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