Meta Puts Muse Code in Beta With Muse Spark 1.2 Coding Agent

Meta hat eine Beta-Version seines terminalbasierten Coding-Agenten „Muse Code“ veröffentlicht. Das System nutzt das neue KI-Modell „Muse Spark 1.2“ und ist darauf ausgelegt, größere Softwareprojekte über umfangreiche Code-Repositories hinweg weitgehend selbstständig zu planen, umzusetzen und Ergebnisse abzusichern.

Quick facts: Meta bringt Muse Code in die Beta

At a glance

• Meta veröffentlicht „Muse Code“ als Beta eines terminalbasierten Coding-Agenten.
• Der Agent basiert auf dem Modell „Muse Spark 1.2“.
• Er soll Änderungen über große Code-Repositories hinweg eigenständig vornehmen, planen und validieren.
• Muse Code nutzt eine zentrale Agentenschleife, ergänzt durch mehrere asynchron laufende Hintergrundagenten.
• Hintergrundagenten starten nicht pro Aufgabe neu, sondern bleiben während der Sitzung aktiv.
• Für die Laufzeitumgebung wird ein lokales Event-Log verwendet, um Zustände reproduzierbar zu machen.
• „Muse Spark 1.2“ ist sofort sowohl in der Muse-Code-Beta als auch über die Meta Model API verfügbar.

So arbeitet Muse Code: Hauptagent plus daueraktive Hintergrundagenten

Im Kern setzt Muse Code auf eine vergleichsweise einfache zentrale Agentenschleife. Diese wird durch mehrere asynchron arbeitende Hintergrundagenten ergänzt, die nicht für jede neue Aufgabe separat gestartet werden, sondern über die gesamte Sitzung hinweg im Hintergrund aktiv bleiben.

Meta begründet das mit dem Vorteil, dass Informationen über die komplette Sitzung hinweg verfügbar bleiben. Dadurch sollen redundante Analysen sinken. Zusätzlich können die Hintergrundagenten eigenständig weitere Arbeitsschritte übernehmen und selbst entscheiden, wann sie relevante Ergebnisse an den Hauptagenten zurückmelden.

Für komplexe Aufgaben mit vielen Einzelschritten soll diese Aufgabenteilung vor allem die Latenz reduzieren und weniger manuelle Eingriffe nötig machen.

Laufzeit reproduzierbar machen: lokales Event-Log

Für die technische Ausführung setzt Meta bei Muse Code auf ein lokales Event-Log. Darin sollen sämtliche Aktionen fortlaufend gespeichert werden, darunter Modellaufrufe, Werkzeugausführungen, Freigaben sowie Codeänderungen.

Das Log dient als zentrale Informationsquelle für den aktuellen Zustand des Agenten. Laut Meta soll sich die Laufzeit dadurch exakt reproduzieren lassen und auch nach Neustarts zuverlässig fortsetzen lassen. Bei einem Abbruch soll der Agent an der vorherigen Stelle weiterarbeiten können.

Der Nutzen liegt besonders bei Entwicklungen, die über längere Zeiträume autonom ausgeführt werden.

Vordefinierte Funktionen im Agenten-Workflow

Muse Code bringt außerdem vordefinierte Funktionen mit, die den internen Ablauf strukturieren. So steht „/plan“ für das Zerlegen einer Aufgabe in einen auszuführenden Plan, der zunächst freigegeben werden muss.

Mit „/grill“ soll dieser Plan anschließend kritisch auf Schwachstellen geprüft werden. „/goal“ wiederum soll den Agenten selbstständig auf ein vorgegebenes Ziel ausrichten, um das Entwicklungsziel über die Zeit hinweg zu verfolgen.

Muse Spark 1.2: Training für Long-Horizon-Coding und ganze Codebasen

Parallel zum Agenten ist „Muse Spark 1.2“ verfügbar. Meta positioniert das Modell als fokussierte Weiterentwicklung von „Muse Spark 1.1“ speziell für Softwareentwicklung.

Laut Unternehmen wurde beim Training deutlich mehr Rechenleistung für Coding-Aufgaben eingesetzt und gleichzeitig die Vielfalt der Trainingsumgebungen erweitert. Für den praktischen Einsatz nennt Meta Vorteile bei der Code-Generierung, bei komplexem Debugging, beim Verständnis kompletter Code-Basen sowie bei durchgängigen Entwickler-Workflows.

Training auf längere Zielpfade und größere Projekte

Ein Schwerpunkt lag auf sogenannten „Long-Horizon-Coding“-Aufgaben. Dabei soll ein Modell nicht nur einzelne Funktionen oder kurze Code-Abschnitte erzeugen, sondern über einen längeren Zeitraum ein umfassendes Entwicklungsziel verfolgen.

Meta nennt dazu explizit Trainings auf das Erstellen vollständiger Repositories, großer End-to-End-Projekte sowie automatisierte Recherche. Außerdem gehörte ein Verfahren zur Selbstverbesserung zum Trainingssetup.

Optimierungen für GPU-Ausführung: über 1.000 Toolaufrufe

Meta beschreibt außerdem eine Optimierung am GPU-Kernel. Dafür wurden laut Angaben mehr als 1.000 Werkzeugaufrufe sowie Laufzeiten von bis zu 24 Stunden eingesetzt.

Getestet wurde das Verfahren mit „KDA“- und „MLA“-Kernels für Nvidia-Hopper-GPUs. Konkrete Leistungswerte nennt Meta nicht, jedoch behauptet das Unternehmen weiterhin deutliche Performance-Verbesserungen gegenüber bereitgestellten Baseline-Implementierungen.

Verfügbarkeit: sofort in der Beta und über die Modell-API

„Muse Spark 1.2“ ist ab sofort innerhalb der Beta-Version von „Muse Code“ verfügbar. Zusätzlich kann das Modell über die Meta Model API genutzt werden.

Für die API wurde zugleich die globale Verfügbarkeit erweitert. Meta kündigt an, dass weitere Funktionen für die Agentenumgebung sowie leistungsfähigere Modelle bereits geplant sind.