Meta lança o Muse Code, o primeiro agente de programação de terminal com agentes de longa duração e opção de desconto de 95%

Em 5 de agosto de 2026, a Meta lançou seu primeiro agente de programação de terminal, o Muse Code, e simultaneamente introduziu o modelo Muse Spark 1.2 otimizado especificamente para programação. O Muse Code é capaz de ler grandes repositórios de código, elaborar planos de modificação, escrever código, executar testes e validar resultados, além de permitir que múltiplos agentes em segundo plano operem continuamente durante toda a sessão, sem a necessidade de recompreender o projeto a cada nova tarefa. A Meta também projetou um log de eventos local de acréscimo exclusivo, que não permite sobrescrita, garantindo que, mesmo em caso de falha do programa, o sistema possa ser restaurado com precisão até o ponto de interrupção. Outro aspecto que gerou grande discussão entre desenvolvedores foi o preço: a versão padrão cobra US$ 1,25 por milhão de tokens de entrada e US$ 4,25 por milhão de tokens de saída; se os usuários permitirem que a Meta use as entradas e saídas para aprimorar seus produtos, a versão "contribuidor" cai para US$ 0,10 e US$ 0,20, respectivamente. A troca por trás desse preço baixo não é uma promoção comum, mas sim o código e os dados de uso. Avaliações oficiais indicam que o Muse Spark 1.2 está próximo dos principais modelos de programação, mas ainda não lidera amplamente, e alguns resultados ainda não foram reproduzidos independentemente. O sinal lançado pela Meta nesta ocasião é que a unidade de competição na programação por IA está passando de modelos individuais para sistemas completos compostos por modelos, frameworks de execução de agentes, estado duradouro e ciclos fechados de dados.

Autor do artigo, fonte: Meta AI Research

Muse Code é o primeiro agente de programação terminal lançado pela Meta, atualmente disponível em versão de teste para macOS e Linux. Seu foco não é a complementação de código, mas sim tarefas completas de engenharia de software: entrar em um repositório de código grande, compreender a estrutura existente, elaborar um plano, modificar vários arquivos, executar comandos e testes, e ajustar continuamente com base nos resultados.

Isso coloca o Muse Code diretamente no mercado que produtos como Claude Code, Codex e Gemini CLI estão competindo. O modelo não se limita mais a responder “como escrever este trecho de código”, mas ganha acesso ao terminal, ao sistema de arquivos e às ferramentas de desenvolvimento, permitindo a execução contínua de tarefas com menos intervenção humana.

A Meta apresenta o Muse Code e o Muse Spark 1.2 como um único sistema, e não como dois produtos separáveis. O Muse Spark 1.2 é responsável por compreender, raciocinar e gerar, enquanto o Muse Code cuida de organizar o contexto, agendar sub-Agents, chamar ferramentas, salvar estados e validar resultados. Ambos foram otimizados conjuntamente durante o treinamento, o que significa que o mesmo modelo, ao ser transferido para outro framework de Agent, talvez não consiga reproduzir os resultados apresentados pela Meta.

O design mais diferenciado do Muse Code é um conjunto de Agentes em segundo plano que operam assincronamente.

Sistemas multiagente comuns criam temporariamente um assistente quando precisam executar uma subtarefa, como procurar arquivos relevantes, analisar falhas de teste ou pesquisar uma dependência específica. Após a conclusão da tarefa, o contexto desse assistente geralmente desaparece; na próxima vez que surgir um problema semelhante, o sistema pode novamente escanear o mesmo conjunto de código e repetir a coleta das mesmas informações.

O agente de fundo do Muse Code permanecerá ativo durante toda a sessão. Eles podem acumular continuamente compreensão sobre o repositório de código, avançar automaticamente para a próxima etapa e escolher quando relatar os resultados ao agente principal. O agente principal é responsável por coordenar os objetivos, enquanto os agentes de fundo podem pesquisar separadamente diferentes módulos, verificar testes, identificar relações de chamada ou validar soluções de implementação.

Este design visa resolver um desperdício comum em tarefas longas: o agente esquecer repetidamente o que já viu. Desde que o estado do agente em segundo plano seja mantido de forma confiável, ele não precisará reler a estrutura do projeto a cada etapa, nem será necessário que o humano lembre constantemente o agente de que já verificou este arquivo.

No entanto, múltiplos Agentes modificando código simultaneamente também trazem problemas de conflito, permissões e custos. O artigo público da Meta não revelou integralmente como as tarefas são particionadas, como as alterações de código são integradas e como outros Agentes evitam herdar conclusões erradas quando um Agente de fundo comete um erro. Portanto, Agentes contínuos são uma direção arquitetônica digna de atenção, mas atualmente não é possível julgar apenas com base nas demonstrações oficiais sua estabilidade em projetos de equipe reais.

Agentes de programação de longa duração enfrentam um problema muito real: quanto mais longa a tarefa, maior a probabilidade de encontrar interrupções de rede, erros de ferramentas, falhas de processo ou limites de contexto. Se o sistema salvar apenas o estado atual na conversa do modelo, uma única falha pode fazer com que horas de exploração sejam perdidas.

Muse Code criou um log de eventos local para isso. Cada chamada de modelo, execução de ferramenta, aprovação do usuário e modificação de arquivo são gravados em modo anexado, e o histórico já ocorrido não é substituído diretamente por estados subsequentes.

O Meta chama esse mecanismo de "reprodução exata" e "segurança de reinício". Quando um Agente falha no meio do caminho, o sistema pode recuperar o trabalho com base no registro de eventos, em vez de tentar adivinhar o que ocorreu anteriormente. Isso transforma realmente o Agente de programação de uma conversa temporária em um processo de engenharia mais próximo de um estado mantido.

Muse Code também incorpora várias habilidades chamáveis:/plangera primeiro um plano de execução que requer aprovação do usuário;/grillataca e questiona especificamente esse plano, buscando omissões, riscos e pressupostos incorretos;/goalpermite que o Agente execute continuamente em torno de um objetivo especificado até atender às condições de conclusão.

A ideia por trás desses recursos é clara: se a IA for responsável por horas de trabalho de engenharia de software, o importante não é apenas se o código gerado em cada etapa for elegante, mas também se ela consegue salvar o progresso, receber revisões, identificar falhas no plano e continuar executando após falhas.

Muse Spark 1.2 é uma versão aprimorada para programação lançada menos de um mês após a versão 1.1. A Meta afirma que aumentou a capacidade de treinamento para tarefas de programação e a diversidade do ambiente de treinamento, com foco na melhoria da geração de código, resolução de falhas complexas, compreensão de repositórios de código e fluxos de desenvolvimento end-to-end.

O intervalo de treinamento inclui não apenas a correção de arquivos individuais, mas também a geração de repositórios de código completos, projetos grandes e end-to-end e tarefas de pesquisa automatizadas. O modelo utilizará planos para organizar as etapas de trabalho, manter o foco por meio de condições de objetivo e comprimir informações à medida que o contexto cresce, preservando apenas as informações realmente necessárias para o trabalho futuro.

Meta também envolve o Muse Spark 1.1 no treinamento do próximo modelo. O modelo antigo é responsável por gerar ambientes de programação mais complexos e modelos de seguimento de instruções, além de pontuar se as soluções candidatas atendem aos requisitos, gerando em lote os dados para o aprendizado da versão 1.2.

Aqui, o termo "autoaperfeiçoamento" ainda não se refere ao modelo modificar seus próprios pesos sem controle humano. Uma descrição mais precisa é que o modelo da geração anterior foi usado como gerador e avaliador de dados, ajudando a equipe a expandir os dados de treinamento da próxima geração. O fluxo de dados, as execuções de treinamento e a liberação final do modelo ainda são controlados pela Meta.

Mais importante ainda, o Meta não treinou separadamente um modelo “capaz de escrever código”, mas sim incorporou às suas técnicas de treinamento as ferramentas, gerenciamento de objetivos, compressão de contexto e trajetórias de sub-Agents do Muse Code. A capacidade dos futuros modelos de programação pode depender cada vez mais de quais frameworks de Agentes eles já conhecem desde a fase de treinamento.

Um caso fornecido pela Meta envolve o uso do Muse Spark 1.2 no ambiente Muse Code para otimizar os kernels KDA e MLA em GPUs NVIDIA Hopper. O sistema precisa escrever o código, compilar, analisar o desempenho e, com base nos resultados, modificar repetidamente.

O teste completo pode durar até 24 horas, com mais de 1.000 chamadas de ferramentas. Os pesquisadores proibiram o modelo de importar diretamente bibliotecas de kernel de terceiros prontas, exigindo que ele implemente o algoritmo no Triton e busque melhorias reais de desempenho, em vez de empacotar implementações existentes como seus próprios resultados.

Na tarefa KDA, o modelo combina núcleos de preparação paralelos dentro do bloco com varreduras entre blocos sequenciais e incorpora otimizações específicas para decaimento acumulado com porta. Na tarefa MLA, ele projeta um pipeline Triton composto por dois núcleos e tenta reutilizar representações latentes KV compartilhadas.

A importância desses casos não está em um único número de aceleração, mas sim na capacidade do Agente de manter o objetivo, compreender os dados de análise de desempenho e gerar o próximo ciclo de experimentos após centenas de falhas e resultados intermediários. Se o sistema conseguir funcionar estável apenas por alguns minutos, ele é mais como uma ferramenta avançada de preenchimento; só quando consegue avançar por 24 horas começa a se aproximar de um Agente adequado para delegar pesquisas de engenharia.

A avaliação do Meta abrange Terminal-Bench 2.1, DeepSWE 1.1, GDPVal-AA v2, MCP Atlas e testes internos de programação. Entre eles, o Terminal-Bench 2.1 inclui 89 tarefas que precisam ser concluídas em um ambiente de terminal; o DeepSWE 1.1 inclui 113 tarefas provenientes de 91 repositórios de código, cobrindo cinco linguagens de programação.

De acordo com os gráficos divulgados pela Meta, o Muse Spark 1.2 combinado com o Muse Code obteve 82,9% no Terminal-Bench 2.1, abaixo dos 86,7% do Claude Opus 5, mas acima do Codex e do Grok Build em suas avaliações. No DeepSWE 1.1, o Muse Spark 1.2 alcançou 59,3%, não obtendo a primeira posição. Em 440 tarefas de engenharia reais internas da Meta, ele obteve 70,6%, também atrás do Opus 5.

Esses resultados indicam que o Muse Code já entrou na faixa de concorrentes principais de Agentes de programação, mas não sustentam a conclusão de que o "Meta superou totalmente o Claude Code e o Codex".

OficialArquivo de método de avaliaçãoTambém menciona que diferentes modelos foram combinados com seus respectivos produtos Agent: Muse Spark usa Muse Code, Claude usa Claude Code, GPT usa Codex, Gemini usa Antigravity e Kimi usa Kimi Code. Essa comparação é mais próxima de um confronto completo entre produtos, mas não consegue distinguir se os resultados vêm do modelo ou do framework Agent.

O Meta também reconhece que seu ambiente de avaliação interna e os prompts podem não estar otimizados de forma ideal para modelos fechados de terceiros. Os resultados do Muse Spark 1.2 no Terminal-Bench ainda não entraram na lista de validação independente. Portanto, a declaração mais segura no momento é: os testes internos do Meta indicam que ele está próximo do nível de ponta, mas a reprodução independente ainda está ausente.

A versão padrão do Muse Spark 1.2 cobra US$ 1,25 por milhão de tokens de entrada, US$ 0,15 para entrada em cache e US$ 4,25 para saída. Os dados de entrada e saída desta versão não serão utilizados para aprimorar os produtos da Meta.

Outro modelo identificado comomuse-spark-1.2-contributor. Seu preço por milhão de tokens de entrada é de apenas US$ 0,10, com armazenamento em cache de entrada a US$ 0,002 e saída a US$ 0,20. Em comparação com a versão padrão, a entrada é 92% mais barata e a saída cerca de 95% mais barata.

O custo é que as dicas e saídas do modelo da versão contribuidora podem ser usadas pela Meta para aprimorar seus produtos. Para projetos de código aberto, experimentos pessoais ou trabalhos sem informações sensíveis, isso pode ser um acordo muito atraente; mas para código privado empresarial, produtos ainda não lançados, dados de clientes, chaves de configuração e projetos sujeitos a acordos de confidencialidade, trata-se primeiro de uma questão de governança de dados, e não de preço.

As empresas não podem assumir, apenas com base no preço do token, que é apropriado entregar todo o repositório de código à versão dos contribuidores. Se os dados podem ser usados para treinamento deve ser avaliado com base nos termos de serviço específicos da Meta, na propriedade do código, nos contratos com clientes e nas políticas internas de segurança. As versões padrão e dos contribuidores utilizam capacidades semelhantes, mas correspondem a duas relações de dados completamente diferentes.

Isso também revela a verdadeira estratégia competitiva da Meta: ela não só deseja atrair desenvolvedores com preços baixos, mas também希望通过 desenvolvedores usando o Muse Code para gerar tarefas, modificações, feedbacks e resultados, estabelecer um novo ciclo fechado de dados de treinamento de programação. Os desenvolvedores obtêm chamadas de Agent quase gratuitas, enquanto a Meta pode obter dados mais valiosos do que os códigos públicos do GitHub — como tarefas reais são decompostas, modificadas e validadas.

No passado, as pessoas avaliavam IA de programação principalmente comparando quantos problemas o modelo conseguia resolver. O Muse Code apresenta uma lógica de competição diferente: o modelo é apenas uma parte do sistema; se os Agentes em segundo plano mantêm estado, se as chamadas de ferramentas são confiáveis, se as tarefas podem ser recuperadas, se o contexto é corretamente comprimido e se é possível continuar iterando após falhas, tudo isso pode ser mais importante do que a capacidade de geração de código em uma única tentativa.

Meta também afirmou claramente que, no futuro, lançará modelos maiores e mais funcionalidades de framework de Agentes. Isso significa que o Muse Spark 1.2 não é o produto旗舰 final, mas sim a primeira infraestrutura completa da Meta para o mercado de Agentes de programação.