个零头——contributor 档是 $0.002 对 $0.10，standard 档是 $0.15 对 $1.25。因此在同一个仓库里的长会话，实际成本远低于标价的输入单价所暗示的水平。再加上 /effort——思考 token 按输出计费，也就是最贵的那一列——这两个命令加起来就是实用成本控制的大部分内容。定价页上有一个交互式估算器，你可以代入自己的用量算算看。

竞争格局怎么读

Standard 档的定价落在与竞品前沿 coding API 相同的区间——contributor 档才是激进的那一步：为愿意共享数据的开发者提供低于市场一个数量级的价格。这是经典的规模打法：Meta 从真实世界的 agent 会话中获得训练信号；对价格敏感的开发者以业余爱好者的价位用上前沿 agent。这笔交易的双方都应该睁着眼睛入场——而这正是这笔交易被明确摆在台面上的好处所在。