Meta lança Muse Code, agente de codificação para terminal

Muse Code: agente de codificação para terminal

A Meta lançou em 5 de agosto de 2026 o Muse Code (beta), um agente de codificação para terminal movido pelo modelo Muse Spark 1.2. A instalação é feita via um comando curl em macOS ou Linux. O agente assume tarefas complexas de engenharia de software em repositórios grandes: planeja mudanças, escreve código e valida os resultados.

Arquitetura e funcionamento

• Agentes de fundo assíncronos: além do loop principal, o Muse Code mantém subagentes persistentes ao longo da sessão. Eles evitam coleta redundante de informação, escolhem quando reportar ao agente principal e reduzem latência em tarefas multi-etapas.
• Log de eventos local: toda chamada de modelo, execução de ferramenta, aprovação e edição é registrada em um event log. Isso torna o runtime "replay-exact" e seguro contra crashes - após uma falha, o agente retoma exatamente de onde parou, permitindo tarefas de longa duração.
• Skills embutidas: /plan transforma uma tarefa em plano com aprovação; /grill estressa o plano até ele se sustentar; /goal trabalha até a conclusão do objetivo especificado.

Um exemplo citado: o usuário insere um vídeo fly-through de uma casa como mp4 no terminal, e o Muse Code interpreta o vídeo e produz uma página de marketing e reservas visualmente rica.

Muse Spark 1.2

O modelo é uma atualização focada em codificação do Muse Spark 1.1, com melhorias em geração de código, debugging complexo, compreensão de codebase e fluxos de trabalho end-to-end. A Meta escalou significativamente o compute de treinamento em tarefas de código e expandiu a diversidade dos ambientes de treino, mantendo desempenho em agentes gerais.

Co-treinamento com o Muse Code: o modelo e o agente foram treinados juntos para máxima compatibilidade, incluindo trajetórias com rejection sampling e otimizações para goals, compactação de contexto e subagentes.

Long-horizon: treinamento extensivo em tarefas de longo horizonte - geração de repositórios inteiros, projetos grandes end-to-end e auto-pesquisa - usando planejamento, condicionamento por objetivo e compactação de contexto.

Auto-melhoria: o Muse Spark 1.1 gerou ambientes de codificação desafiadores e templates de instrução; depois avaliou soluções candidatas, criando um dataset escalável que ajudou o 1.2 a seguir instruções complexas com mais precisão.

Case study: otimização de kernels GPU

A Meta testou a capacidade do modelo de otimizar iterativamente kernels GPU ao longo de mais de 1.000 chamadas de ferramentas (até 24 horas). Em benchmarks com kernels KDA e MLA para GPUs NVIDIA Hopper, o agente escreveu, compilou, perfilou e melhorou progressivamente a performance em relação a uma baseline (implementação FLA Triton), sem importar bibliotecas de terceiros - aplicando conhecimento especializado de otimização. O Muse Spark 1.2 combinou kernel de preparação chunk-parallel com scan inter-chunk sequencial, além de fusão, tiling e otimizações específicas.

Disponibilidade

O Muse Spark 1.2 está disponível no Muse Code e na Meta Model API com acesso global expandido. A Meta indica que novos recursos e modelos mais poderosos estão a caminho.