Компания Meta выпустила Muse Code в бета-версии — это терминальный coding-агент на базе новой модели Muse Spark 1.2. Установить его можно на macOS или Linux одной командой через curl.
Muse Code умеет работать с большими репозиториями: планирует изменения, пишет код и проверяет результат. Внутри он координирует несколько постоянных субагентов, которые работают параллельно. Эти фоновые агенты живут всю сессию, а не создаются под отдельную задачу, поэтому не собирают одну и ту же информацию по несколько раз. Они сами выполняют следующие шаги и сами решают, когда вернуться к главному агенту. Для сложных многошаговых задач это снижает задержку и уменьшает необходимость ручного управления.
Runtime у Muse Code построен на локальном журнале событий: туда записывается каждый вызов модели, запуск инструмента, подтверждение и правка. Этот единый источник правды делает выполнение воспроизводимым и устойчивым к сбоям — после падения агент продолжает ровно с того места, где остановился. Поэтому Muse Code может выполнять задачи, которые идут часами.
Из коробки доступны несколько навыков. /plan превращает задачу в план с запросом на подтверждение, /grill проверяет этот план на прочность, а /goal доводит цель до успешного завершения. В статье показан пример: пользователь загружает в терминал mp4-видео облёта дома, и Muse Code на его основе создаёт маркетинговую страницу для аренды дома.
Muse Spark 1.2 — это обновление модели Muse Spark 1.1, ориентированное на код. Улучшились генерация кода, сложная отладка, понимание кодовой базы и рабочие процессы разработчика. Компания значительно увеличила вычислительные мощности для обучения на задачах кодинга и расширила разнообразие обучающей среды, при этом сохранив сильные стороны в других областях вроде общих агентов.
Модель обучали вместе с Muse Code, чтобы они лучше работали в паре. Плюс Muse Spark 1.2 тренировали на длинных горизонтах: генерация целых репозиториев, крупные сквозные проекты, автоисследования. Модель использует планирование последовательности работ, контроль цели и сжатие контекста, чтобы не терять фокус.
Также применили самообучение: Muse Spark 1.1 создавала сложные задачи и шаблоны инструкций, а затем модель оценивала решения — так получился масштабный набор данных для обучения Muse Spark 1.2.
В качестве проверки модель оптимизировала GPU-ядра более чем за 1000 вызовов инструментов (до 24 часов). Она пишет, компилирует, профилирует и улучшает производительность относительно базовой реализации. Тесты проводили на ядрах KDA и MLA для NVIDIA Hopper. Модель нельзя было просто обернуть в сторонние библиотеки вроде FLA — нужно было реализовать алгоритмы в Triton. Для KDA она придумала chunk-parallel подготовительное ядро с последовательным меж-chunk сканом, а для MLA — двухъядерный Triton-конвейер с переиспользованием общего KV-латентного вектора для K и V.
Muse Spark 1.2 уже доступна в Muse Code и в Meta Model API с расширенным глобальным доступом. Дальше обещают новые возможности и более мощные модели.