Introducing Muse Code and Muse Spark 1.2

Punti chiave

1. Data / fonte. 5 agosto 2026, Meta AI Research, annuncio non firmato. Muse Code (beta), un agente di coding da terminale installato tramite curl -fsSL https://dev.meta.ai/install.sh | bash su macOS e Linux, e Muse Spark 1.2, disponibile in Muse Code e in Meta Model API.
2. Inquadramento chiave. nel testo non compare alcuna cifra — i quattro confronti sono immagini raster. I valori sotto sono stati letti visivamente sui PNG. ### I quattro confronti | Confronto | Vincitore | Muse Spark 1.2 | Posizione | |---|---|---|---| | 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 | | Case study KDA (speedup) | Opus 5 — +74,0% | +68,7% | 4° / 6 | Sul proprio benchmark proprietario, Meta si colloca 8,8 punti dietro Opus 5; sul case study scelto come vetrina, arriva anche dietro GPT 5.6 Sol (+71,2%) e dietro la generazione precedente di Anthropic, Opus 4.8 (+69,6%). ### Il guadagno del modello è più piccolo di quanto mostrato Su Terminal-Bench e DeepSWE, la 1.1 è valutata con mini-swe-agent e la 1.2 con Muse Code: lo scarto mostrato (76,2 → 82,9, ossia +6,7 punti) confonde il progresso del modello e il progresso dell'harness. Sul benchmark interno, l'unica tabella in cui non è indicato alcun harness, lo scarto 1.1 → 1.2 scende a 68,3 → 70,6, ossia +2,3 punti. Nessuno di questi confronti è modello contro modello: si tratta di coppie modello + harness, ciascun modello misurato con l'harness del proprio laboratorio. Ciò convalida empiricamente, a tre settimane di distanza, il meccanismo descritto da [[mozilla-state-of-open-source-ai-2026-07]] — « a harness tuned tightly to one lab's weights becomes a fitted component of that lab's product… Lock-in arrives as a side effect of optimization » — con Meta che dichiara esplicitamente di aver co-addestrato il modello con l'harness « to maximize harness compatibility ». ### Il registro eventi « A local event log in which every model call, tool run, approval, and edit is appended », un'unica fonte di verità che rende il runtime « replay-exact and restart-safe »: dopo un crash, l'agente riprende esattamente da dove si era interrotto, il che consente compiti di lunga durata. Una convergenza diretta con il manifest di run e il comando run resume di [[skill-gibbs-hyperresearch-2026-08-03]]. Due team indipendenti arrivano allo stesso design: il contesto non sopravvive, un registro su disco sì. ### Agenti in background persistenti Invece di essere generati per un compito e poi distrutti, essi « remain active throughout each session », il che evita la « redundant information gathering », permette loro di decidere autonomamente quando escalare all'agente principale, e riduce la « latency and the need for steering ». Vale la pena confrontarlo con l'osservazione opposta di [[lassiege-usine-logicielle-heure-ia-2026-07-28]] sui sub-agenti usa e getta (« I use them less and less »): due risposte opposte allo stesso problema — delegare meno, oppure delegare ad agenti che non muoiono più. ### Le tre skill fornite di serie /plan (un piano sottoposto ad approvazione), /grill (« stress-tests that plan until it holds up »), /goal. Il ciclo descritto è piano → sfida → esecuzione con un varco umano al primo passaggio. /grill riprende la funzione di una skill comunitaria già documentata: un pattern nato nella comunità arriva pre-installato in un laboratorio di frontiera. ### Auto-miglioramento, letto con precisione « We also used Muse Spark 1.1 to generate challenging coding environments and instruction-following templates. The model then graded candidate solutions… producing a scalable training dataset for Muse Spark 1.2. » È la 1.1 a generare gli ambienti e a effettuare la valutazione, mentre la 1.2 è il prodotto di quel dataset — il soggetto di « the model » è ambiguo, e alcune coperture editoriali lo hanno interpretato come la 1.2. Un ciclo di distillazione di una generazione su se stessa, il cui limite noto è che può insegnare solo ciò che la generazione precedente sa già valutare. ### Case study sui kernel GPU: il protocollo vale più del risultato Ottimizzazione iterativa su oltre 1.000 chiamate cumulative a strumenti, fino a 24 ore, sui kernel KDA e MLA per GPU NVIDIA Hopper; il modello scrive, compila, profila e migliora. Un vincolo degno di nota: « Models were prohibited from importing third-party kernel libraries such as FLA directly » — l'algoritmo doveva essere reimplementato in Triton, non incapsulato attorno a un'implementazione esistente. È questo che rende onesto il test. Su KDA: un kernel di preparazione block-parallel più una scansione sequenziale tra blocchi, con il decadimento cumulativo ricentrato al punto medio del blocco. Su MLA: una pipeline Triton a due kernel che riutilizza il latente KV condiviso sia come K sia come V, misurata con batch size 1, 64 head, lunghezza di sequenza 8.192, dimensione latente 512. KDA è l'attenzione lineare di Kimi: Meta sta quindi facendo ottimizzare al proprio agente il kernel di un'architettura concorrente a pesi aperti. ### Tre avvertenze metodologiche sui grafici 1. Nessuna cifra nel testo: immagini raster senza dati testuali e senza etichetta numerica di accessibilità. Un aggregatore, o un agente che legge la pagina, non vede alcun risultato. 2. L'asse y del grafico KDA è non lineare, cosa che Meta dichiara onestamente (« Axis Spaced Linearly In X », tacche a 0-27-43-53-60-65-69-72-75%). La scala dilata l'intervallo superiore e gonfia visivamente gli scarti tra i modelli di vertice — a svantaggio di Meta. 3. Le configurazioni confrontate non sono uniformi: max per Opus 5 e GPT 5.6 Terra, high per Grok 4.5 e Gemini 3.6 Flash, nessuna per Muse Spark. Grok è assente dal benchmark interno, GPT 5.6 Sol compare solo nel case study: la composizione del pannello cambia da un grafico all'altro. Il « Meta Internal Coding Bench » non è pubblico e la sua composizione non è descritta; Meta vi misura i propri concorrenti. Il fatto che vi perda rende la cifra più credibile di un punteggio lusinghiero, ma un benchmark proprietario resta non riproducibile. ### Ciò che l'annuncio non dice Nessun prezzo, nessun limite d'uso, nessuna licenza del modello, nessuna apertura dei pesi — una rottura degna di nota rispetto alla tradizione Llama, su cui il post tace. Nulla nemmeno sulle lingue supportate, sulla dimensione del contesto o sulle garanzie di riservatezza per il codice inviato.