Meta ส่ง Muse Code ชน Claude Code: ถูกกว่า 20 เท่า ถ้ายอมให้เอาโค้ดไปเทรนโมเดล

วันที่ 5 สิงหาคม 2026 Meta เปิดตัว Muse Code ซึ่งเป็น coding agent ตัวแรกของบริษัท ทำงานบนเทอร์มินัลแบบเดียวกับ Claude Code และ Codex พร้อมกับปล่อยโมเดล Muse Spark 1.2 ที่เทรนมาคู่กับตัว agent โดยเฉพาะ แต่สิ่งที่ทำให้วงการพูดถึงกันมากที่สุดกลับไม่ใช่คะแนนเบนช์มาร์ก แต่เป็นโครงสร้างราคาสองชั้น ชั้นมาตรฐานคิด 1.25 ดอลลาร์ต่อล้านโทเคนขาเข้า ส่วนอีกชั้นคิดแค่ 0.10 ดอลลาร์ โดยมีเงื่อนไขเดียวคือคุณต้องยอมให้ Meta เอาพรอมต์และโค้ดที่ agent ทำงานด้วยไปเทรนโมเดลของเขา

สรุปสั้น ๆ: Meta Superintelligence Labs ปล่อย Muse Code (beta) เป็น terminal agent ติดตั้งด้วยคำสั่งเดียวบน macOS และ Linux รันบนโมเดล Muse Spark 1.2 ที่มี context 1 ล้านโทเคน จุดขายทางเทคนิคคือ agent เบื้องหลังที่อยู่ยาวไม่ต้องเกิดใหม่ทุกงาน กับ event log ที่กู้สถานะกลับได้เป๊ะเมื่อเครื่องพัง ส่วนจุดขายทางธุรกิจคือชั้นราคา Contributor ที่ถูกลง 12 ถึง 21 เท่าแลกกับสิทธิ์เอาข้อมูลไปเทรน คะแนนที่ Meta เคลมยังไม่ปรากฏบนลีดเดอร์บอร์ดสาธารณะ

Muse Code คืออะไร

Muse Code เป็น agent ที่ทำงานในเทอร์มินัล ไม่ใช่ปลั๊กอินใน IDE และไม่ใช่หน้าเว็บ ติดตั้งด้วยคำสั่งเดียว (curl -fsSL https://dev.meta.ai/install.sh | bash) รองรับ macOS กับ Linux ในช่วง beta ยังไม่มี Windows

หน้าที่ของมันคือสิ่งที่ coding agent รุ่นนี้ทำกันทั้งหมด คือวางแผนการแก้โค้ด ลงมือเขียน แล้วตรวจสอบผลลัพธ์ที่ออกมา สิ่งที่ Meta พยายามขายว่าต่างคือมันถูกออกแบบมาสำหรับ repo ขนาดใหญ่ และงานที่กินเวลานาน ไม่ใช่งานแก้ไฟล์เดียวจบ

Muse Code มาพร้อมสกิลติดตัวสามตัวคือ /plan สำหรับวางแผนก่อนลงมือ /grill สำหรับให้มันซักค้านแผนหรือโค้ดของตัวเอง และ /goal สำหรับตั้งเป้าหมายระยะยาวให้ agent เดินตาม

ทีมที่ทำคือ Meta Superintelligence Labs ซึ่งเป็นหน่วย AI ที่มี Alexandr Wang เป็นหัวหน้าฝ่าย AI นับเป็นการอัปเดตโมเดลครั้งที่สามในรอบสี่เดือนของหน่วยนี้

สามอย่างที่ Meta บอกว่าต่างจาก agent เจ้าอื่น

หนึ่ง agent เบื้องหลังที่อยู่ยาว ปกติ coding agent จะสร้าง sub-agent ใหม่ทุกครั้งที่มีงานย่อย พอเกิดใหม่ก็ต้องไล่อ่าน repo หาบริบทตั้งแต่ต้นซ้ำอีกรอบ ซึ่งเปลืองทั้งเวลาและโทเคน Muse Code เปลี่ยนเป็น agent เบื้องหลังแบบ persistent ที่อยู่ยาวข้ามงาน แล้วส่งไฟล์บริบทต่อกันระหว่าง sub-agent เพื่อไม่ให้ความรู้ที่หามาแล้วหายไป

สอง event log แบบเขียนต่อท้ายอย่างเดียว ทุกการกระทำถูกบันทึกลง log ในเครื่องก่อนจะลงมือจริง ผลคือ runtime สามารถเล่นซ้ำได้ตรงเป๊ะและกู้กลับมาทำงานต่อได้หลังเครื่องแครช นี่คือปัญหาที่คนใช้ agent ยาว ๆ เจอกันจริง คือรันไป 40 นาทีแล้วหลุด ต้องเริ่มใหม่หมด

สาม รันขนานบน worktree แยก agent หลายตัวทำงานพร้อมกันบน git worktree ที่แยกกัน ไม่ยุ่งกับ working directory ที่คุณเปิดอยู่ ในการทดสอบของ The Register มันสร้างฟีเจอร์เกมหกอย่างพร้อมกันได้โดยไม่ชนกันเอง

ทั้งสามข้อนี้ไม่ใช่ของใหม่ในเชิงแนวคิด แต่เป็นการยอมรับตรง ๆ ว่าปัญหาของ agent ยุคนี้ไม่ได้อยู่ที่ “โมเดลฉลาดพอไหม” แล้ว แต่อยู่ที่ระบบรอบตัวโมเดลว่าจัดการงานยาวได้ดีแค่ไหน ถ้าอยากเข้าใจว่า agent ทำงานยังไงตั้งแต่พื้นฐาน อ่านเพิ่มได้ที่ AI Agent ทำงานยังไง

Muse Spark 1.2 โมเดลที่เทรนมาคู่กับตัว agent

Muse Spark 1.2 เป็นโมเดลมัลติโมดัล รับได้ทั้งข้อความ ภาพ วิดีโอ เสียง และไฟล์ PDF มี context window 1 ล้านโทเคน เป็นโมเดลปิด ไม่ปล่อยน้ำหนัก ให้ใช้ผ่านคลาวด์อย่างเดียว เข้าถึงได้ผ่าน Muse Code เอง ผ่าน Meta Model API และผ่าน OpenRouter

จุดที่น่าสนใจทางเทคนิคคือ Meta บอกว่าเทรนโมเดลนี้ คู่กับ harness ของ Muse Code ไม่ได้เทรนโมเดลเสร็จแล้วค่อยหาเครื่องมือมาครอบทีหลัง และเทรนกับงานระดับ repo ที่กินเวลายาวได้ถึง 24 ชั่วโมงต่อหนึ่งงาน

Zuckerberg เคยส่งสัญญาณว่าอนาคตอาจเปิดน้ำหนักโมเดลตระกูลนี้ แต่ ณ ตอนนี้ยังไม่มีอะไรยืนยัน ใครที่ตามเรื่องโมเดลเปิดอยู่แล้วน่าจะเห็นภาพว่าตลาดกำลังแยกเป็นสองฝั่งชัดขึ้นเรื่อย ๆ (ดูเพิ่มที่ ศึกโมเดล AI กลางปี 2026)

ตัวเลขเบนช์มาร์ก และเหตุผลที่ต้องอ่านด้วยความระวัง

ตัวเลขที่ Meta ประกาศเอง

• Terminal-Bench 2.1 ได้ 82.9% ขยับขึ้นจากรุ่น 1.1 ประมาณ 6.7 คะแนน
• DeepSWE v1.1 ได้ 59.3% ขึ้นจาก 53.0% ของรุ่น 1.1
• เบนช์มาร์กภายในของ Meta เอง ได้ 70.6% นำ GPT-5.6 Terra ที่ 65.4% และ Gemini 3.6 Flash ที่ 63.9% แต่ยังตามหลัง Opus 5 ที่ 79.4% อยู่เกือบเก้าคะแนน

การทดสอบครอบคลุม 89 งานบน Terminal-Bench, 113 งานบน DeepSWE และอีก 440 งานภายใน

ทีนี้คือส่วนที่ต้องอ่านช้า ๆ

คะแนน 82.9% ยังไม่ปรากฏบนลีดเดอร์บอร์ดสาธารณะของ Terminal-Bench ณ วันที่ 5 ถึง 7 สิงหาคม ผู้ที่ไปไล่ดูลีดเดอร์บอร์ดที่ตรวจสอบแล้วรายงานว่าอันดับจริงในตอนนั้นคือ Claude Fable 5 ที่ 83.8% ตามด้วย GPT-5.5 ที่ 83.1%, Grok 4.5 ที่ 79.3% และ Opus 4.8 ที่ 78.9% ส่วน Muse Spark 1.1 ที่ Meta เคยเคลมไว้ 80.0% พอผ่านการตรวจสอบจริงได้ 76.2% ห่างจากที่เคลมอยู่ 3.8 คะแนน ถ้าใช้ช่องว่างเดิมเป็นเกณฑ์ ตัวเลขจริงของรุ่น 1.2 น่าจะลงมาอยู่แถว ๆ 79% ซึ่งแปลว่าไม่ได้ขึ้นนำใคร แต่ไปยืนแถวกลางตาราง

Meta เองก็ออกตัวไว้ในเอกสารวิธีการวัด ว่าชุดเครื่องมือและ system prompt ที่ใช้ทดสอบ “อาจไม่ได้จูนมาเฉพาะสำหรับโมเดลของเจ้าอื่น” แปลไทยง่าย ๆ คือเขาวัดคู่แข่งในสนามของตัวเอง ผลจึงไม่ได้สะท้อนว่าโมเดลคู่แข่งทำได้ดีที่สุดแค่ไหน

และเพราะโมเดลถูกเทรนคู่กับ harness ของตัวเอง คะแนนที่ได้ตอนอยู่ใน Muse Code จึงมีแนวโน้มสูงกว่าตอนเอาโมเดลไปเสียบใน scaffold ทั่วไป มีคนไปไล่แยกดูแล้วประเมินว่าในส่วนที่เพิ่มขึ้น 6.7 คะแนน มีเพียงราวสองคะแนนเท่านั้นที่รอดมาเมื่อทดสอบด้วย harness ตัวเดียวกันทั้งหมด ที่เหลือคือผลของเครื่องมือรอบตัวโมเดล ไม่ใช่ตัวโมเดล

ประเด็นสุดท้ายนี้สำคัญกว่าที่คิด เพราะมันบอกว่าการเทียบโมเดลด้วยตัวเลขตัวเดียวเริ่มไม่มีความหมายแล้ว เมื่อโมเดลกับเครื่องมือถูกขายมาเป็นชุดเดียวกัน

ราคาสองชั้น กับสิ่งที่ชั้นถูกเอาไปแลก

นี่คือหัวใจของข่าวนี้จริง ๆ

ชั้น Standard คิดขาเข้า 1.25 ดอลลาร์ต่อล้านโทเคน ขาเข้าแบบแคช 0.15 ดอลลาร์ ขาออก 4.25 ดอลลาร์ ข้อมูลของคุณไม่ถูกเก็บไปเทรน ลิมิตอยู่ที่ 3,000 รีเควสต์ต่อนาที และ 4 ล้านโทเคนต่อนาที

ชั้น Contributor คิดขาเข้า 0.10 ดอลลาร์ ขาเข้าแบบแคช 0.002 ดอลลาร์ ขาออก 0.20 ดอลลาร์ ถูกลง 12.5 เท่าฝั่งขาเข้าและ 21 เท่าฝั่งขาออก แลกกับการที่ Meta นำพรอมต์และคำตอบไปเทรนโมเดล ลิมิตต่ำกว่ามากคือ 60 รีเควสต์ต่อนาที และ 2.1 ล้านโทเคนต่อนาที

คิดเป็นเงินไทยคร่าว ๆ ที่อัตราราว 33 บาทต่อดอลลาร์ ชั้นมาตรฐานตกประมาณ 41 บาทต่อล้านโทเคนขาเข้าและ 140 บาทขาออก ส่วนชั้น Contributor ตกราว 3.3 บาทและ 6.6 บาทตามลำดับ สำหรับนักพัฒนาคนเดียวที่เผาโทเคนวันละหลายสิบล้าน ส่วนต่างนี้คือหลักพันบาทต่อเดือน

สองชั้นนี้ให้โมเดลตัวเดียวกัน ความสามารถเท่ากันเป๊ะ ต่างกันแค่ว่าคุณอนุญาตให้เขาเรียนรู้จากงานของคุณหรือไม่

ทำไม Meta ถึงลงสนามนี้ตอนนี้

Meta มาช้ากว่าคู่แข่งในหมวดนี้ประมาณหนึ่งปีเต็ม คำถามคือทำไมถึงยอมเข้ามาทั้งที่ช้าขนาดนี้ คำตอบมีสองชั้น

ชั้นแรกคือ coding agent เป็นหมวดเดียวของ agentic AI ที่พิสูจน์แล้วว่าใช้งานได้จริง งานเขียนโค้ดมีคุณสมบัติพิเศษคือตรวจสอบได้อัตโนมัติ โค้ดคอมไพล์ผ่านหรือไม่ผ่าน เทสต์เขียวหรือแดง วัดได้ทันทีโดยไม่ต้องมีคนมานั่งให้คะแนน มีงานวิจัยของ MIT ที่พบว่าโครงการนำร่อง AI ในองค์กรถึง 95% ไม่ได้สร้าง ROI ที่วัดได้ แต่หมวดเขียนโค้ดรอดจากสถิตินี้เพราะผลลัพธ์ตรวจได้และผู้ใช้เป็นคนเทคนิคที่อ่านออกว่าถูกหรือผิด

ชั้นที่สองคือ ข้อมูล ด้วยเหตุผลเดียวกันข้างบน เซสชันการเขียนโค้ดจริงของนักพัฒนาจึงเป็นข้อมูลเทรนคุณภาพสูงที่หายาก ดีกว่าข้อมูลที่ scrape มาหรือข้อมูลสังเคราะห์ เพราะมันมีเฉลยในตัว การตั้งชั้น Contributor ให้ถูกกว่า 20 เท่าจึงเป็นการแปลงค่าคอมพิวต์ให้กลายเป็นคลังข้อมูลเทรน

และมีแรงกดดันทางการเงินประกอบด้วย ไตรมาส 2 ปี 2026 กระแสเงินสดอิสระของ Meta ลดเหลือ 784 ล้านดอลลาร์ จาก 8.5 พันล้านดอลลาร์ในปีก่อน ขณะที่แนวทางการลงทุนสินทรัพย์อยู่ที่ 130 ถึง 145 พันล้านดอลลาร์ ในสภาพแบบนี้ การได้ข้อมูลเทรนชั้นดีมาในราคาคอมพิวต์จึงคุ้มกว่าการไปซื้อข้อมูลมาก

วิเคราะห์: เรื่องนี้แปลว่าอะไรกับคนที่ต้องใช้งานจริง

กระทบนักพัฒนาทั่วไปยังไง

อย่างแรก ตลาด coding agent เปลี่ยนจากการแข่งด้วยคุณภาพโมเดลอย่างเดียว มาเป็นการแข่งด้วย ราคาและเงื่อนไขข้อมูล ด้วย เมื่อ Meta ตั้งราคาชั้นล่างไว้ต่ำขนาดนี้ เจ้าอื่นจะโดนกดดันให้ตอบ ไม่ทางใดก็ทางหนึ่ง ผู้ใช้ได้ประโยชน์ในระยะสั้นแน่นอน

อย่างที่สอง ข่าวนี้ตอกย้ำว่าเบนช์มาร์กกำลังหมดความหมายในการเลือกเครื่องมือ เมื่อผู้ผลิตเทรนโมเดลคู่กับ harness ของตัวเองแล้ววัดผลในสนามของตัวเอง ตัวเลขที่ได้จึงเป็นตัวเลขของ “ชุดโมเดลบวกเครื่องมือ” ไม่ใช่ของโมเดล วิธีเลือกที่เชื่อถือได้กว่าคือเอา repo จริงของตัวเองมาให้มันทำงานหนึ่งงานที่คุณรู้คำตอบอยู่แล้ว แล้วดูว่ามันทำได้แค่ไหน

อย่างที่สาม ฟีเจอร์ที่น่าลอกมาใช้ไม่ว่าจะใช้เจ้าไหนคือแนวคิด event log กับการรันขนานบน worktree แยก สองอย่างนี้แก้ปัญหาที่คนใช้ agent เจอทุกวัน คืองานยาวแล้วหลุด กับ agent หลายตัวแย่งไฟล์กันแก้

กระทบคนไทยและองค์กรไทยโดยเฉพาะ

เรื่องที่หนึ่งคือส่วนต่างราคามีความหมายกับเรามากกว่าที่อื่น ทีมเล็กหรือฟรีแลนซ์ไทยที่คิดค่าแรงเป็นเงินบาทแต่จ่ายค่า API เป็นดอลลาร์ จะเห็นส่วนต่าง 12 ถึง 21 เท่าเป็นตัวเลขที่ตัดสินใจได้ยากกว่าฝั่งอเมริกามาก และนั่นคือจุดที่ต้องระวังที่สุด เพราะแรงจูงใจให้กดปุ่มชั้นถูกจะสูงเป็นพิเศษ

เรื่องที่สองคือโค้ดของลูกค้าไม่ใช่ของคุณ ถ้ารับงานทำระบบให้ลูกค้าและมี NDA อยู่ การเปิดชั้น Contributor เท่ากับส่งซอร์สโค้ดของลูกค้าเข้าไปเป็นข้อมูลเทรนของ Meta ซึ่งเกือบทุก NDA มาตรฐานห้ามไว้อยู่แล้ว การประหยัดเดือนละไม่กี่พันบาทไม่คุ้มกับการผิดสัญญา

เรื่องที่สามคือ PDPA ถ้าโค้ดหรือไฟล์ที่ agent อ่านมีข้อมูลส่วนบุคคลปนอยู่ เช่น ไฟล์ seed ที่มีข้อมูลลูกค้าจริง ล็อกที่มีอีเมล หรือ fixture ทดสอบที่ก๊อปจากฐานข้อมูลจริง การส่งเข้าชั้นที่เอาไปเทรนคือการโอนข้อมูลส่วนบุคคลออกนอกองค์กรโดยไม่มีฐานทางกฎหมายรองรับ ตรงนี้ต่างจากการใช้ AI ทั่วไปตรงที่ปลายทางไม่ได้แค่ประมวลผลแล้วทิ้ง แต่เก็บไปเรียนรู้

เรื่องที่สี่คือยังไม่มี Windows ซึ่งเป็นเครื่องหลักของนักพัฒนาไทยจำนวนมาก ในทางปฏิบัติแปลว่าต้องผ่าน WSL หรือรอ

ควรเตรียมหรือปรับตัวอะไร

• ตั้งกฎเรื่องชั้นราคาก่อนใครในทีมจะไปกดเอง เขียนให้ชัดว่าโปรเจกต์ไหนใช้ชั้น Contributor ได้บ้าง คำตอบที่ปลอดภัยคือใช้ได้เฉพาะโปรเจกต์ส่วนตัว โค้ดโอเพนซอร์ส หรือของเล่นที่ไม่มีข้อมูลลูกค้า
• ไปอ่าน NDA และสัญญาจ้างที่มีอยู่จริงหนึ่งรอบ โดยเฉพาะข้อว่าด้วยการเปิดเผยข้อมูลต่อบุคคลที่สาม แล้วเทียบกับเงื่อนไขของเครื่องมือ AI ทุกตัวที่ทีมใช้อยู่ ไม่ใช่แค่ตัวนี้
• กวาดข้อมูลส่วนบุคคลออกจาก repo เปลี่ยน fixture และ seed ที่ก๊อปมาจากฐานข้อมูลจริงให้เป็นข้อมูลสังเคราะห์ เรื่องนี้ควรทำอยู่แล้วแม้ไม่มี AI แต่ยุค agent ทำให้ความเสี่ยงจากการไม่ทำสูงขึ้นมาก
• อย่าเปลี่ยนเครื่องมือหลักเพราะตัวเลขในข่าว ให้ทดสอบด้วยงานจริงของตัวเองสองสามงานก่อน โดยเฉพาะงานที่ agent ต้องทำนานเกินสิบนาที เพราะนั่นคือจุดที่ความต่างระหว่างเครื่องมือโผล่ออกมาจริง
• จับตาว่าเจ้าอื่นจะตอบยังไง ถ้าโมเดลราคาแลกข้อมูลกลายเป็นมาตรฐานของตลาด นักพัฒนาจะต้องเริ่มคิดเรื่อง “ต้นทุนที่มองไม่เห็น” ของเครื่องมือทุกตัว ไม่ใช่แค่ราคาต่อโทเคน

สุดท้าย สิ่งที่ข่าวนี้บอกจริง ๆ ไม่ใช่ว่า Meta ทำ agent เก่งกว่าใคร แต่คือการที่ผู้เล่นรายใหญ่มองว่าโค้ดที่นักพัฒนาเขียนทุกวันคือทรัพยากรที่มีค่าพอจะยอมขาดทุนค่าคอมพิวต์เพื่อแลกมา ซึ่งเป็นสัญญาณที่ควรอ่านให้ออกไม่ว่าคุณจะเลือกใช้เครื่องมือของใคร