Meta ma bemutatta a Muse Code nevű, terminál-alapú AI kódoló ügynök bétáját, valamint a Muse Spark 1.2 modellt, amely a Muse Spark család kódolásra optimalizált frissítése. A bejelentés közvetlen versenybe helyezi a céget Anthropic Claude Code-jával, OpenAI Codexével és a növekvő számú, fejlesztők által használt agent-alapú kódfolyamatokkal.
Meta vezérigazgatója, Mark Zuckerberg X-bejegyzésében (@finkd) azt írta: „Releasing Muse Code in beta today. It's a terminal coding agent that takes on complete software engineering tasks across large repos: planning changes, writing code, validating the results.” A bevezetés így a vállalat eddigi, többnyire kívülről figyelő szerepvállalásának a legkomolyabb előrelépése.
Mire képes a Muse Code?
Muse Code egy teljes harness: macOS-re és Linuxra egyetlen curl-paranccsal telepíthető. A telepítést a cikk szerint a következő egy soros paranccsal lehet kezdeményezni (előzetes Meta-fiók és fizetési adatok megadása szükséges):
curl -fsSL https://dev.meta.ai/install.sh | bash
A megoldás két műszaki újdonságot emel ki. Az egyik az úgynevezett "async background agents": ahelyett, hogy minden feladathoz új segédügynököt hozna létre, Muse Code egy készlet specializált háttérügynököt tart életben az egész munkamenet során. Meta szerint ezek az ügynökök végzik a következő lépéseket önállóan, ritkábban kérnek visszajelzést a főügynöktől, és ezzel csökkentik a késleltetést és az ismételt repository-felderítést.
Nagyobb feladatok esetén Muse Code külön al-ügynökökre bontja a munkát, párhuzamosan, elkülönített git worktree-ekben, így a fejlesztő munkamásolata nem sérül. Zuckerberg X-en azt írta, hogy tesztelés közben egyszerre hat feature-t épített fel egy játékhoz ütközés nélkül.
A másik fontos tervezési elv az auditálhatóság: minden modellhívás, eszközfuttatás, jóváhagyás és szerkesztés egy helyi eseménynaplóhoz íródik hozzá végrehajtás előtt. Meta szerint ez „replay-exact and restart-safe” futtatást tesz lehetővé — ha az ügynök 20 órás futás közben összeomlik, pontosan ott tud folytatni, ahol abbamaradt, adatvesztés és újrapromptolás nélkül. Ez vállalati szinten vonzó tulajdonság lehet az átláthatatlan agent-futtatásokkal szerzett rossz tapasztalatok miatt.
Muse Code alapból csomagolt „skills”-eket is hoz: a /plan feladattervezést készít, az /grill stresszteszteli a tervet, a /goal pedig a kitűzött cél elérésére irányítja az ügynököt.
Muse Spark 1.2: a modell és a harness együtt
A Muse Code mögötti modell a Muse Spark 1.2, amelyet Meta a Muse Spark 1.1 kódolásra hangolt, megnövelt kódolási tréningszámitással és változatosabb tréningkörnyezettel. A frissítés célja a kódgenerálás, a komplex hibakeresés és a kódbázis-értés javítása, miközben megőrzi az általános agent képességeket.
Két kiképzési részlet emelkedik ki a bejelentésben. Egyrészt a Muse Spark 1.2-t együtt (co-trained) tanították a Muse Code harness-szel: a tréning során harness-trajectóriákat, elutasítás-alapú mintavételt és receptoptimalizációkat használtak, vagyis a modellt kifejezetten arra hangolták, hogy jól működjön ebben az eszközben. Másrészt egy önfejlesztő hurok is használatban volt: a 1.1 generált nehéz kódolási környezeteket és instrukciós sémákat, ezeket értékelte és a megoldásokat visszacsatolta adatként 1.2 számára.
Meta közölt benchmark-eredményeket a Muse Spark 1.2-ről Terminal-Bench 2.1-en, DeepSWE 1.1-en és egy belső Meta kódolási benchmarkon. A publikus ábrák erős, de világos második helyet mutatnak Anthropic Opus/Claude mögött:
- Terminal-Bench 2.1: Muse Spark 1.2 Muse Code-on futva 82.9%, OpenAI GPT-5.6 Terra in Codex 81.8%, xAI Grok 4.5 81.6%, Anthropic Opus 5 (Claude Code) 86.7% vezetésével.
- DeepSWE 1.1: Muse Spark 1.2 59.3%, Opus 5 65.0%, GPT-5.6 Terra 64.8%.
- Meta belső benchmark: Muse Spark 1.2 70.6%, GPT-5.6 Terra 65.4%, Gemini 3.6 Flash 63.9%, de Opus 5 itt is 79.4%.
Meta hangsúlyozza, hogy a generációs javulás valós: 1.2 javul 1.1-hez képest 6.7 ponttal Terminal-Benchen és 6.3 ponttal DeepSWE-n. Azonban a 1.1 eredményei egy generikus mini-swe-agent harnessben készültek, míg az 1.2 a Muse Code-ban futott, így a javulás egy része a új harness hatásának is tulajdonítható.
A cég bemutatott egy hosszú-horizontú esetet is: Muse Spark 1.2 GPU-kernel optimalizációt végzett, több mint 1,000 eszközhívással és akár 24 órás futással NVIDIA Hopper hardveren, Tritonban írva. A demonstráció szerint az ügynök jelentős javulásokat ért el KDA és MLA kernel-implementációkhoz képest, beleértve nem triviális optimalizációkat is.
Árazás és adatfelhasználás: két szint
Meta a Muse Spark 1.2-t a Meta Model API-n keresztül két árszinten kínálja:
-
Standard tier: 1.25 USD / 1M input token és 4.25 USD / 1M output token (cache-elt input 0.15 USD). A cég vállalja, hogy ezen a szinten a promptokat és a kimeneteket nem használják modelltréningre. Rate limit: 3,000 kérés és 4 millió token per perc, csapatonként.
-
Contributor tier: 0.10 USD / 1M input token és 0.20 USD / 1M output token (cache-elt input 0.002 USD). Cserébe a felhasználó kifejezett engedélyt ad arra, hogy promptjait és kimeneteit Meta felhasználja jövőbeni modellek tréningjéhez. A contributor ár lényegesen olcsóbb (kb. 12x és 21x olcsóbb a standardhoz képest), de adatmegosztást követel. Ráadásul szigorúbb rate limitjei vannak (60 kérés/perc), ami inkább egyéni fejlesztésekre és prototípuskészítésre céloz, nem gyártási terhelésekre.
Zuckerberg arra biztat új felhasználókat, hogy “easy and low-cost to get started” és mutatta, hogy az installálás egyszerű. VentureBeat saját tesztje szerint a telepítő működött egy Mac minin (97 MB letöltés, belépés), de a modell használatához fizetési módot kellett megadni: még a contributor tierhez is szükség van fizetési adatra, vagyis nem teljesen ingyenes hozzáférésről van szó.
Meta a contributor szintet prototípuskészítésre javasolja, ahol a tréning a felhasználó adatain nem gond. Egyúttal ez alapértelmezett elindulási út a Muse Code esetében, ami azt jelenti, hogy fejlesztők kódszövege és promptjai alapból bekerülhetnek Meta tréningpipeline-jába, hacsak tudatosan nem választják a standard szintet.
A nyílt forrás hiánya
A bejelentés feltűnő hiánya az open source. Meta korábbi stratégiája — LLaMA család, Llama 2 licenc, Code Llama és Llama 3.1 bemutatása — az volt, hogy a frontvonalbeli súlyokat letölthetővé és saját hosztingra alkalmasan kínálja. A Llama-család 2026 elejéig körülbelül 1.2 milliárd letöltést ért el.
Azonban a Llama 4 tavaly áprilisi indulásától kezdve a folyamat kaotikusabb lett: vegyes visszhangok, benchmark-vita, és más nyílt súlyú kínai projektek terjedése. 2025 nyarán Mark Zuckerberg AI részleg-átalakítása után Meta Superintelligence Labs (MSL) alá szerveződött az AI fejlesztés, Alexandr Wang érkezésével.
A Llama korszak lényegében április 8-án ért véget, amikor MSL kiadta az eredeti Muse Spark-ot mint első kizárólagosan proprietáris modelljét: cloud-only, letölthető súlyok és önhosztolás nélkül. Akkor a Meta szóvivője csak annyit közölt, hogy a meglévő Llama modellek továbbra is elérhetők lesznek nyílt forrásként, de az új irányról nem ígértek ilyet. Wang korábban említette a későbbi open-source terveket, de a mostani bejelentésben nincs nyoma ilyesminek: se súlyok, se licenc, a „open” kifejezés nincs használatban.
Ez a fordulat éles kontrasztban áll riválisok lépéseivel: OpenAI beengedte a Codex CLI-t Apache 2.0 alatt, Google hasonló Apache-licencű Gemini CLI harness-t adott ki. Meta ezzel sokkal inkább Anthropic útját követi (Claude Code marad zárt), miközben a régi „open source az út” narratívát feladni látszik.
Miért számít ez?
Terminál-alapú kódoló ügynökök a vállalati AI leggyorsabban növekvő felületévé váltak, és eddig a piacot részben Anthropic és OpenAI uralta. Meta belépése újszerű architektúrát (perzisztens háttérügynökök, append-only helyi eseménynapló), egy agresszív árazási opciót és egy hosszú-horizontú demo-t hoz a mezőnybe.
A nyitott kérdések viszont továbbra is élesek: vajon Muse Spark 1.2 valóban felveszi-e a versenyt Claude- és GPT-osztályú modellekkel valós kódbázisokon; bíznak-e a fejlesztők Meta-ban annyira, hogy kódjukat megosszák; és elég csábító-e a contributor kedvezmény ahhoz, hogy a cégek lemondjanak a tréningadat-védelmükről. Muse Code ma béta állapotban elérhető, Muse Spark 1.2 pedig él a Meta Model API-ban bővített globális hozzáféréssel.
