Meta发布Muse代码及Muse Spark 1.2模型
Meta представила Muse Code (бета), терминального ИИ-агента для кодинга на базе новой модели Muse Spark 1.2. Он предназначен для решения сложных задач программной инженерии в больших репозиториях — от планирования до валидации — и доступен для macOS и Linux через установочный скрипт curl.
Асинхронные фоновые агенты
Muse Code запускает основной цикл агента, но также порождает постоянных асинхронных фоновых агентов, которые остаются активными на протяжении всей сессии. Вместо создания под каждую задачу, эти агенты сохраняют контекст и автономно берут на себя следующие шаги, общаясь при необходимости. Такая конструкция сокращает избыточный сбор информации и снижает потребность в ручном управлении при многошаговых задачах.
Точный повтор выполнения
Ключевая особенность — локальный журнал событий, записывающий каждый вызов модели, запуск инструмента, одобрение и правку. Поскольку все действия логируются, выполнение может быть точно воспроизведено и безопасно перезапущено: если процесс завершится сбоем, он сможет продолжить с того же места. Это делает долгие задачи жизнеспособными без потери прогресса.
Встроенные навыки
Muse Code поставляется с тремя стандартными навыками:
/plan— превращает задачу в план с этапами одобрения/grill— проверяет план на прочность, пока он не выдержит/goal— работает на успешное достижение цели
Модель Muse Spark 1.2
Базовая модель Muse Spark 1.2 — это обновление, ориентированное на кодинг, по сравнению с версией 1.1. Meta увеличила вычислительные мощности для обучения на задачах кодинга и расширила разнообразие обучающей среды. Она также сохраняет сильные стороны в общих агентных задачах. Модель обучалась совместно с Muse Code для обеспечения наилучшей производительности в среде, и обучена на долгосрочных задачах кодинга, таких как генерация целых репозиториев, крупные сквозные проекты и автоматические исследования.
Пример: оптимизация GPU-ядер
В тесте на оптимизацию ядер агент работал более 1000 вызовов инструментов (до 24 часов) на GPU NVIDIA Hopper. Он итеративно писал, компилировал, профилировал и улучшал GPU-ядра для нагрузок KDA и MLA, при этом модели было запрещено импортировать сторонние библиотеки ядер. Muse Spark 1.2 создал конвейеры из двух ядер Triton, достигнув значительного прироста производительности по сравнению с базовыми показателями, применяя такие оптимизации, как перенос центра тяжести для гейтированного кумулятивного затухания для KDA и повторное использование общего скрытого KV для MLA.
Доступность
Muse Spark 1.2 доступен сегодня в Muse Code и на платформе Meta. Для установки Muse Code выполните:
curl -fsSL https://dev.meta.ai/install.sh | bash📖 Читать полный источник: HN AI Agents
👀 Смотрите также
Ctxpact: Прокси-компрессор контекста для локальных LLM
Ctxpact — это совместимый с OpenAI прокси, который сжимает слишком большие входные данные для локальных LLM с окном контекста 16k, используя трёхэтапный конвейер, включающий стратегии DCP, суммаризации и извлечения. Бенчмарки показывают сжатие 110k токенов до 12k с точностью понимания прочитанного 8/8.
Разработчик OpenClaw создает унифицированную систему памяти для ИИ-агентов.
Разработчик создал единую систему памяти из 15 инструментов для агентов OpenClaw AI, которая объединяет структурированные факты, векторный поиск, графы сущностей, временные линии эпизодов, иерархическое сжатие и событийную координацию. Система работает локально без зависимостей от облачных сервисов и ежемесячных платежей.
Тесты MemAware Benchmark проверяют память ИИ за пределами поиска по ключевым словам.
MemAware — это бенчмарк с 900 вопросами по 3 уровням сложности, который проверяет, могут ли ИИ-ассистенты с памятью извлекать релевантный контекст, когда запросы не содержат на него намёков. Результаты показывают, что BM25-поиск набрал 2,8% против 0,8% без памяти, а векторный поиск падает до 0,7% на кросс-доменных связях.
Дистиллированная модель Qwen 3.5 27B демонстрирует высокую производительность с агентом кодирования Cursor AI.
Пользователь сообщает, что дистиллированная версия Qwen 27B opus 4.6 эффективно работает в качестве модели, управляющей Cursor, с производительностью, сопоставимой с Gemini 3 Flash. Настройка заняла около 10 минут с использованием Cursor для конфигурации туннеля ngrok и localllama.