Muse Code beschreibt Meta so: „Muse Code takes on complex software engineering tasks across large repositories: planning changes, writing code, and validating the results. It can coordinate multiple persistent subagents for each task, solving difficult problems faster, more accurately, and with less intervention.“ Installiert wird der Agent auf macOS oder Linux über einen Shell-Einzeiler von dev.meta.ai, er trägt ausdrücklich den Zusatz „(beta)“. Muse Spark 1.2 ist nach Metas Beschreibung „a coding-focused update to Muse Spark 1.1“ mit Verbesserungen bei Codegenerierung, komplexem Debugging, Codebasis-Verständnis und durchgängigen Entwickler-Abläufen; trainiert wurde es auf langlaufende Aufgaben, darunter die Erzeugung ganzer Repositories und Schleifen, in denen das Modell „writes, compiles, profiles, and improves code over many rounds“. Zum Trainingsweg schreibt Meta zwei Dinge: „We co-trained Muse Spark 1.2 with Muse Code to ensure the model exhibits its best performance and coding usability when paired together“ und „We also used Muse Spark 1.1 to generate challenging coding environments and instruction-following templates.“ Verfügbarkeit laut Beitrag: „Muse Spark 1.2 is available today in Muse Code and in Meta Model API with expanded global access.“
Als Beleg für Langhorizont-Arbeit führt Meta einen GPU-Kernel-Fall an: „We tested the model’s ability to iteratively optimize GPU kernels over 1,000+ tool calls (up to 24 hours).“ Optimiert wurden KDA- und MLA-Kernel für NVIDIAs Hopper-Generation, als Vergleichsmaßstab dienten die FLA-Triton-Implementierung (KDA) beziehungsweise eine PyTorch-Referenz bei Batchgröße 1, 64 Köpfen, Sequenzlänge 8192 und Latent-Dimension 512 (MLA). Für MLA entwarf das Modell nach Metas Angabe „a two-kernel Triton pipeline for this workload, combining kernel fusion and tiling“. ⚠️ Ein Zahlenwert für den erzielten Vorsprung steht nicht im Text – der Beitrag bleibt bei „The agent continues to achieve substantial improvements over the provided baseline implementation“ und verweist auf Diagramme. Dasselbe gilt für die drei genannten Benchmarks Terminal-Bench 2.1, DeepSWE 1.1 und „Meta Internal Coding Bench“: Namen ja, Werte nein.
Zu den Preisen: Simon Willison nennt für `muse-spark-1.2` 1,25 $ je Million Eingabe- und 4,25 $ je Million Ausgabe-Token sowie eine Variante `muse-spark-1.2-contributor` mit 0,10 $ / 0,20 $, bei der Nutzungsdaten geteilt werden. Diese Angaben stammen aus Metas Entwickler-Dokumentation; die Modellseite lieferte bei unserem Abruf keinen auswertbaren Text (rein clientseitig gerendert), weshalb wir den Tarif als Willisons Lesart der Dokumentation führen und nicht als von uns an der Primärquelle geprüfte Zahl. Verfügbar ist das Modell außerdem über Vercels AI Gateway, das die Beschreibung von Meta übernimmt. Zum Kontextfenster macht der Beitrag keine Angabe – für Version 1.1 hatte Meta noch 1 Million Token genannt. Unabhängige Messungen (Artificial Analysis, LMArena) liegen zum Redaktionszeitpunkt nicht vor; TechCrunch positioniert Muse Code gegen OpenAIs Codex und Anthropics Claude Code, nennt aber ebenfalls keine eigenen Messwerte.