Meta veröffentlicht Muse Code mit dem Muse-Spark-1.2-Modell

Meta hat Muse Code (Beta) vorgestellt, einen Terminal-Coding-Agenten, der auf dem neuen Muse Spark 1.2-Modell basiert. Er ist darauf ausgelegt, komplexe Softwareentwicklungsaufgaben in großen Repositories zu bewältigen, von der Planung bis zur Validierung, und ist für macOS und Linux über ein curl-Installationsskript verfügbar.
Asynchrone Hintergrundagenten
Muse Code führt eine Hauptagentenschleife aus, erzeugt aber auch persistente asynchrone Hintergrundagenten, die für die gesamte Sitzung aktiv bleiben. Anstatt pro Aufgabe erstellt zu werden, behalten diese Agenten den Kontext und übernehmen autonom nächste Schritte, wobei sie bei Bedarf kommunizieren. Dieses Design reduziert redundante Informationsbeschaffung und verringert die Notwendigkeit manueller Steuerung bei mehrstufigen Aufgaben.
Replay-Exakte Laufzeit
Ein Kernmerkmal ist das lokale Ereignisprotokoll, das jeden Modellaufruf, jede Tool-Ausführung, jede Genehmigung und jede Bearbeitung aufzeichnet. Da alle Aktionen protokolliert werden, ist die Laufzeit replay-exakt und start-sicher: Wenn der Prozess abstürzt, kann er genau dort fortgesetzt werden, wo er aufgehört hat. Das macht langlaufende Aufgaben ohne Fortschrittsverlust möglich.
Gebündelte Fähigkeiten
Muse Code wird mit drei Standardfähigkeiten ausgeliefert:
/plan— verwandelt eine Aufgabe in einen genehmigungspflichtigen Plan/grill— belastet den Plan, bis er standhält/goal— arbeitet auf den erfolgreichen Abschluss des Ziels hin
Muse Spark 1.2 Modell
Das zugrunde liegende Modell, Muse Spark 1.2, ist ein auf Codierung fokussiertes Update gegenüber 1.1. Meta hat das Trainingsrechenvolumen für Codierungsaufgaben erhöht und die Vielfalt der Trainingsumgebungen erweitert. Es behält auch Stärke bei allgemeinen Agentenaufgaben. Das Modell wurde gemeinsam mit Muse Code trainiert, um die beste Leistung in der Umgebung zu gewährleisten, und es wird auf langfristigen Codierungsaufgaben wie Generierung ganzer Repositories, großen End-to-End-Projekten und automatischer Recherche trainiert.
Fallstudie: GPU-Kernel-Optimierung
In einem Kernel-Optimierungstest lief der Agent über 1.000 Tool-Aufrufe (bis zu 24 Stunden) auf NVIDIA Hopper GPUs. Er schrieb, kompilierte, profilierte und verbesserte iterativ GPU-Kernel für KDA- und MLA-Workloads, wobei dem Modell verboten war, Drittanbieter-Kernel-Bibliotheken zu importieren. Muse Spark 1.2 erzeugte Zwei-Kernel-Triton-Pipelines, die signifikante Leistungssteigerungen gegenüber Baselines erzielten, indem Optimierungen wie das Rezentrieren des gated kumulativen Decays für KDA und die Wiederverwendung des gemeinsamen KV-Latents für MLA angewendet wurden.
Verfügbarkeit
Muse Spark 1.2 ist heute in Muse Code und über Metas Plattform verfügbar. Um Muse Code zu installieren, führen Sie aus:
curl -fsSL https://dev.meta.ai/install.sh | bash📖 Lesen Sie die vollständige Quelle: HN AI Agents
👀 Siehe auch

Transloadit MCP Server verbindet KI-Agenten mit der Medienverarbeitungspipeline
Transloadit hat einen MCP-Server entwickelt, der Claude und andere KI-Agenten mit ihrer Medienverarbeitungspipeline verbindet und dabei 86 Robots für Video-, Audio-, Bild- und Dokumentenverarbeitung nutzt. Die Einrichtung in Claude Code erfordert nur eine Zeile: npx -y @transloadit/mcp-server stdio mit den Umgebungsvariablen TRANSLOADIT_KEY und TRANSLOADIT_SECRET.

SiteTest.ai bringt einen kostenlosen AI Visibility Checker für ChatGPT, Perplexity & Gemini auf den Markt
Das neue kostenlose Tool sitetest.ai führt ein 168-Punkte-GEO-Audit durch und testet GPTBot, PerplexityBot und Google-Extended auf Ihrem echten Server. Pro Engine eine Note von A bis F sowie kopierbare Code-Fixes.

Prompt-Master: Claude-Fähigkeit zur Erzeugung präziser KI-Tool-Prompts
Prompt-Master ist eine kostenlose Claude-Fähigkeit, die präzise Prompts für verschiedene KI-Tools schreibt, darunter Cursor, Claude Code, GPT, Midjourney, Kling und Eleven Labs. Das Tool hat über 600 Sterne auf GitHub erreicht und verarbeitet mehr als 4000 Zugriffe.

Agentischer Kontext-Motor: Automatisierte Agenten-Verbesserungsschleife mit 34,2 % Genauigkeitssteigerung
Ein Open-Source-Tool automatisiert den gesamten Agentenverbesserungsprozess von der Spurenanalyse bis zur Fehlerbehebung und erreicht in einer Iteration eine Genauigkeitssteigerung von 34,2 % auf dem Tau-2 Bench. Das System nutzt Claude Code in einer REPL-Umgebung, um Fehler zu analysieren und zwischen Prompt- oder Codekorrekturen zu entscheiden.