Meta startet Muse Code und testet lang laufende Programmierarbeit mit 1.000+ Tool-Aufrufen
Kurzfassung
Meta hat die Beta von Muse Code veröffentlicht. Muse Spark 1.2 bearbeitet damit Repository-Aufgaben unter macOS und Linux; unabhängige Reproduktionen und Kostendaten fehlen noch.
Muse Code lässt sich in den kommenden drei bis sechs Monaten an einer überprüfbaren Annahme messen: Ein leistungsfähiger Agent für große Repositories müsste die Durchlaufzeit von Pull Requests verkürzen, menschliche Nacharbeit senken und weniger Inferenzkosten verursachen als die eingesparte Arbeitszeit wert ist. Bislang hat Meta eigene Bewertungen und Demonstrationen veröffentlicht. Verbessern Unternehmentests diese drei Größen nicht, belegt die Produkteinführung noch nicht, dass ein Agent vollständige Entwicklungsaufgaben zuverlässig übernehmen kann.
Meta Superintelligence Labs veröffentlichte die Beta von Muse Code am August 5, 2026. Der terminalbasierte Programmieragent wird von Muse Spark 1.2 angetrieben und unterstützt derzeit macOS und Linux. Laut Meta kann er große Repositories untersuchen, Änderungen planen, Code schreiben, Ergebnisse validieren und dauerhafte Hintergrundagenten während einer Sitzung koordinieren. 9to5Mac bestätigte unabhängig die Plattformen, den Beta-Status und den Installationsweg; Reuters berichtete am selben Tag über die Veröffentlichung von Produkt und Modell.
Das Ereignisprotokoll soll unterbrochene Arbeit wiederaufnehmbar machen
Muse Code schreibt Modellaufrufe, Werkzeugnutzung, Freigaben und Dateiänderungen in ein lokales Ereignisprotokoll. Nach einem Absturz kann eine Aufgabe dadurch fortgesetzt werden, ohne jeden teuren Schritt zu wiederholen. Eingebaute Befehle erstellen einen Plan, testen ihn unter Belastung oder arbeiten weiter auf ein vorgegebenes Ziel hin. Der Mechanismus adressiert zwei bekannte Grenzen lang laufender Agenten: Kontextkomprimierung kann frühere Entscheidungen verlieren, und ein Prozessfehler kann sonst den operativen Zustand löschen. Das Protokoll erhöht die Nachvollziehbarkeit, doch Meta nennt weder Erfolgsquoten für die Wiederherstellung bei unterschiedlich großen Repositories noch Grenzen für Tokens, Latenz und Kosten mehrerer paralleler Hintergrundagenten.
Meta gibt an, Muse Spark 1.2 gemeinsam mit Muse Code trainiert zu haben. Zum Training gehörten Agentenverläufe sowie Optimierungen für Zieltreue, Kontextkomprimierung und Subagenten. Außerdem erzeugte Muse Spark 1.1 anspruchsvolle Programmierumgebungen und Vorlagen für komplexe Anweisungen; anschließend bewertete das Modell mögliche Lösungen. Diese Schleife kann den Trainingsdatensatz vergrößern, doch Generator, Bewerter und geprüftes System bleiben Teil von Metas Verfahren. Externe Teams müssen die Vergleiche mit eigenen Repositories, Testsuiten und Review-Regeln wiederholen.
Die 24-Stunden-Fallstudie behandelt GPU-Kernel
In Metas Fallstudie führte das System 1,000+ tool calls über einen Zeitraum von bis zu 24 Stunden aus. Dabei schrieb, kompilierte, profilierte und verbesserte es wiederholt GPU-Kernel. Untersucht wurden KDA- und MLA-Kernel auf NVIDIA-Hopper-GPUs. Bei KDA durften die Modelle keine Kernel-Bibliotheken Dritter direkt importieren; bei MLA verglich Meta mit einer PyTorch-Referenz bei Batch-Größe 1, 64 Heads, Sequenzlänge 8192 und latenter Dimension 512. Die offengelegten Bedingungen machen das Experiment überprüfbarer. Zwei kontrollierte Optimierungsaufgaben belegen jedoch keine Leistung bei gewöhnlicher Fehlersuche, Rechteverwaltung oder verteilten Unternehmensdiensten.
Muse Spark 1.2 ist über Muse Code und die Meta Model API verfügbar; Meta spricht dort von erweitertem globalem Zugang. Der Beitrag nennt weder einen Termin für die allgemeine Verfügbarkeit noch Kosten pro Aufgabe, Funktionen für Unternehmensadministration oder Ergebnisse unabhängiger Benchmarks für Muse Code. Aussagekräftig wären nun die Gesamtzeit bis zur Lösung desselben Issues, die Zahl menschlicher Eingriffe, die Test-Erfolgsquote und die Rechnung in externen Versuchen. Erst wenn sich diese Messwerte gemeinsam verbessern, wird aus einer Demonstration über lange Laufzeiten ein beschaffbares Entwicklungswerkzeug.
Quellen:
Verwandte Artikel
Google veröffentlicht Gemini 3.7 Flash: Halbpreis bis Jahresende, Agentenkosten hängen weiter von Wiederholungen ab
Google positioniert Gemini 3.7 Flash als Arbeitsmodell für Programmierung und KI-Agenten, mit höheren Anbieter-Benchmarks und vorübergehend halbiertem Preis; Architektur, Training und Wiederholungsraten im Betrieb bleiben offen.
Meta verdoppelt die Quartalsinvestitionen nahezu, der freie Cashflow sinkt auf 784 Millionen Dollar
Metas Umsatz stieg im zweiten Quartal auf 60,8 Milliarden Dollar, doch Investitionen von 31,08 Milliarden Dollar drückten den freien Cashflow auf 784 Millionen Dollar.