Meta entra nella competizione fra gli agenti di programmazione con Muse Code, uno strumento da terminale capace di pianificare modifiche, scrivere codice e verificare i risultati su repository di grandi dimensioni.
Il software è disponibile in beta e utilizza Muse Spark 1.2, nuova versione del modello sviluppato da Meta Superintelligence Labs. Non si limita a completare frammenti di codice: esplora la codebase, divide il lavoro fra più agenti e gestisce attività composte da numerosi passaggi.
I subagenti restano attivi
Muse Code affianca all’agente principale una serie di subagenti asincroni specializzati. Restano attivi per tutta la sessione, raccolgono informazioni, proseguono il lavoro e comunicano con l’agente principale quando hanno nuovi risultati.
La persistenza evita di ripetere l’analisi degli stessi file e riduce le interazioni necessarie durante le attività più lunghe. I subagenti possono occuparsi in parallelo di parti diverse del repository, mentre l’agente principale coordina il lavoro complessivo.
Ogni chiamata al modello, comando, approvazione e modifica viene aggiunta a un registro locale. In caso di arresto o errore, Muse Code ricostruisce lo stato dell’esecuzione e riparte dal punto raggiunto. Un’attività di lunga durata non deve quindi ricominciare da zero dopo un’interruzione.
Tre comandi per pianificare e controllare il lavoro
La beta comprende tre procedure richiamabili dal terminale: /plan prepara un piano e lo sottopone all’approvazione dell’utente; /grill cerca errori e punti deboli nel piano; /goal mantiene l’agente al lavoro fino al completamento dell’obiettivo indicato.
Muse Code può anche utilizzare file multimediali come punto di partenza. In una delle dimostrazioni pubblicate con l’annuncio riceve il video di un sito di prenotazione, ne ricostruisce l’interfaccia e controlla il risultato nel browser.
Muse Spark 1.2 si concentra sul codice
Muse Spark 1.2 migliora generazione del codice, debugging, comprensione dei repository e gestione dei flussi di sviluppo completi. Conserva anche le capacità agentiche e multimodali già presenti nella famiglia Muse.
L’addestramento ha incluso più calcolo dedicato al coding, una maggiore varietà di ambienti e attività estese come la generazione di interi repository, lo sviluppo di progetti completi e la ricerca automatizzata.
Muse Spark 1.2 è stato addestrato insieme a Muse Code. I dati comprendono sequenze di operazioni eseguite nell’agente e ottimizzazioni dedicate a obiettivi, compressione del contesto e coordinamento dei subagenti. Modello e ambiente di esecuzione sono quindi stati sviluppati come parti dello stesso sistema.
Una parte dei dati è stata generata con Muse Spark 1.1. Il modello precedente ha creato ambienti di programmazione e istruzioni complesse, quindi ha valutato le soluzioni in base al rispetto dei requisiti. I risultati sono stati utilizzati per migliorare la capacità di Spark 1.2 di seguire consegne articolate.
Come va nei benchmark
Muse Spark 1.2 con Muse Code raggiunge l’82,9% in Terminal-Bench 2.1. Nei risultati pubblicati da Meta si colloca dietro Claude Opus 5 con Claude Code, all’86,7%, e davanti a GPT-5.6 Terra con Codex, all’81,8%.
In DeepSWE 1.1 ottiene il 59,3%. GPT-5.6 Terra con Codex raggiunge il 65% e Claude Opus 5 con Claude Code il 64,8%. Muse Spark 1.1 si fermava al 53%.
Nel test MCP Atlas, dedicato all’utilizzo di strumenti attraverso Model Context Protocol, Spark 1.2 arriva al 90,3%, contro l’88,1% di Spark 1.1. In GDPVal-AA v2, che comprende incarichi professionali come la preparazione di documenti, fogli di calcolo e presentazioni, registra un punteggio Elo di 1.631.
La metodologia pubblicata da Meta associa ogni modello al relativo agente: Muse Code per Spark 1.2, Claude Code per Opus e Codex per GPT. I risultati confrontano quindi sistemi completi, non i modelli eseguiti nello stesso ambiente. Gli strumenti e le istruzioni disponibili possono incidere sul punteggio.
Oltre mille operazioni per ottimizzare un kernel GPU
Muse Code e Spark 1.2 sono stati impiegati anche per ottimizzare kernel GPU destinati alle architetture Nvidia Hopper. Le esecuzioni hanno superato le mille chiamate agli strumenti e sono durate fino a 24 ore.
Il sistema ha scritto, compilato, profilato e modificato implementazioni Triton di kernel KDA e MLA. Per il carico MLA ha realizzato una pipeline composta da due kernel, riutilizzando la rappresentazione latente KV condivisa come chiave e valore.
Il test mette sotto pressione le caratteristiche centrali di Muse Code: conservazione dello stato, uso continuativo degli strumenti e miglioramento progressivo del codice.
Disponibilità
Muse Code è disponibile in beta per macOS e Linux. Muse Spark 1.2 è accessibile attraverso Muse Code e Meta Model API, con disponibilità estesa a livello globale.
