Meta lanza el código Muse con el modelo Muse Spark 1.2

Meta ha presentado Muse Code (beta), un agente de codificación en terminal impulsado por el nuevo modelo Muse Spark 1.2. Está diseñado para manejar tareas complejas de ingeniería de software en repositorios grandes, desde la planificación hasta la validación, y está disponible para macOS y Linux mediante un script de instalación por curl.

Agentes en segundo plano asíncronos

Muse Code ejecuta un bucle de agente principal pero también genera agentes asíncronos persistentes en segundo plano que permanecen activos durante toda la sesión. En lugar de crearse por tarea, estos agentes mantienen el contexto y toman los siguientes pasos de forma autónoma, comunicándose cuando es necesario. Este diseño reduce la recopilación redundante de información y disminuye la necesidad de dirección manual en tareas de múltiples pasos.

Runtime de reproducción exacta

Una característica clave es el registro de eventos local, que registra cada llamada al modelo, ejecución de herramienta, aprobación y edición. Debido a que todas las acciones se registran, el runtime es de reproducción exacta y seguro ante reinicios: si el proceso se bloquea, puede reanudar exactamente donde se detuvo. Esto hace que las tareas de larga duración sean viables sin perder progreso.

Habilidades incluidas

Muse Code viene con tres habilidades predeterminadas:

• /plan — convierte una tarea en un plan con aprobación
• /grill — pone a prueba el plan hasta que sea sólido
• /goal — trabaja hacia la finalización exitosa del objetivo

Modelo Muse Spark 1.2

El modelo subyacente, Muse Spark 1.2, es una actualización centrada en codificación sobre 1.1. Meta amplió el cómputo de entrenamiento en tareas de codificación y expandió la diversidad del entorno de entrenamiento. También mantiene su fortaleza en tareas generales de agente. El modelo se co-entrenó con Muse Code para garantizar el mejor rendimiento en el entorno, y está entrenado en tareas de codificación de horizonte largo como generación de repositorios completos, proyectos integrales de extremo a extremo y auto-investigación.

Caso de estudio: Optimización de kernels GPU

En una prueba de optimización de kernels, el agente ejecutó más de 1,000 llamadas a herramientas (hasta 24 horas) en GPUs NVIDIA Hopper. Iterativamente escribió, compiló, perfiló y mejoró kernels GPU para cargas de trabajo KDA y MLA, con el modelo prohibido de importar bibliotecas de kernels de terceros. Muse Spark 1.2 produjo pipelines de dos kernels en Triton, logrando mejoras significativas de rendimiento sobre las líneas base al aplicar optimizaciones como re-centrar la decadencia acumulada gated para KDA y reutilizar el latente compartido KV para MLA.

Disponibilidad

Muse Spark 1.2 está disponible hoy en Muse Code y a través de la plataforma de Meta. Para instalar Muse Code, ejecuta:

curl -fsSL https://dev.meta.ai/install.sh | bash