Meta、AI コーディング戦争に Muse Code ベータと Muse Spark 1.2 を発表
本文の状態
日本語全文を表示中
詳細モードで約18分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
VentureBeat AI
Meta は開発者向けツール「Muse Code」ベータ版とモデル「Muse Spark 1.2」を発表し、既存の競合他社に対する本格的な参入を果たした。
AI深層分析を開く2026年8月6日 06:31
AI深層分析
キーポイント
AI コーディングエージェントの登場
Meta はターミナルベースの AI コーディングエージェント「Muse Code」をベータ版としてリリースし、大規模リポジトリでの完全なソフトウェアエンジニアリングタスクを実行可能とした。
非同期バックグラウンドエージェントの採用
各タスクごとに新規生成する従来の手法とは異なり、セッション全体で特定の背景エージェントを常時稼働させる「persistent async background agents」を採用し、情報の重複収集を防ぐ。
並列処理とワークツリー分離
大規模なジョブでは複数のサブエージェントが並列で動作し、それぞれが独立した git worktree で作業を行うため、開発者の作業コピーを直接変更することなく複数機能を同時に構築できる。
競合他社との明確な差別化
Meta はこの発表により、Anthropic の Claude Code や OpenAI の Codex といった既存の主要プレイヤーに対して、独自のアーキテクチャで対抗する立場を確立した。
監査可能性と実行の安全性
すべてのモデル呼び出しや編集が実行前にローカルイベントログに記録され、クラッシュしても中断地点から正確に再開できる。
重要な引用
"It's a terminal coding agent that takes on complete software engineering tasks across large repos: planning changes, writing code, validating the results."
"Rather than spawning helper agents fresh for each task — the pattern most rival harnesses use — Muse Code keeps a set of specialized background agents alive for the entire session."
"In testing we had it build six features for a game simultaneously with no collisions."
"Every model call, tool run, approval, and edit is appended to a local event log before it executes — a single source of truth that Meta says makes the runtime 'replay-exact and restart-safe.'"
編集コメントを表示
編集コメント
Meta が長年 sidelines で見守っていた AI コーディング分野に、独自のアーキテクチャで本格的に参入したことは業界の競争環境を大きく変える。特に並列処理と背景エージェントの組み合わせは、複雑な大規模プロジェクトにおける実用性を高める重要な技術的転換点となる可能性がある。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Meta は本日、ベータ版のターミナルベース AI コードエージェント「Muse Code」と、最先端モデル群「Muse Spark」シリーズをコード開発に特化してアップデートした「Muse Spark 1.2」を発表しました。この二つの発表は、Anthropic の Claude Code や OpenAI の Codex と直接競合するだけでなく、プロのソフトウェアエンジニアが急速に主流として採用している「エージェント型コーディング・ハーンレス（harnesses）」という分野において、Meta が本格的に参入したことを示しています。
Meta のマーク・ザッカーバーグ CEO は、ライバルSNSであるX（旧Twitter）で長年使用しているアカウント @finkd 経由で、「本日ベータ版として Muse Code をリリースします。これは大規模なリポジトリ全体を対象とした完全なソフトウェアエンジニアリングタスクを担うターミナルベースのコーディングエージェントです。変更の計画立案、コードの実装、結果の検証までを行います」と述べています。
今回の発表は、Meta がこれまで傍観者として見守ってきたカテゴリーへの、最も本格的な参入となります。
Anthropic や OpenAI は自社のコードエージェントをフラッグシップ製品へと昇華させ、Cursor などのスタートアップはワークフローに特化した事業で数十億ドル規模の企業へと成長しました。一方、Meta の開発者向けストーリーは長らく「Llama」シリーズに集中していました。これは Meta が無料で提供し、ダウンロード数が10億回を超えたオープンウェイトモデルファミリーです。
Muse Code は、その状況を複数の側面から変えます。これはフル機能のハーンレスであり、macOS または Linux 環境では単一の curl コマンドでインストール可能です。また、自身を動かすモデルと共同トレーニングされており、背後にある Muse Spark モデル同様、完全にプロプライエタリ（非公開）な技術です。
開発者や利用希望者は、以下のワンライナーコマンドをターミナルで実行するだけで今すぐインストールできます。ただし注意が必要です。この方法を利用する場合、Meta アカウントでのログインと請求情報の登録が必須となります。
curl -fsSL https://dev.meta.ai/install.sh | bash
永続的なバックグラウンドエージェントと並列ワークツリー
Muse Code の最大の技術的賭けは、Meta が「非同期バックグラウンドエージェント」と呼ぶ機能です。
競合製品が一般的に採用しているように、各タスクごとに新しいヘルパーエージェントを起動するのではなく、Muse Code はセッション全体を通じて一組の専門化されたバックグラウンドエージェントを稼働し続けます。
Meta のブログ投稿によると、これらのエージェントは「個々のタスクのために起動されるのではなく、セッション中もアクティブなまま維持され、重複した情報収集を防ぎます」。また、次のステップを自律的に実行し、メインのエージェントへ報告するタイミングを自ら判断します。
実用的なメリットは、レイテンシの低減と手動監視の削減です。リポジトリの内容を既に把握しているエージェントが、開発者が新たな要求をするたびに再探索する必要はありません。
タスクの規模が大きくなった場合、Muse Code は並列処理のために複数のサブエージェントに分散し、それぞれが独立した git ワークツリーで動作します。これにより、開発者の作業用コピーは一切変更されません。
"テストでは、衝突なく同時にゲームの 6 つの機能を構築させることができました」と、ザッカーバーグ氏は X で述べています。
競合ツールでもワークツリー分離や並列サブエージェントは実装されていますが、Meta は「永続性」と「並列処理」の組み合わせを差別化要因として掲げています。
2 つ目の注目すべき設計思想は監査可能性です。すべてのモデル呼び出し、ツール実行、承認、編集は、実行前にローカルイベントログに追加されます。これは Meta によると、ランタイムを「再生正確かつ再起動安全」にする唯一の真実源となります。
Muse Code が長時間タスクの実行中に 20 時間後にクラッシュした場合でも、停止した位置から正確に再開され、作業ロスや再プロンプトは発生しません。不透明なエージェント実行で苦労してきたエンジニアリングリーダーにとって、完全なローカル監査証跡こそが、企業評価において最も重要な機能となる可能性があります。
Muse Code には競合ツールのユーザーにも馴染み深い「スキル」がバンドルされています。「/plan」はタスクを承認ゲート付きのプランに変換し、「/grill」はそのプランが崩壊するまでストレステストを行い、「/goal」はエージェントを明示された目標の達成へと導きます。
Muse Spark 1.2：独自のハッチスで共訓練
その裏側には Muse Spark 1.2 が存在します。Meta はこれを、コーディングタスクにおけるトレーニング計算資源を大幅に拡張し、トレーニング環境の多様性を広げた、Muse Spark 1.1 のコーディング特化アップデートと説明しています。これによりコード生成、複雑なデバッグ、コードベースの理解が向上しつつも、一般的なエージェント能力は維持されています。
今回のアップデートは、Muse シリーズの最も弱点となっている領域に直接打撃を与えるものです。4 月に登場した最初の Muse Spark は、最先端の推論やビジョンベンチマークにおいて Meta をトップ 5 に押し上げましたが、この市場で最も重要なエージェント型コーディング評価では苦戦を強いました。具体的には、SWE-Bench Verified で Claude Opus 4.6 の 80.8 や Gemini 3.1 Pro の 80.6 を下回る 77.4 を記録し、GDPval が測定する長期的なタスク処理においては GPT-5.4 に大きく水をあけられていました。
それから 4 ヶ月後、コーディングに特化したチェックポイントと専用ハッチ（評価環境）の組み合わせが現れました。これはまさに、Meta がその格差を埋めるために出した直接的な回答です。
注目すべきトレーニングの詳細は 2 つあります。まず、Meta は Muse Code 自体とモデルを共同訓練しました。拒否サンプリングされたハッチ軌道や、ゴール、コンテキストの圧縮、サブエージェントのためのレシピ最適化を活用したのです。つまり、この特定のツール内で最大限のパフォーマンスを発揮するようにモデルが明示的に調整されたことになります。これは、モデルとハッチを別々の製品として扱う従来の考え方を業界全体で見直している動きとも一致しています。
2 つ目は、自己改善ループの活用です。Muse Spark 1.1 が難易度の高いコーディング環境や指示に従うためのテンプレートを作成し、候補となる解決策がその要件を満たすかを評価しました。これにより、次世代モデル向けのスケーラブルなトレーニングデータセットが生成されました。Meta はこのループのおかげで、1.2 バージョンが複雑な指示の遵守能力を劇的に向上させたと評価しています。
Meta は、Terminal-Bench 2.1、DeepSWE 1.1、および社内のコーディングベンチマークにおいて、Muse Spark 1.2 を他のコード生成モデルと比較したベンチマークチャートを公開しました。詳細は別途用意された方法論レポートを参照するよう案内していますが、競合他社がリーダーボードでの順位を喧伝するこの業界において、発表自体で具体的なスコアを前面に出さなかった点は注目すべき省略と言えます。
同社が最も印象的なデモとして披露したのは、長期にわたるケーススタディです。Meta は Muse Spark 1.2 に GPU カーネル最適化の課題を与え、NVIDIA Hopper ハードウェア上で最大 24 時間にわたり、1,000 回を超えるツール呼び出しを実行させました。
Triton で動作し、既存のサードパーティ製カーネルライブラリを単にラップするだけの手法は禁止されていました。このエージェントはコードの記述からコンパイル、プロファイリングまでを自律的に行い、KDA および MLA カーネルのベースライン実装に対して Meta が「大幅な改善」と呼ぶ成果を導き出しました。その中には、ゲート付き累積減衰をチャンクの中間点で再中心化するなど、一見すると自明ではない最適化も含まれています。
"探索フェーズを超えても、同モデルは引き続き大幅な改善を見つけ続けていました"とザッカーバーグ氏は記述しています。24 時間にわたる自律的な実行を通じて持続的に改善し続ける能力が、Meta のデモ外でも実証されれば、コード生成エージェントに対する最も根深い批判の一つ——つまり、初期の急激な進歩の後に頭打ちになったり、性能が低下したりするという指摘——に終止符を打つことになります。
あなたのデータと引き換えに割引は？
価格設定こそが、今回の発表において最も決定的であり、かつ厳しく scrutiny（精査）される部分となるでしょう。Meta は Muse Spark 1.2 を、Meta Model API を通じて 2 つのティアで提供します。
スタンダードプランの料金は、入力トークン 100 万あたり 1.25 ドル、出力トークン 100 万あたり 4.25 ドルです（キャッシュされた入力は 0.15 ドル）。Meta は、このプランで利用されるプロンプトや生成結果が自社のモデル学習に使用されないことを約束しています。長期コンテキスト対応の追加料金はなく、チームごとのレート制限は 1 分間にリクエスト 3,000 回、トークン 400 万までとなっています。これは API を通じて利用可能な主要な AI モデルと比較すると、中程度の価格帯と言えます。
コントリビュータープランでは、Meta の戦略が競合他社と大きく異なります。入力トークン 100 万あたり 0.10 ドル、出力トークン 100 万あたり 0.20 ドルです（キャッシュされた入力は約 0.002 ドル）。これはスタンダードプランのそれぞれ約 12 倍、21 倍の安さですが、その代わりとして、プロンプトや生成結果を将来の Meta モデルの学習に使用することを明示的に許可する必要があります。市場で最も安い価格設定ですが、その分データを提供することになります。
- Model：Input ($/1M) / Output ($/1M) / Total ($/1M) / Source
- Muse Spark 1.2 Contributor：$0.10 / $0.20 / $0.30 / Meta
- MiMo-V2.5 Flash：$0.10 / $0.30 / $0.40 / Xiaomi
- deepseek-v4-flash：$0.14 / $0.28 / $0.42 / DeepSeek
- deepseek-v4-pro：$0.435 / $0.87 / $1.305 / DeepSeek
- GPT-5.6 Luna：$0.20 / $1.20 / $1.40 / OpenAI
- MiniMax-M3：$0.30 / $1.20 / $1.50 / MiniMax
- LongCat-2.0 — limited-time promo：$0.30 / $1.20 / $1.50 / LongCat
- Gemini 3.1 Flash-Lite：$0.25 / $1.50 / $1.75 / Google
- MiMo-V2.5：$0.40 / $2.00 / $2.40 / Xiaomi
- Gemini 3.5 Flash-Lite：$0.30 / $2.50 / $2.80 / Google
- LongCat-2.0 — standard：$0.75 / $2.95 / $3.70 / LongCat
- MiMo-V2.5 Pro (≤256K)：$1.00
$3.00
$4.00
Xiaomi
Muse Spark 1.1 / 1.2
$1.25
$4.25
$5.50
Meta
GLM-5.2
$1.40
$4.40
$5.80
Z.ai
Grok 4.5
$2.00
$6.00
$8.00
xAI
MiMo-V2.5 Pro (>256K)
$2.00
$6.00
$8.00
Xiaomi
Qwen3.8-Max
$2.00
$6.00
$8.00
QwenCloud
Gemini 3.6 Flash
$1.50
$7.50
$9.00
Gemini 3.5 Flash
$1.50
$9.00
$10.50
Gemini 3.1 Pro Preview (≤200K)
$2.00
$12.00
$14.00
GPT-5.6 Terra
$2.00
$12.00
$14.00
OpenAI
GPT-5.4
$2.50
$15.00
$17.50
OpenAI
Kimi K3
$3.00
$15.00
$18.00
Moonshot AI
Gemini 3.1 Pro Preview (>200K)
$4.00
$18.00
$22.00
Claude Opus 5
$5.00
$25.00
$30.00
Anthropic
GPT-5.5
$5.00
$30.00
$35.00
OpenAI
GPT-5.5 Instant (chat-latest)
$5.00
$30.00
$35.00
OpenAI
Sakana Fugu Ultra (≤272K)
$5.00
$30.00
$35.00
Sakana AI
GPT-5.6 Sol — Standard mode
$5.00
$30.00
$35.00
OpenAI
Claude Fable 5 / Claude Mythos 5
$10.00
$50.00
$60.00
Anthropic
GPT-5.6 Sol — Fast mode
$10.00
$60.00
$70.00
OpenAI
これはザッカーバーグ氏が新規ユーザーに推奨しているティアです。「始めは簡単で低コストです」と同氏は述べています。「Muse Code を 1 行のインストールコマンドで導入すれば、貢献者ティアからすぐにスタートできます」。
ベンチャーベイトが Mac mini で独自に行ったテストでは、この 1 行のインストーラーは宣伝通り動作しました。97 MB のダウンロードとサインインだけで完了するはずでしたが、エージェントは何も実行されず、「モデルが見つからない」というエラーが表示されました。また、アカウント設定を完了するには支払いが必要であるとも報告されています。
つまり、Muse Code が作業を開始するには、大幅に割引されたコントリビューター枠であっても支払い方法の登録が必要です。低コストであることは確かですが、無料ではありません。
Meta はコントリビューター枠を、「データのトレーニングが許容される場合」のプロトタイピングや実験への参入障壁を下げるものとして位置付けています。
しかし同時に、これはデフォルトの参入経路として開発者のコードとプロンプトが Meta の学習パイプラインに送られることを意味します。独自のコードベースを持つ企業にとっては、標準価格プランへ移行することで明示的にこの設定を無効にする必要があります。
コントリビューター枠には、より厳しいレート制限（1 分間あたり 60 リクエストに対し、通常は 3,000 リクエスト）も課されます。これは個人や小規模な実験向けであり、本番環境での使用を想定していないことを明確に示しています。
このアプローチは典型的な Meta の手法です。アクセスを補助し、大規模でデータを収集し、それを活用して最先端との差を縮めます。ザッカーバーグ氏は野心を隠さず、「Muse Spark 1.2 は、より大規模で能力の高いモデルが今後登場する中で、最先端へと押し上げるための次の一歩だ」と述べています。
しかし、コードのセキュリティを維持したい、あるいは法的にその義務がある開発者や企業にとっては、このトレードオフは受け入れられるものではないかもしれません。
Llama の姿なし
今回の発表で際立って欠けているのは、オープンソースに関する言及です。過去 3 年間、同社が「オープン AI の旗手」として位置づけられてきたことを考えると、これは驚くべき省略と言えます。
2023 年 2 月の LLaMA の登場から、その重みが数週間以内に 4chan に流出して消費者向けハードウェアで高性能モデルを動かす動きに火をつけたこと、商用利用可能なライセンスを持つ Llama 2、コード特化型の Code Llama、そしてザッカーバーグ氏が 2024 年 7 月に「オープンソース AI が未来への道」と題したマニフェストと共に発表した 4,050 億パラメータの Llama 3.1 まで。Meta が開発者に対して一貫して訴え続けてきたのは、最先端クラスのモデル重みは無料でダウンロードし、自社でホストし、微調整できるべきだという点でした。
この戦略は見事に機能しました。2026 年初頭までに Llama ファミリーの累計ダウンロード数は約 12 億回に達し、日平均約 100 万回のペースとなりました。また、自社でのホスト化により、企業は従来型の API プロバイダーと比較して最大で 88% のコスト削減を実現できるという試算も VentureBeat が報じています。
しかし、その後事態は急変します。2025 年 4 月に登場した Llama 4 は評価が分かれる中、最終的にはベンチマーク結果の改ざんを認めるに至りました。一方、DeepSeek、アリババ、智譜 AI（Zhipu AI）といった中国発のオープンウェイト競合が急成長し、2025 年末には Hugging Face 上のダウンロード数の約 41% を占めるまでに至り、Meta が主導してきたはずのムーブメントにおけるリーダーシップの地位を脅かす結果となりました。この苦難の展開を受け、ザッカーバーグ氏は 2025 年夏に Meta の AI 事業を再編し、「Meta Superintelligence Labs（MSL）」を設立。スケール AI の共同創業者であるアレクサンダー・ワング氏を最高 AI 責任者（CAIO）として迎え入れました。
メタの独自モデル「Muse Spark」が、王氏による「メタが発表した中で最も強力なモデル」という言葉通り、4月8日にリリースされたことで、Llama の時代は事実上幕を閉じました。このモデルはクラウド専用で、ダウンロード可能な重み付けはなく、セルフホスティングもできません。当初はメタのアプリ内と非公開のAPIプレビューに限定されていました。
当時、Llamaの開発が継続されるかどうかについて直接問われた際、メタの広報担当者はVentureBeatに対して「現在のLlamaモデルはオープンソースとして引き続き利用可能である」と述べるにとどめ、将来のモデルについてはあえて沈黙しました。
王氏自身は、「より大規模なモデルが開発中で、将来的なバージョンをオープンソース化する計画がある」と発言していましたが、4ヶ月が経過した今回のリリースではその約束を前進させるものは何もありません。重み付けもライセンスもなく、ブログ記事やザッカーバーグ氏の投稿でさえ「オープン」という単語すら使用されていません。
この転換は、メタの競合他社が逆方向へ動いているため、より鮮明に際立っています。OpenAIは、企業に適したApache 2.0ライセンスの下でCodex CLIをオープンソース化し、続いてgpt-ossというオープンウェイトモデルを発表しました。GoogleのGemini CLIハッチも同様にApacheライセンスです。
Muse Codeによってメタが最も近づいたのは、Claude Codeが依然としてプロプライエタリであるAnthropicの姿勢です。かつてはオープンソースこそが未来への道だと主張していた企業が、現在は開発者に対して、モデルを検査できない状態でトークンごとに支払いを求めたり、自社のデータを提供することでそのアクセス料を肩代わりさせたりすることを求めています。
この視点に立てば、コントリビューターティアは Llama の戦略そのものの後継と見なすことができます。エコシステムのフラインホイールはもはや「注目を集めるための無料重り」ではなく、「トレーニングデータを獲得するための安価なトークン」という形へと進化しました。
なぜ重要なのか
端末でのコーディングエージェントは、エンタープライズ AI において最も急速に成長している領域となっています。今日に至るまで、このカテゴリは実質的に Anthropic と OpenAI の二強争いであり、Google をはじめとする多くのスタートアップがその追走を続けていました。
Meta の参入は、真に異なるアーキテクチャ（永続的なバックグラウンドエージェント、追加のみ可能なローカルイベントログ）、信頼性の高い長期実行デモ、そして攻撃的な価格設定による突破口をもたらします。
ベンチマークのグラフでは答えられない問いが残っています。Muse Spark 1.2 は、実際のリポジトリにおいて Claude や GPT クラスのモデルと実際に同等の性能を発揮できるのか。開発者が Meta のコード管理を信頼するようになるのか。そしてコントリビューターティアの割引が、開発者に「もう他社には頼らない」と思わせるのに十分なのか。
Muse Code は本日ベータ版として利用可能になりました。Muse Spark 1.2 は、グローバルアクセス範囲を拡大した上で Meta Model API で稼働しています。
原文を表示
Meta today released Muse Code, a terminal-based AI coding agent now in beta, alongside Muse Spark 1.2, a coding-focused update to its Muse Spark family of frontier models — a one-two punch that puts the company in direct competition with Anthropic's Claude Code, OpenAI's Codex, and the growing field of agentic coding harnesses that have rapidly become the primary way many professional developers ship software.
"Releasing Muse Code in beta today," Meta CEO Mark Zuckerberg wrote in a post on rival social network X (under his longtime handle @finkd). "It's a terminal coding agent that takes on complete software engineering tasks across large repos: planning changes, writing code, validating the results."
The launch marks Meta's most serious entry yet into a category it has largely watched from the sidelines.
While Anthropic and OpenAI turned their coding agents into flagship products — and startups like Cursor built billion-dollar businesses on the workflow — Meta's developer story long centered on Llama, the open-weight model family it gave away to the tune of more than a billion downloads.
Muse Code changes that in more ways than one: it's a full harness, installable on macOS or Linux with a single curl command, co-trained with the model that powers it — and, like the Muse Spark models behind it, entirely proprietary.
Developers and prospective users can install it now on their Terminal using the following one-line command — but be warned, if that's you, you'll need to log in with a Meta account and provide billing details first in order to begin: curl -fsSL https://dev.meta.ai/install.sh | bash
Persistent background agents and parallel worktrees
Muse Code's headline architectural bet is what Meta calls async background agents.
Rather than spawning helper agents fresh for each task — the pattern most rival harnesses use — Muse Code keeps a set of specialized background agents alive for the entire session.
According to Meta's blog post, these agents "remain active throughout each session, rather than being spawned for individual tasks, helping avoid redundant information gathering," carrying out next steps on their own and choosing when to report back to the main agent.
The practical pitch is less latency and less babysitting: an agent that already knows the repository doesn't have to re-explore it every time the developer asks for something new.
When a job is large enough, Muse Code fans out to separate sub-agents working in parallel, each in its own isolated git worktree, so the developer's working copy is never touched.
"In testing we had it build six features for a game simultaneously with no collisions," Zuckerberg wrote on X.
Worktree isolation and parallel sub-agents exist in competing tools, but Meta is leaning on the combination of persistence plus parallelism as its differentiator.
The second notable design choice is auditability. Every model call, tool run, approval, and edit is appended to a local event log before it executes — a single source of truth that Meta says makes the runtime "replay-exact and restart-safe."
If Muse Code crashes 20 hours into a long-running task, it resumes precisely where it stopped, with no lost work and no re-prompting. For engineering leaders who have been burned by opaque agent runs, a complete local audit trail may prove to be the feature that matters most in enterprise evaluations.
Muse Code also ships with bundled "skills" that will look familiar to users of rival tools: /plan turns a task into an approval-gated plan, /grill stress-tests that plan until it holds up, and /goal drives the agent toward completion of a stated objective.
Muse Spark 1.2: co-trained with its own harness
Under the hood is Muse Spark 1.2, which Meta describes as a coding-focused update to Muse Spark 1.1 with "significantly scaled up training compute on coding tasks" and broader training environment diversity, improving code generation, complex debugging, and codebase understanding while maintaining general agentic capability.
The update lands squarely on the Muse family's weakest flank. When the original Muse Spark debuted in April, it vaulted Meta back into the top five on frontier reasoning and vision benchmarks — but trailed on the agentic coding evaluations that matter most to this market, scoring 77.4 on SWE-Bench Verified against Claude Opus 4.6's 80.8 and Gemini 3.1 Pro's 80.6, and lagging well behind GPT-5.4 on GDPval's measure of long-horizon work tasks.
Four months later, a coding-specialized checkpoint paired with a purpose-built harness reads as Meta's direct answer to that gap.
Two training details stand out. First, Meta co-trained the model with Muse Code itself, using rejection-sampled harness trajectories and recipe optimizations for goals, context compaction, and sub-agents — meaning the model was explicitly tuned to perform best inside this particular tool. That mirrors an industry-wide shift away from treating models and harnesses as separable products.
Second, Meta used a self-improvement loop: Muse Spark 1.1 generated challenging coding environments and instruction-following templates, then graded candidate solutions against those requirements, producing a scalable training dataset for its successor. Meta credits the loop with making 1.2 measurably better at following complex instructions.
Meta published benchmark charts comparing Muse Spark 1.2 against other coding models on Terminal-Bench 2.1, DeepSWE 1.1, and an internal Meta coding benchmark, pointing readers to a separate methodology report for details — though the company did not headline specific scores in the announcement itself, a notable omission in a field where rivals trumpet leaderboard placement.
The company's most striking demonstration is a long-horizon case study: Meta pointed Muse Spark 1.2 at GPU kernel optimization and let it run for more than 1,000 tool calls over up to 24 hours on NVIDIA Hopper hardware.
Working in Triton and barred from simply wrapping existing third-party kernel libraries, the agent wrote, compiled, and profiled its way to what Meta calls "substantial improvements" over baseline implementations of KDA and MLA kernels — including genuinely non-obvious optimizations like re-centering gated cumulative decay at a chunk midpoint.
"It kept finding substantial improvements well beyond the initial exploration phase," Zuckerberg wrote. Sustained improvement over a 24-hour autonomous run, if it holds up outside Meta's demos, addresses one of the most persistent criticisms of coding agents: that they plateau or drift once past their initial burst of progress.
Your data for a discount?
The pricing structure may be the most consequential — and most scrutinized — part of the launch. Meta is offering Muse Spark 1.2 through its Meta Model API in two tiers.
The standard tier is priced at $1.25 per million input tokens and $4.25 per million output tokens (with cached input at $0.15), and Meta commits that prompts and completions on this tier are not used to train its models. There is no long-context premium, and rate limits run to 3,000 requests and 4 million tokens per minute, per team. It's about mid-range price, compared to other leading AI models available over API.
The contributor tier is where Meta's strategy diverges sharply from its rivals: $0.10 per million input tokens and $0.20 per million output tokens — roughly 12x and 21x cheaper than standard, respectively, with cached input at a near-free $0.002 — in exchange for explicit permission to use your prompts and completions to train future Meta models. It's the cheapest available on the market, but you pay with your data — as described below.
Model
Input ($/1M)
Output ($/1M)
Total ($/1M)
Source
Muse Spark 1.2 Contributor
$0.10
$0.20
$0.30
Meta
MiMo-V2.5 Flash
$0.10
$0.30
$0.40
Xiaomi
deepseek-v4-flash
$0.14
$0.28
$0.42
DeepSeek
deepseek-v4-pro
$0.435
$0.87
$1.305
DeepSeek
GPT-5.6 Luna
$0.20
$1.20
$1.40
OpenAI
MiniMax-M3
$0.30
$1.20
$1.50
MiniMax
LongCat-2.0 — limited-time promo
$0.30
$1.20
$1.50
LongCat
Gemini 3.1 Flash-Lite
$0.25
$1.50
$1.75
MiMo-V2.5
$0.40
$2.00
$2.40
Xiaomi
Gemini 3.5 Flash-Lite
$0.30
$2.50
$2.80
LongCat-2.0 — standard
$0.75
$2.95
$3.70
LongCat
MiMo-V2.5 Pro (≤256K)
$1.00
$3.00
$4.00
Xiaomi
Muse Spark 1.1 / 1.2
$1.25
$4.25
$5.50
Meta
GLM-5.2
$1.40
$4.40
$5.80
Z.ai
Grok 4.5
$2.00
$6.00
$8.00
xAI
MiMo-V2.5 Pro (>256K)
$2.00
$6.00
$8.00
Xiaomi
Qwen3.8-Max
$2.00
$6.00
$8.00
QwenCloud
Gemini 3.6 Flash
$1.50
$7.50
$9.00
Gemini 3.5 Flash
$1.50
$9.00
$10.50
Gemini 3.1 Pro Preview (≤200K)
$2.00
$12.00
$14.00
GPT-5.6 Terra
$2.00
$12.00
$14.00
OpenAI
GPT-5.4
$2.50
$15.00
$17.50
OpenAI
Kimi K3
$3.00
$15.00
$18.00
Moonshot AI
Gemini 3.1 Pro Preview (>200K)
$4.00
$18.00
$22.00
Claude Opus 5
$5.00
$25.00
$30.00
Anthropic
GPT-5.5
$5.00
$30.00
$35.00
OpenAI
GPT-5.5 Instant (chat-latest)
$5.00
$30.00
$35.00
OpenAI
Sakana Fugu Ultra (≤272K)
$5.00
$30.00
$35.00
Sakana AI
GPT-5.6 Sol — Standard mode
$5.00
$30.00
$35.00
OpenAI
Claude Fable 5 / Claude Mythos 5
$10.00
$50.00
$60.00
Anthropic
GPT-5.6 Sol — Fast mode
$10.00
$60.00
$70.00
OpenAI
This is the tier Zuckerberg is steering new users toward: "It's easy and low-cost to get started," he wrote. "Install Muse Code with one line and you can start on our contributor tier."
In VentureBeat's own testing on a Mac mini, the one-line installer worked as advertised — a 97 MB download and a sign-in — but the agent stopped short of running anything, reporting that no models were visible and that payment was "required to finish setting up your account."
In other words, even the heavily discounted contributor tier requires a payment method on file before Muse Code will do any work: low-cost is accurate, but free is not.
Meta frames the contributor tier as lowering the barrier for prototyping and experimentation "where training on your data is acceptable."
But it also means the default on-ramp for Muse Code sends developers' code and prompts into Meta's training pipeline — a tradeoff enterprises with proprietary codebases will need to consciously opt out of by moving to standard pricing.
The contributor tier also carries much tighter rate limits (60 requests per minute versus 3,000), a clear signal it's aimed at individuals and small experiments rather than production workloads.
The approach is classically Meta: subsidize access, harvest data at scale, and use it to close the gap with the frontier. Zuckerberg made no secret of the ambition, calling Muse Spark 1.2 "our next step as we push toward frontier, with larger, more capable models on the way."
However, for developers and enterprises who want or are required legally to keep their code secure, the tradeoff may not be one they're willing or able to make.
No Llama in sight
What today's announcement conspicuously lacks is any mention of open source — a striking omission from the company that spent three years positioning itself as the standard-bearer of open AI.
From the original LLaMA's debut in February 2023 — whose weights famously leaked onto 4chan within weeks, inadvertently kickstarting the movement to run capable models on consumer hardware — through Llama 2's commercially usable license, the coding-specialized Code Llama, and the 405-billion-parameter Llama 3.1, which Zuckerberg launched in July 2024 with a manifesto titled "Open Source AI Is the Path Forward," Meta's entire pitch to developers was that frontier-class weights should be free to download, self-host, and fine-tune.
The strategy worked: by early 2026, the Llama family had been downloaded roughly 1.2 billion times, averaging about a million downloads a day, with self-hosting offering enterprises cost reductions VentureBeat has previously reported at as much as 88% versus proprietary API providers.
Then came the unraveling. Llama 4 debuted in April 2025 to mixed reviews and, eventually, admissions that its benchmark results had been fudged — while Chinese open-weight rivals from DeepSeek, Alibaba, and Zhipu AI surged to account for some 41% of downloads on Hugging Face by late 2025, eroding Llama's claim to leadership of the very movement it started. The rocky rollout spurred Zuckerberg's summer 2025 overhaul of Meta's AI operations into Meta Superintelligence Labs (MSL), with Scale AI co-founder Alexandr Wang recruited as chief AI officer.
The Llama era effectively ended this past April 8, when MSL shipped the original Muse Spark — "the most powerful model that meta has released," in Wang's words — as Meta's first proprietary model: cloud-only, with no downloadable weights and no self-hosting, initially confined to Meta's apps and a private API preview.
Asked directly at the time whether Llama development would continue, a Meta spokesperson told VentureBeat only that "our current Llama models will continue to be available as open source" — pointedly silent on future ones.
Wang, for his part, said bigger models were already in development "with plans to open-source future versions" — but four months on, today's release does nothing to advance that promise: no weights, no license, and neither the blog post nor Zuckerberg's thread so much as uses the word "open."
The reversal is all the sharper because Meta's rivals have been moving in the opposite direction. OpenAI released its Codex CLI as open source under the permissive, enterprise-friendly Apache 2.0 license and followed with its gpt-oss open-weight models; Google's Gemini CLI harness is likewise Apache-licensed.
With Muse Code, Meta lands closest to the posture of Anthropic — whose Claude Code remains proprietary — while the company that once argued open source was the path forward now asks developers to pay per token for a model they cannot inspect, or to subsidize that access with their own data.
Seen in that light, the contributor tier reads as the successor to the Llama strategy itself: the ecosystem flywheel is no longer free weights in exchange for mindshare, but cheap tokens in exchange for training data.
Why it matters
Terminal coding agents have become the fastest-growing surface in enterprise AI, and until today the category has effectively been a two-horse race between Anthropic and OpenAI, with Google and a crowd of startups in pursuit.
Meta's entry brings a genuinely different architecture (persistent background agents, an append-only local event log), a credible long-horizon demo, and an aggressive pricing wedge.
The open questions are the ones benchmarks charts can't answer: whether Muse Spark 1.2 actually matches Claude and GPT-class models on real-world repositories, whether developers trust Meta with their code, and whether the contributor tier's discount is enough to make them stop asking. Muse Code is available in beta today; Muse Spark 1.2 is live in the Meta Model API with expanded global access.
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み