Introducing Muse Code and Muse Spark 1.2

Kernpunkte

1. Datum / Quelle. 5. August 2026, Meta AI Research, unsignierte Ankündigung. Muse Code (Beta), ein Terminal-Coding-Agent, installierbar via curl -fsSL https://dev.meta.ai/install.sh | bash unter macOS und Linux, sowie Muse Spark 1.2, verfügbar in Muse Code und in der Meta Model API.
2. Zentrale Einordnung. Im Text erscheinen keine Zahlen — die vier Vergleiche sind Rastergrafiken. Die untenstehenden Werte wurden visuell aus den PNGs abgelesen. ### Die vier Vergleiche | Vergleich | Sieger | Muse Spark 1.2 | Rang | |---|---|---|---| | Terminal-Bench 2.1 | Opus 5 + Claude Code — 86,7 % | 82,9 % | 2. / 6 | | DeepSWE 1.1 | Opus 5 + Claude Code — 65,0 % | 59,3 % | 3. / 6 | | Meta Internal Coding Bench | Opus 5 — 79,4 % | 70,6 % | 2. / 5 | | KDA-Fallstudie (Speedup) | Opus 5 — +74,0 % | +68,7 % | 4. / 6 | Bei seinem eigenen proprietären Benchmark liegt Meta 8,8 Punkte hinter Opus 5; bei der als Vorzeigebeispiel gewählten Fallstudie liegt es zudem hinter GPT 5.6 Sol (+71,2 %) und hinter Anthropics vorheriger Generation, Opus 4.8 (+69,6 %). ### Der Modellgewinn fällt geringer aus, als dargestellt Bei Terminal-Bench und DeepSWE wird 1.1 mit mini-swe-agent und 1.2 mit Muse Code bewertet: Die angezeigte Differenz (76,2 → 82,9, also +6,7 Punkte) vermischt Modellfortschritt und Harness-Fortschritt. Beim internen Benchmark, der einzigen Tabelle ohne angegebene Harness, sinkt die Differenz zwischen 1.1 und 1.2 auf 68,3 → 70,6, also +2,3 Punkte. Keiner dieser Vergleiche ist Modell-gegen-Modell: Es handelt sich um Paare aus Modell + Harness, wobei jedes Modell mit der Harness seines eigenen Labs gemessen wird. Dies bestätigt empirisch, im Abstand von drei Wochen, den von [[mozilla-state-of-open-source-ai-2026-07]] beschriebenen Mechanismus — „eine eng auf die Gewichte eines Labs abgestimmte Harness wird zu einer passgenauen Komponente des Produkts dieses Labs … Lock-in entsteht als Nebeneffekt der Optimierung“ —, wobei Meta ausdrücklich angibt, das Modell mit der Harness co-trainiert zu haben, „um die Harness-Kompatibilität zu maximieren“. ### Das Ereignisprotokoll „Ein lokales Ereignisprotokoll, in dem jeder Modellaufruf, jede Tool-Ausführung, jede Genehmigung und jede Bearbeitung angehängt wird“, eine einzige Quelle der Wahrheit, die die Laufzeitumgebung „replay-exakt und neustartsicher“ macht: Nach einem Absturz setzt der Agent genau dort fort, wo er aufgehört hat, was lang laufende Aufgaben ermöglicht. Eine direkte Konvergenz mit dem Run-Manifest und dem run resume-Befehl von [[skill-gibbs-hyperresearch-2026-08-03]]. Zwei unabhängige Teams gelangen zum selben Design: Der Kontext überdauert nicht, ein Protokoll auf der Festplatte schon. ### Persistente Hintergrund-Agenten Statt für eine Aufgabe erzeugt und anschließend verworfen zu werden, „bleiben sie während der gesamten Sitzung aktiv“, was „redundante Informationsbeschaffung“ vermeidet, es ihnen erlaubt, selbst zu entscheiden, wann sie an den Haupt-Agenten eskalieren, und „Latenz und Steuerungsbedarf“ verringert. Bemerkenswert ist der Gegensatz zur entgegengesetzten Beobachtung von [[lassiege-usine-logicielle-heure-ia-2026-07-28]] zu Sub-Agenten zum Wegwerfen („ich nutze sie immer seltener“): zwei entgegengesetzte Antworten auf dasselbe Problem — weniger delegieren oder an Agenten delegieren, die nicht mehr sterben. ### Die drei mitgelieferten Skills /plan (ein zur Genehmigung vorgelegter Plan), /grill („stellt diesen Plan auf die Probe, bis er standhält“), /goal. Die beschriebene Schleife lautet Plan → Herausforderung → Ausführung, mit einem menschlichen Kontrollpunkt beim ersten Schritt. /grill übernimmt die Funktion eines bereits dokumentierten Community-Skills: Ein in der Community entstandenes Muster kommt vorinstalliert bei einem Frontier-Lab an. ### Selbstverbesserung, genau gelesen „Wir haben außerdem Muse Spark 1.1 verwendet, um anspruchsvolle Coding-Umgebungen und Vorlagen zur Befolgung von Anweisungen zu generieren. Das Modell bewertete anschließend Kandidatenlösungen … wodurch ein skalierbarer Trainingsdatensatz für Muse Spark 1.2 entstand.“ Es ist 1.1, das die Umgebungen generiert und die Bewertung vornimmt, während 1.2 das Produkt dieses Datensatzes ist — das Subjekt von „das Modell“ ist mehrdeutig, und manche Berichterstattung hat es als 1.2 gelesen. Eine Distillationsschleife einer Generation auf sich selbst, deren bekannte Grenze darin besteht, dass sie nur lehren kann, was die vorherige Generation bereits zu bewerten weiß. ### Fallstudie GPU-Kernel: Das Protokoll ist mehr wert als das Ergebnis Iterative Optimierung über mehr als 1.000 kumulierte Tool-Aufrufe, bis zu 24 Stunden, an den KDA- und MLA-Kernels für NVIDIA-Hopper-GPUs; das Modell schreibt, kompiliert, profiliert und verbessert. Eine bemerkenswerte Einschränkung: „Es war den Modellen untersagt, Kernel-Bibliotheken Dritter wie FLA direkt zu importieren“ — der Algorithmus musste in Triton neu implementiert werden, statt eine bestehende Implementierung nur zu umhüllen. Das ist es, was den Test ehrlich macht. Bei KDA: ein blockparallel arbeitender Vorbereitungskernel plus ein sequenzieller Inter-Block-Scan, wobei der kumulative Decay auf den Blockmittelpunkt neu zentriert wird. Bei MLA: eine zweistufige Triton-Pipeline, die den gemeinsamen KV-Latenten sowohl als K als auch als V wiederverwendet, gemessen bei Batchgröße 1, 64 Heads, Sequenzlänge 8.192, latenter Dimension 512. KDA ist Kimis lineare Attention: Meta lässt seinen Agenten damit den Kernel einer konkurrierenden Open-Weights-Architektur optimieren. ### Drei methodische Vorbehalte zu den Diagrammen 1. Keine Zahlen im Text: Rastergrafiken ohne Textdaten und ohne numerisches Accessibility-Label. Ein Aggregator oder ein die Seite lesender Agent sieht überhaupt keine Ergebnisse. 2. Die Y-Achse des KDA-Diagramms ist nichtlinear, was Meta ehrlich offenlegt („Axis Spaced Linearly In X“, Markierungen bei 0-27-43-53-60-65-69-72-75 %). Die Skala dehnt den oberen Bereich und vergrößert optisch die Abstände zwischen den Spitzenmodellen — zu Metas Nachteil. 3. Die verglichenen Konfigurationen sind nicht einheitlich: max für Opus 5 und GPT 5.6 Terra, high für Grok 4.5 und Gemini 3.6 Flash, keine Angabe für Muse Spark. Grok fehlt beim internen Benchmark, GPT 5.6 Sol erscheint nur in der Fallstudie: Die Zusammensetzung des Teilnehmerfelds ändert sich von Diagramm zu Diagramm. Der „Meta Internal Coding Bench“ ist nicht öffentlich, und seine Zusammensetzung wird nicht beschrieben; Meta misst seine Konkurrenten daran. Dass es dort verliert, macht die Zahl glaubwürdiger als ein schmeichelhafter Wert, doch ein proprietärer Benchmark bleibt nicht reproduzierbar. ### Was die Ankündigung nicht sagt Keine Preisangaben, keine Nutzungsgrenzen, keine Modelllizenz, keine Offenlegung der Gewichte — ein bemerkenswerter Bruch mit der Llama-Tradition, zu dem der Beitrag schweigt. Ebenso nichts zu unterstützten Sprachen, Kontextgröße oder Vertraulichkeitsgarantien für übermittelten Code.