Meta Muse Code + Muse Spark 1.2: Terminal-Coding-Agent mit asynchronen Background-Agents

MuseCode: Metas Coding-Agent für’s Terminal

Meta veröffentlicht MuseCode (beta), einen Terminal-Coding-Agent angetrieben von MuseSpark 1.2. Er übernimmt komplexe Software-Engineering-Tasks in großen Repositories: Plan changes, Code schreiben, Ergebnisse validieren.

Async Background Agents

Das besondere: MuseCode nutzt persistente asynchrone Background-Agents, die während der gesamten Session aktiv bleiben — nicht pro-Task gespawnt. Sie tragen Next-Steps aus, entscheiden selbst wann sie zurück ans Main-Agent kommunizieren, und vermeiden redundante Informationsbeschaffung. Reduziert Latenz und Steering-Bedarf bei schweren Multi-Step-Tasks.

Runtime Design: Event-Log als Single Source of Truth

Jeder Model-Call, Tool-Run, Approval und Edit wird an ein lokales Event-Log appended. Das macht die Runtime replay-exact und restart-safe — nach einem Crash setzt der Agent exakt dort fort, wo er stehen geblieben ist. Long-Running-Tasks werden nicht durch Failures sabotiert.

Bundled Skills

• /plan — Task → approval-gated Plan
• /grill — stress-testet den Plan bis er hält
• /goal — arbeitet auf das Ziel hin

MuseSpark 1.2: Das Modell

MuseSpark 1.2 ist ein Coding-fokussiertes Update auf MuseSpark 1.1 mit Verbesserungen in Code-Generierung, Debugging, Codebase-Understanding und End-to-End-Developer-Workflows. Stark skaliertes Training-Compute auf Coding-Tasks bei erweiterter Environment-Diversität.

Co-Training mit MuseCode

Modell und Agent wurden ko-trainiert: Rejection-sampled harness trajectories, Recipe-Optimierungen für Goals/Compaction/Subagents, MuseCode-Toolset in’s Training integriert. Das Modell performt am besten wenn es mit MuseCode paired ist.

Self-Improvement Loop

MuseSpark 1.1 generierte challenging Coding-Environments und Instruction-Following-Templates. Dann graded es Kandidat-Lösungen → skalierbares Training-Dataset für 1.2. Self-Improvement ohne externe Labels.

Long-Horizon Training

Trainiert auf Long-Horizon-Tasks: Whole-Repository-Generation, große End-to-End-Projekte, Auto-Research. Nutzt Planning, Goal-Conditioning und Context-Compaction um Fortschritt über lange Strecken zu halten.

Case Study: GPU Kernel Optimization

Getestet: 1000+ Tool-Calls über bis zu 24 Stunden. Der Agent schreibt, compiliert, profili und iterativ verbessert GPU-Kernels (KDA + MLA auf NVIDIA Hopper). Substantielle Verbesserungen über Baseline.

Verfügbarkeit

MuseSpark 1.2 verfügbar in MuseCode und Meta Model API. Installation:

curl -fsSL https://dev.meta.ai/install.sh | bash

macOS und Linux.

Fazit

Meta betritt den Coding-Agent-Markt mit einem interessanten Design: Persistente Background-Agents und Event-Log-basierte Recovery sind echte Differentiatoren zu Claude Code / Codex. Das Co-Training von Modell und Agent ist ein interessanter Ansatz — ob es in der Praxis gegen etablierte Tools bestehen kann, wird sich zeigen. Open-Weights und Terminal-First spricht dafür, dass Meta ernst machen will.

Quelle: Meta AI Research: Introducing Muse Code and Muse Spark 1.2