Meta、ターミナル型コーディングエージェント Muse Code をベータ公開
本文の状態
日本語全文を表示中
詳細モードで約6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
TLDR AI
Meta は最新モデル Muse Spark 1.2 を活用したターミナル型コーディングエージェント Muse Code ベータ版を公開し、大規模リポジトリでの複雑なタスク実行能力を示した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月7日 22:31
AI深層分析
キーポイント
Muse Spark 1.2 の強化
コード生成、複雑なデバッグ、コードベース理解、エンドツーエンドの開発ワークフローにおいて前モデルから大幅に改善されたコーディング特化型モデルである。
非同期バックグラウンドエージェントの採用
メインエージェントを補完する専用バックグラウンドエージェントがセッション全体で常時稼働し、情報の重複収集を防ぎつつ複雑な多段階タスクの処理を効率化する。
堅牢なランタイム設計
ローカルイベントログを単一の真実源として記録することで、クラッシュ発生時でも停止地点から正確に再開可能な耐障害性を備えている。
Muse Code との共同トレーニング
Muse Spark 1.2 は Muse Code と共にトレーニングされ、両者が連携した際の性能とコーディング使いやすさが最大化された。拒否サンプリングによる軌道やレシピ最適化、ツールセットの統合によりハッチング互換性が向上している。
長期ホライズンタスクへの対応
本モデルは全体リポジトリ生成や大規模エンドツーエンドプロジェクトなど長期のコーディングタスクに重点的にトレーニングされている。計画立案による作業順序付け、ゴール条件付けによる方向性の維持、文脈圧縮による知識保持により進捗を持続可能にしている。
重要な引用
Muse Code takes on complex software engineering tasks across large repositories: planning changes, writing code, and validating the results.
This single source of truth makes the runtime replay-exact and restart-safe: after a crash, the agent can resume precisely where it stopped.
We co-trained Muse Spark 1.2 with Muse Code to ensure the model exhibits its best performance and coding usability when paired together.
The agent continues to achieve substantial improvements over the provided baseline implementation.
編集コメントを表示
編集コメント
ターミナル上で完結する自律型エージェントの登場は、開発者の作業負荷を劇的に減らす可能性を秘めている。特にクラッシュ耐性を備えたランタイム設計は、実務環境での信頼性向上に直結する重要な要素である。
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。
Muse Spark 1.2 を基盤とするターミナルコーディングエージェント「Muse Code (ベータ版)」を公開できることを嬉しく思います。これは、より大規模で能力の高いモデルが今後登場する中での、私たちが目指す最先端への次の一歩です。
macOS または Linux 向け Muse Code のインストール方法:
Muse Code は、リポジトリ全体にわたる複雑なソフトウェアエンジニアリングタスクを処理します。変更の計画策定、コード記述、結果の検証などを行います。各タスクに対して複数の永続的なサブエージェントを調整できるため、困難な問題解決をより迅速かつ正確に行い、人間の介入を最小限に抑えることが可能です。
Muse Code の概要
非同期バックグラウンドエージェント
Muse Code は、主要なエージェントの能力を強化するためのシンプルなエージェントループと、一連の非同期バックグラウンドエージェントで動作します。これらの専門的なバックグラウンドエージェントは、個々のタスクのために都度生成されるのではなく、セッション全体を通じてアクティブに維持されます。これにより、重複した情報収集を防ぎます。彼らは次のステップを実行し、主要なエージェントへの通信タイミングを判断します。この永続性により、複雑で多段階のタスクにおけるレイテンシが削減され、手動での誘導が必要なくなります。
ランタイム設計
Muse Code は、すべてのモデル呼び出し、ツール実行、承認、編集が記録されるローカルイベントログを使用しています。この単一の真実源により、ランタイムは正確な再生と再起動安全性を実現します。クラッシュが発生した場合でも、エージェントは停止した位置から正確に再開できます。この機能により、Muse Code は失敗によって中断されることなく、長時間実行されるタスクも処理できるようになります。
統合されたスキルセット
Muse Code には、いくつかのデフォルトスキルが用意されています。/plan はタスクを承認待ちの計画に変換し、/grill はその計画が破綻するまで徹底的にストレステストを行い、/goal は指定された目標の達成に向けて進みます。
*ユーザーは、自宅の映像（mp4 ファイル）をターミナルに入力します。Muse Code はこの動画を解釈し、視覚的に魅力的なバケーションホーム向けのマーケティングおよび予約ページを生成します。*
Muse Spark 1.2
Muse Spark 1.2 は、コーディングに焦点を当てた Muse Spark 1.1 のアップデート版です。コード生成、複雑なデバッグ、コードベースの理解、そしてエンドツーエンドの開発ワークフローにおいて改善が図られています。Muse Spark 1.2 では、コーディングタスクにおけるトレーニング計算リソースを大幅に拡張するとともに、トレーニング環境の多様性も拡大しました。また、このモデルは一般エージェントなど他の主要分野での強みも維持しています。
評価の詳細については、当社のレポートをご覧ください。
Muse Code との共同トレーニング
Muse Spark 1.2 は、Muse Code と共に共同トレーニングされることで、両者が組み合わされた際に最高のパフォーマンスとコーディングの使いやすさを発揮するように設計されています。トレーニングには、拒否サンプリングによるハーネス軌道の採用や、目標・圧縮・サブエージェント向けのレシピ最適化が含まれており、さらに Muse Code ツールセットを統合してハーネスとの互換性を最大化しています。
Long-Horizon
Muse Spark 1.2 は、リポジトリ全体の生成や大規模なエンドツーエンドプロジェクト、自動研究など、長期にわたるコーディングタスクに対して広範なトレーニングを施しています。このモデルは、作業の順序付けに「プランニング（計画）」を活用し、方向性を維持するために「ゴールコンディショニング」を採用、さらに進捗を継続させるために必要な知識を保持する「コンテキストコンパクション」を実装しています。
自己改善
Muse Spark 1.2 のトレーニングには、Muse Spark 1.1 を活用して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させました。生成されたモデルは、作成した要件を満たす度合いに基づいて候補となる解決策を採点し、Muse Spark 1.2 向けのスケーラブルなトレーニングデータセットを構築しました。この自己改善のループにより、Muse Spark 1.2 は先行モデルよりも複雑な指示をより正確に実行できるようになりました。
ケーススタディ：カーネル最適化
本モデルは、1,000 回以上のツール呼び出し（最大 24 時間）を通じて GPU カーネルを反復的に最適化する能力を実証しました。Muse Code のエージェント型コーディング環境を活用し、モデルは提供されたベースライン実装と比較して、カーネルの記述、コンパイル、プロファイリングを行い、段階的な性能向上を実現します。評価対象としたのは NVIDIA Hopper GPU 向けの KDA および MLA カーネルです。このエージェントは、提供されたベースライン実装に対して着実に大幅な改善を達成し続けています。
ベースラインは、KDA の FLA Triton 実装です。モデルには FLA などのサードパーティ製カーネルライブラリの直接インポートが禁止されており、既存の実装をラップするのではなく、専門的なカーネル最適化の知識を用いてアルゴリズムを Triton で実装する必要がありました。
Muse Spark 1.2 は、チャンク並列準備用カーネルと逐次的なチャンク間スキャンを組み合わせており、標準的な融合処理やタイル分割に加え、ゲート付き累積減衰をチャンクの中央で再中心化する KDA 固有の最適化も取り入れています。
利用開始について
Muse Spark 1.2 は本日、Muse Code および Meta Model API でグローバルアクセス範囲を拡大して公開されました。今後のロードマップには新機能やより高性能なモデルの開発など、多くの取り組みが含まれています。皆様による創造的な成果を楽しみにしています！
原文を表示
We're excited to release Muse Code (beta), a terminal coding agent powered by Muse Spark 1.2, our newest model. This marks our next step toward the frontier, with larger and much more capable models on the way.
Install Muse Code on macOS or Linux:
Muse Code takes on complex software engineering tasks across large repositories: planning changes, writing code, and validating the results. It can coordinate multiple persistent subagents for each task, solving difficult problems faster, more accurately, and with less intervention.
Muse Code
Async Background Agents
Muse Code operates with a simple agent loop plus a set of async background agents to enhance the main agent's capability. These specialized background agents remain active throughout each session, rather than being spawned for individual tasks, helping avoid redundant information gathering. They carry out next steps and choose when to communicate back to the main agent. Their persistence reduces latency and the need for steering on difficult, multi-step tasks.
Runtime Design
Muse Code uses a local event log in which every model call, tool run, approval, and edit is appended. This single source of truth makes the runtime replay-exact and restart-safe: after a crash, the agent can resume precisely where it stopped. That ability lets Muse Code take on long-running tasks without being derailed by failures.
Bundled Skills
Muse Code ships with several default skills. /plan turns a task into an approval-gated plan, /grill stress-tests that plan until it holds up, and /goal works toward successful completion of the specified objective.
*The user inputs a fly-through video of a home into the terminal as an mp4 file. Muse Code interprets the video and produces a visually rich vacation home marketing and booking page.*
Muse Spark 1.2
Muse Spark 1.2 is a coding-focused update to Muse Spark 1.1, with improvements in code generation, complex debugging, codebase understanding, and end-to-end developer workflows. In Muse Spark 1.2, we significantly scaled up training compute on coding tasks while expanding training environment diversity. The model also maintains its strength in other key areas like general agents.
For more details about our evaluations, see our report.
Co-Training With Muse Code
We co-trained Muse Spark 1.2 with Muse Code to ensure the model exhibits its best performance and coding usability when paired together. The training included rejection sampled harness trajectories and recipe optimizations for goals, compaction, and subagents, alongside the integration of the Muse Code toolset to maximize harness compatibility.
Long-Horizon
Muse Spark 1.2 was extensively trained on long-horizon coding tasks, including whole-repository generation, large end-to-end projects, and auto-research. It leverages planning to sequence work, goal conditioning to maintain direction, and context compaction to retain the knowledge needed to sustain progress.
Self-Improvement
We also used Muse Spark 1.1 to generate challenging coding environments and instruction-following templates. The model then graded candidate solutions on how well they satisfied those requirements, producing a scalable training dataset for Muse Spark 1.2. This self-improvement loop helped Muse Spark 1.2 follow complex instructions more precisely than its predecessor.
Case Study: Kernel Optimization
We tested the model's ability to iteratively optimize GPU kernels over 1,000+ tool calls (up to 24 hours). Leveraging Muse Code's agentic coding environment, the model writes, compiles, profiles, and progressively improves kernel performance relative to a provided baseline implementation. We benchmarked on KDA and MLA kernels for NVIDIA Hopper GPUs. The agent continues to achieve substantial improvements over the provided baseline implementation.
The baseline is the FLA Triton implementation of KDA. Models were prohibited from importing third-party kernel libraries such as FLA directly; instead, they had to apply specialized kernel-optimization knowledge to implement the algorithm in Triton, rather than wrap existing implementations. Muse Spark 1.2 paired a chunk-parallel preparation kernel with a sequential inter-chunk scan, combining standard fusion and tiling with KDA-specific optimizations such as re-centering the gated cumulative decay at the chunk midpoint.
Availability
Muse Spark 1.2 is available today in Muse Code and in Meta Model API with expanded global access. We have a lot on the horizon, including new harness features and more powerful models. We can’t wait to see what you build!
関連記事
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