Meta Muse Code beta と Muse Spark 1.2 のリリース：機能、設計、およびコミュニティの反応

Muse Code beta がターミナルでの自律的なマルチステップ・ソフトウェアエンジニアリングを実現

Muse Code は、最小限のユーザー操作で大規模なコードベースにわたる変更を計画、記述、検証できるターミナルベースのコーディングエージェントです。セッション全体を通じて生存し続ける永続的な非同期バックグラウンドエージェントによって支えられたシンプルなメインループを実行し、レイテンシを低減し、冗長な情報収集を回避します。

永続的な非同期エージェントがスピードと信頼性を向上

バックグラウンドエージェントがいつ行動し、いつ報告を返すかを決定するため、メインエージェントは高レベルの推論に集中できます。
エージェントがタスクをまたいで永続化されるため、システムは各サブタスクに対して新しいエージェントを起動するオーバーヘッドを回避できます。
ユーザーは、複雑なマルチステップの問題に対してより早いターンアラウンドを実現できます。

イベントログ・ランタイムがクラッシュに強い実行を保証

すべてのモデル呼び出し、ツール呼び出し、承認、および編集は、ローカルのイベントログに追記されます。
ログは単一の真実のソース（single source of truth）として機能し、正確なリプレイとクラッシュ後の安全な再起動を可能にします。
この設計により、Muse Code は進行状況を失うことなく、長時間実行されるジョブ（例：24時間のカーネル最適化）を処理できます。

内蔵スキルが一般的なワークフローを効率化

/plan – ユーザーのリクエストを、承認プロセスを挟む実行計画に変換します。
/grill – エッジケースでも耐えられるまで、計画を繰り返しテストします。
/goal – エージェントを定義された目標に向かって駆動させ、完了するまで自動的に反復処理を行います。

“Muse Code はビデオを解釈し、視覚的に豊かなバケーションホームのマーケティングおよび予約ページを生成します。” – マルチモーダルな入力をエンドツーエンドで処理できることを示す、公式ブログからの例。

Muse Spark 1.2 モデルがコード生成と長期的な推論を前進させる

Muse Spark 1.2 は、Muse Code を動かす基盤となる LLM です。Spark 1.1 と比較して、以下の特徴があります：

より広範なコーディングタスクにおけるスケーリングされた学習計算量。
計画、目標条件付け、およびコンテキスト圧縮を用いた、リポジトリ全体の生成、大規模プロジェクト、および自動リサーチに関する長期的な学習（Long-horizon training）。
Spark 1.1 が困難な環境を生成し、解決策を採点することで、Spark 1.2 のための高品質なデータセットを作成する自己改善ループ。
Muse Code との共同学習 – モデルはエージェントが使用するものと同じハーネス・トラジェクティ（harness trajectories）とツールセットで学習されており、緊密な統合が保証されています。

カーネル最適化のケーススタディが実用的な影響を実証

モデルは、NVIDIA Hopper GPU カーネル（KDA および MLA）を反復的に改善するために、最大 24 時間にわたって 1,000 回以上のツール呼び出しを実行しました。
チャンク並列の準備カーネルと逐次的なインターチャンク・スキャンを組み合わせ、融合（fusion）、タイリング、および KDA 特有の再中心化最適化を適用しました。
ベンチマークでは、ベースラインの Triton 実装に対して継続的なスピードアップが示され、改善曲線は遺伝的アルゴリズムのように、周期的な停滞の後に大きな飛躍を見せました。

“実験が打ち切られたときもすべてのモデルが改善を続けており、エージェントが時間をかけて新しい最適化を発見できる能力を示唆している。” – コミュニティの観察（HN のコメント）。

価格設定、データポリシー、および可用性

Muse Spark 1.2 は、Muse Code バイナリ（macOS/Linux）およびグローバルアクセスが拡大された Meta Model API を介してアクセス可能です。
Meta は、データのモデル学習への使用を許可するユーザーに対して、入力トークンで 10 倍の割引（$0.10 / Mtok）および出力トークンで 20 倍の割引（$0.20 / Mtok）を提供しています。
「Contributor」価格ティアは DeepSeek V4-Flash レベルに相当しますが、データ収集への同意が必要です。
ユーザーからは、強制的なセルフィー認証やポリシーに基づくアクセス制限に関する懸念が報告されています。

コミュニティの反応と批判的な視点

ポジティブな印象

複数のコメント投稿者が、Muse Code の組み込みのオーケストレーター/サブエージェントパターンは、Claude Code のような他のコーディングエージェントと比較して斬新であると指摘しています。
ユーザーは低コストの「contributor」ティアを高く評価しており、提供される機能の組み合わせは Grok Build に匹敵すると述べています。

“Muse code はまだ粗削りです。しかし、ほぼ無料のモデル（muse spark contributor）と組み合わせると、実際にはかなり良いです。” – @alexeiz

疑念と批判

批判的な人々は、Meta のベンチマーク比較が新しい競合他社（例：GPT-5.6-sol）を省略しており、中位の OpenAI モデルを優遇していると指摘しています。
信頼性に関する懸念：多くのユーザーは、特に割引価格のためにデータ使用への同意が義務付けられていることを踏まえ、Meta に独自のコードや個人データへのアクセス権を与えることに警戒しています。
モデルがオープンウェイトではないため、研究の透明性が制限されていると指摘する者もいます。

“オープンウェイトでないなら、あまり興味はない。” – @kennywinker

報告されている実用的な問題

イベントログのカーソルが読み取れない場合にクラッシュが発生したり、「ポリシー違反」として即座に API 制限を受けたりする事例が報告されています。
いくつかの報告では、バイナリは Rust で書かれているようで、既存の Codex のようなツールと類似しているが、独自の構成フォーマットを持っていることが示されています。

このリリースが AI コーディングの展望に意味すること

Muse Code は、外部のスクリプトに頼るのではなく、ツールに直接オーケストレーション・ロジックを組み込むエージェンティックなコーディング環境への移行を示しています。
長期的な学習レジームは、将来のモデルが人間のマイクロマネジメントなしに、リポジトリ全体の書き換えやエンドツーエンドのプロジェクト生成を処理できるようになることを示唆しています。
データ収集に紐付けられた価格インセンティブは、モデルの改善を加速させる可能性がありますが、プライバシーを重視する開発者を遠ざける可能性があります。
オープンソースコミュニティは、Meta がモデルの重みを公開するか、より透明性の高いベンチマーク手法を提示するまで、懐疑的な見方を維持しています。

すべての記述は、Meta の公式ブログ記事（2026-08-05 公開）および、対応する Hacker News ディスカッションのトップスコアのコメントに基づいています。