Meta Muse Code beta 與 Muse Spark 1.2 發佈：功能、設計與社群反應

Muse Code beta 實現終端機中的自主、多步驟軟體工程

Muse Code 是一款基於終端機的編碼代理（coding agent），只需極少量的使用者引導，即可在大型代碼庫中進行規劃、編寫與驗證變更。它運行一個簡單的主迴圈，並由持續運行的非同步背景代理提供支援，這些代理在整個工作階段中保持活躍，從而降低延遲並避免重複的資訊收集。

持續的非同步代理提升速度與可靠性

• 背景代理決定何時執行動作以及何時回報，讓主代理能專注於高層次的推理。
• 由於代理在任務之間是持續存在的，系統避免了為每個子任務啟動新代理的開銷。
• 使用者在處理複雜的多步驟問題時，能看到更快的周轉速度。

事件日誌執行期保障崩潰後的安全執行

• 每次模型呼叫、工具調用、核准與編輯都會附加到本地事件日誌中。
• 該日誌作為單一事實來源，實現了精確的重放以及在崩潰後的安全重啟。
• 這種設計讓 Muse Code 能夠處理長時間運行的任務（例如：24 小時的內核優化）而不會丟失進度。

內建技能簡化常見工作流程

• /plan – 將使用者請求轉換為經過核准門檻控制的執行計畫。
• /grill – 反覆對計畫進行壓力測試，直到其在邊緣情況下依然穩健。
• /goal – 驅動代理朝向定義的目標前進，自動迭代直到完成。

“Muse Code 解讀影片並產出視覺豐富的度假屋行銷與預訂頁面。” – 來自官方部落格的範例，展示了端到端的跨模態輸入處理。

Muse Spark 1.2 模型進步了代碼生成與長程推理

Muse Spark 1.2 是驅動 Muse Code 的底層 LLM。與 Spark 1.1 相比，它具有以下特點：

• 擴展的訓練算力，應用於更廣泛的編碼任務。
• 長程訓練（Long-horizon training），利用規劃、目標條件化與上下文壓縮，針對整個儲存庫生成、大型專案與自動研究進行訓練。
• 自我改進迴圈，由 Spark 1.1 生成具挑戰性的環境並對解決方案進行評分，為 Spark 1.2 創建了高品質數據集。
• 與 Muse Code 協同訓練 – 該模型是在代理所使用的相同框架軌跡與工具集上進行訓練的，確保了緊密的整合。

內核優化案例研究展示了實際影響力

• 該模型在長達 24 小時的時間內執行了 >1,000 次工具呼叫，以迭代改進 NVIDIA Hopper GPU 內核 (KDA 和 MLA)。
• 它結合了分塊並行準備內核與序列化分塊間掃描，應用了融合（fusion）、分塊（tiling）以及 KDA 特有的重新中心化優化。
• 基準測試顯示，其效能持續優於基準 Triton 實作，其進步曲線類似於遺傳演算法——週期性的平台期後接著大幅躍升。

“當實驗被中斷時，所有模型仍在持續改進，這表明代理具備隨時間發現新穎優化方案的能力。” – 社群觀察 (HN 評論)。

定價、數據政策與可用性

• Muse Spark 1.2 可透過 Muse Code 二進位檔 (macOS/Linux) 以及擴展了全球存取的 Meta Model API 使用。
• Meta 為允許將數據用於模型訓練的使用者提供 10 倍輸入 Token 折扣 ($0.10 / Mtok) 與 20 倍輸出 Token 折扣 ($0.20 / Mtok)。
• 「Contributor」定價層級與 DeepSeek V4-Flash 等級相當，但需要同意數據收集。
• 使用者反應對強制性的自拍驗證與基於政策的存取限制感到擔憂。

社群反應與批判性觀點

正面印象

• 幾位評論者指出，與 Claude Code 等其他編碼代理相比，Muse Code 內建的編排器/子代理模式非常新穎。
• 使用者讚賞低成本的「contributor」層級，認為其綜合方案與 Grok Build 相當。

“Muse code 尚不成熟。但結合幾乎免費的模型 (muse spark contributor) 後，它實際上相當不錯。” – @alexeiz

懷疑與批評

• 批評者指出，Meta 的基準測試比較忽略了較新的競爭對手（例如 GPT-5.6-sol）並偏向中階的 OpenAI 模型。
• 對信任的擔憂：許多使用者對將專有代碼或個人數據提供給 Meta 感到警惕，特別是考慮到為了折扣定價而必須同意數據使用。
• 有人指出該模型並非開源權重（open-weight），限制了研究透明度。

“如果它不是開源權重，我真的不在乎。” – @kennywinker

回報的實際問題

• 使用者遇到當事件日誌游標無法讀取時發生的崩潰，部分使用者因「違反政策」而立即面臨 API 限制。
• 少數人報告該二進位檔似乎是用 Rust 編寫的，並與現有的 Codex 等工具具有相似之處，但具有獨特的配置格式。

此版本對 AI 編碼格局的意義

• Muse Code 展示了向 代理式編碼環境（agentic coding environments） 的轉變，這種環境將編排邏輯直接嵌入工具中，而不是依賴外部腳本。
• 長程訓練機制表明，未來的模型將能夠處理整個儲存庫的重構或端到端的專案生成，而無需人類的微觀管理。
• 與數據收集掛鉤的定價激勵可能會加速模型改進，但可能會阻礙注重隱私的開發者。
• 在 Meta 發佈模型權重或更透明的基準測試方法之前，開源社群仍持懷疑態度。

---

所有陳述均基於 Meta 官方部落格文章（發佈於 2026-08-05）以及對應 Hacker News 討論中的高分評論。