Meta запускає Muse Code, перший програмний агент для терміналу з довготривалими агентами та опцією знижки 95%

5 серпня 2026 року Meta представила перший термінальний програмний агент — Muse Code, а також одночасно запустила модель Muse Spark 1.2, оптимізовану саме для програмування. Muse Code може читати великі кодові бази, розробляти плани змін, писати код, запускати тести та перевіряти результати, а також дозволяє кільком фоновим агентам працювати протягом усього сеансу, не потребуючи повторного розуміння проекту при кожному новому завданні. Meta також розробила для системи локальний журнал подій, який дозволяє лише додавання, але не перевизначення, що дозволяє точно відновити стан у разі збою програми. Ще більше обговорень серед розробників викликала ціна: стандартна версія коштує 1,25 долара за мільйон вхідних токенів і 4,25 долара за мільйон вихідних токенів; якщо користувач дозволить Meta використовувати вхідні та вихідні дані для покращення продукту, «версія для учасників» знизиться до 0,10 долара і 0,20 долара. Обмін на низькій ціні — це не звичайна акція, а надання коду та даних про використання. Офіційні оцінки показують, що Muse Spark 1.2 наблизилася до лідерів серед моделей для програмування, але ще не має повної переваги, і деякі результати ще не були незалежно відтворені. Цей крок Meta свідчить про те, що одиниця конкуренції в AI-програмуванні зміщується від окремих моделей до цілих систем, що об’єднують моделі, фреймворки роботи агентів, довгостроковий стан та дані в замкненому циклі.

Автор статті, джерело: Meta AI Research

Muse Code — це перший термінальний програмний агент, запущений Meta, який зараз доступний у вигляді тестової версії для macOS і Linux. Його мета — не доповнення коду, а повністю завершені завдання програмної інженерії: увійти до великої кодової бази, зрозуміти існуючу структуру, розробити план, змінити кілька файлів, виконати команди та тести, а потім вдосконалити результати на основі отриманих даних.

Це дозволяє Muse Code безпосередньо увійти на ринок, який зараз борються такі продукти, як Claude Code, Codex, Gemini CLI. Модель більше не просто відповідає на запитання «як написати цей код», а отримує доступ до терміналу, файлової системи та інструментів розробки, щоб безперервно виконувати завдання з меншою кількістю людського втручання.

Meta у статті представляє Muse Code та Muse Spark 1.2 як єдину систему, а не як два окремі продукти, які можна вільно розділити. Muse Spark 1.2 відповідає за розуміння, міркування та генерацію, тоді як Muse Code займається організацією контексту, плануванням під-Agent’ів, викликом інструментів, збереженням стану та перевіркою результатів. Обидва компоненти були спільно оптимізовані під час навчання, що означає, що той самий модуль, перенесений до іншого агентного фреймворку, може не змогти повторити результати, продемонстровані Meta.

Найбільш унікальним дизайном Muse Code є набір фонових агентів, що працюють асинхронно.

Загальні багатоагентні системи створюють тимчасового асистента, коли потрібно виконати підзавдання, наприклад, щоб знайти відповідні файли, проаналізувати невдачі тестів або дослідити певну залежність. Після завершення завдання контекст цього асистента зазвичай зникає; при наступному зустрічі з подібною проблемою система може знову сканувати той самий набір коду та повторно збирати ту саму інформацію.

Задній план агента Muse Code залишатиметься активним протягом усього сеансу. Вони можуть накопичувати розуміння кодової бази, самостійно просуватися до наступних кроків і вибирати, коли повідомляти результати головному агенту. Головний агент відповідає за координацію цілей, тоді як агенти заднього плану можуть окремо досліджувати різні модулі, перевіряти тести, шукати залежності викликів або перевіряти реалізації.

Цей дизайн намагається вирішити загальну витрату під час довгих завдань: агент постійно забуває, що вже переглядав. Якщо стан фонового агента може надійно зберігатися, йому не потрібно на кожному кроці знову читати структуру проекту, а людина не повинна постійно нагадувати йому: «Цей файл вже перевірено».

Проте одночасне редагування коду кількома агентами може призвести до конфліктів, проблем з правами доступу та витратами. У публічній статті Meta не було повністю розкрито, як завдання розподіляються між агентами, як об’єднуються зміни в коді та як інші агенти уникнути наслідування помилкових висновків, якщо один із фонових агентів припустився помилки. Тому безперервні агенти — це перспективний напрямок архітектури, але наразі неможливо судити про їхню стабільність у реальних командних проектах лише за офіційними демонстраціями.

Довготривалі програмні агенти стикаються з реальною проблемою: чим довше завдання, тим більше ймовірність переривання мережі, помилок інструментів, аварійного завершення процесу або перевищення обсягу контексту. Якщо система зберігає поточний стан лише в діалозі моделі, одна несправність може призвести до втрати кількох годин дослідницької роботи.

Muse Code створив локальний журнал подій. Кожний виклик моделі, виконання інструменту, схвалення користувача та зміна файлу додаються до журналу, і історія, що вже відбулася, не перезаписується безпосередньо наступними станами.

Meta називає цей механізм «точною відтворюваністю» та «безпечною перезавантаженням». Коли агент збивається з курсу, система може відновити роботу на основі запису подій, а не намагатися знову вгадати, що відбулося раніше. Це фактично перетворює програмування агента з тимчасового діалогу на більш схожий на становий інженерний процес.

Muse Code також має вбудовані кілька навичок, які можна викликати:/planспочатку створює план виконання, який потребує схвалення користувача;/grillспеціалізується на критиці та запитаннях щодо цього плану, виявляючи пропущені моменти, ризики та помилкові припущення;/goalдозволяє агенту безперервно виконувати завдання, спрямоване на зазначену мету, доки не буде досягнуто умови завершення.

Ідея, що лежить в основі цих функцій, дуже ясна: якщо ШІ має виконувати кілька годин роботи з програмної інженерії, ключовим є не лише те, чи є код, згенерований на кожному етапі, гарним, а й чи він може зберігати прогрес, отримувати перевірку, виявляти недоліки в плані та продовжувати виконання після відмови.

Muse Spark 1.2 — це оновлена версія програмування, випущена менше ніж через місяць після версії 1.1. Meta стверджує, що вона збільшила обчислювальну потужність для навчання завдань програмування та різноманітність навчальних середовищ, зосереджуючись на покращенні генерації коду, складного виправлення помилок, розуміння кодових баз та енд-ту-енд процесів розробки.

Діапазон навчання включає не лише виправлення окремих файлів, але й генерацію повних кодових репозиторіїв, великих енд-ту-енд проектів та автоматизовані дослідницькі завдання. Модель використовуватиме плани для впорядкування кроків роботи, підтримуватиме напрямок за допомогою цільових умов та здійснюватиме стиснення при зростанні контексту, зберігаючи лише інформацію, необхідну для подальшої роботи.

Meta також залучила Muse Spark 1.1 до навчання наступного покоління моделей. Стара модель відповідає за генерацію складніших середовищ програмування та шаблонів виконання інструкцій, а також оцінює, чи задовольняють кандидатські рішення вимогам, щоб масово створювати дані для навчання версії 1.2.

Тут під «самовдосконаленням» все ще не мається на увазі, що модель самостійно змінює ваги після виходу з-під контролю людини. Більш точним буде твердження, що модель попереднього покоління використовується як генератор даних та оцінювач, щоб допомогти команді розширити навчальні дані наступного покоління. Процеси отримання даних, навчання та остаточний випуск моделі залишаються під контролем Meta.

Ще важливіше, Meta не навчала окрему модель, яка вміє писати код, а замість цього включила інструменти Muse Code, управління цілями, стиснення контексту та траєкторії суб-агентів у навчання. Здатність майбутніх моделей програмування, ймовірно, все більше залежатиме від того, який агентний фреймворк вони знали на етапі навчання.

Один із випадків, наданих Meta, полягає у тому, щоб Muse Spark 1.2 оптимізував ядра KDA та MLA на GPU NVIDIA Hopper у середовищі Muse Code. Система повинна самостійно написати код, скомпілювати його, проаналізувати продуктивність, а потім повторно вносити зміни на основі отриманих результатів.

Тестування тривало не більше 24 годин, а виклики інструментів перевищили 1000. Дослідники заборонили моделі безпосередньо імпортувати готові сторонні ядерні бібліотеки та вимагали, щоб вона реалізувала алгоритми в Triton і шукала справжній приріст продуктивності, а не просто обгорнула існуючі реалізації як власні результати.

У завданні KDA модель поєднує паралельні ядра підготовки всередині блоку з послідовним скануванням між блоками та додає спеціальну оптимізацію для обчислення затухання з воротами. У завданні MLA вона розробляє Triton-конвеєр, що складається з двох ядер, і намагається повторно використовувати спільні потенційні представлення KV.

Важливість таких випадків полягає не в одному акселераційному показнику, а в тому, чи здатний агент після сотень невдач і проміжних результатів зберігати ціль, розуміти дані аналізу продуктивності та генерувати наступний експеримент. Якщо система може стабільно працювати лише кілька десятків хвилин, вона більше схожа на просунутий інструмент автодоповнення; лише коли вона здатна продовжувати роботу протягом 24 годин, вона починає наближатися до агента, якому можна доручити інженерні дослідження.

Оцінка Meta охоплює Terminal-Bench 2.1, DeepSWE 1.1, GDPVal-AA v2, MCP Atlas та внутрішні програмні тести. Terminal-Bench 2.1 містить 89 завдань, які потрібно виконати в середовищі терміналу; DeepSWE 1.1 містить 113 завдань, взятих з 91 репозиторію коду та охоплюючих п’ять мов програмування.

Згідно з діаграмами, опублікованими Meta, Muse Spark 1.2 разом із Muse Code показав 82,9% на Terminal-Bench 2.1, що нижче за 86,7% Claude Opus 5, але вище за Codex і Grok Build у їхніх тестах. На DeepSWE 1.1 Muse Spark 1.2 отримав 59,3%, не посівши першого місця. У 440 реальних інженерних завданнях всередині Meta він показав 70,6%, також поступаючись Opus 5.

Ці результати свідчать про те, що Muse Code вже потрапив у сферу конкуренції лідируючих програмних агентів, але не підтверджують висновок про те, що Meta повністю перемогла Claude Code та Codex.

Офіційнийдокумент з методикою оцінкитакож зазначає, що різні моделі поєднані з відповідними продуктами Agent: Muse Spark використовує Muse Code, Claude — Claude Code, GPT — Codex, Gemini — Antigravity, Kimi — Kimi Code. Таке порівняння ближче до повного зіставлення продуктів, але не дозволяє визначити, чи результати пояснюються саме моделлю чи фреймворком Agent.

Meta також визнає, що їхні внутрішні тестові середовища та підказки можуть бути не оптимізовані для сторонніх закритих моделей. Результати Muse Spark 1.2 у Terminal-Bench поки що не потрапили до незалежних рейтингів. Тому на даний момент найбільш обережним твердженням є: згідно з внутрішніми тестами Meta, він наближається до передових показників, але незалежна перевірка все ще відсутня.

Muse Spark 1.2 Standard Edition коштує 1,25 долара за мільйон вхідних токенів, 0,15 долара за кешовані вхідні дані та 4,25 долара за вихідні дані. Вхідні та вихідні дані цієї версії не будуть використовуватися для покращення продуктів Meta.

Інша модель позначена якmuse-spark-1.2-contributor. Її ціна за мільйон вхідних токенів становить лише 0,10 долара, кешовані вхідні дані — 0,002 долара, вихідні — 0,20 долара. Порівняно зі стандартною версією, вхідні дані дешевші на 92%, а вихідні — приблизно на 95%.

Ціною є те, що підказки та вихідні дані моделі від учасників можуть використовуватися Meta для покращення продуктів. Для відкритих проектів, особистих експериментів або робіт, що не містять конфіденційної інформації, це може бути дуже привабливою угодою; але для корпоративного приватного коду, продуктів, що ще не опубліковані, клієнтських даних, ключів конфігурації та проектів, що підлягають угодам про конфіденційність, це спочатку питання управління даними, а не ціни.

Компанії не повинні вважати, що засноване лише на ціні токена, варто передавати весь кодовий базис версії внесків. Дозвіл на використання даних для навчання потрібно визначати, враховуючи конкретні умови послуг Meta, права власності на код, угоди з клієнтами та внутрішні політики безпеки. Стандартна та внескова версії використовують схожі можливості, але відповідають двом абсолютно різним відносинам до даних.

Це також розкриває справжню конкурентну стратегію Meta: вона не лише прагне привабити розробників низькими цінами, а й хоче створити новий цикл навчальних даних для програмування завдяки завданням, змінам, відгукам та результатам, які виникають під час використання Muse Code. Розробники отримують майже безкоштовний доступ до Agent, а Meta може отримати дані, цінніші за публічний код GitHub — як реальні завдання розбиваються, змінюються та перевіряються.

Раніше оцінка програмних ІІ в основному здійснювалася шляхом порівняння кількості завдань, які модель могла вирішити. Muse Code демонструє іншу логіку конкуренції: модель — лише частина системи; чи зберігає бекенд-агент стан, чи надійно викликаються інструменти, чи можна відновити завдання, чи правильно стискається контекст, а також чи можна продовжувати ітерації після невдачі — все це може бути важливішим, ніж здатність до одноразового генерування коду.

Meta також підтвердила, що в майбутньому запустить більші моделі та додаткові функції для агентних фреймворків. Це означає, що Muse Spark 1.2 — це не остаточний флагманський продукт, а скоріше перший повний інфраструктурний набір Meta для ринку програмних агентів.