Meta вступает в войну ИИ-программистов с Muse Spark 1.2 и Muse Code, использующими постоянные асинхронные фоновые агенты.

Карл Франзен

Сегодня компания Meta выпустила Muse Code, терминалный агент для программирования на основе ИИ, находящийся в стадии бета-тестирования, а также Muse Spark 1.2, обновление семейства передовых моделей Muse Spark, ориентированное на программирование. Это двойной удар, который ставит компанию в прямую конкуренцию с Claude Code от Anthropic, Codex от OpenAI и растущим числом агентных инструментов для программирования, которые быстро стали основным способом выпуска программного обеспечения для многих профессиональных разработчиков.

«Сегодня выпускаем бета-версию Muse Code», — написал соучредитель и генеральный директор Meta Марк Цукерберг в сообщении на конкурирующей социальной сети X (под своим давним ником @finkd). «Это терминальный агент для написания кода, который берет на себя полные задачи разработки программного обеспечения в больших репозиториях: планирование изменений, написание кода, проверка результатов».

Этот запуск знаменует собой самый серьезный шаг Meta в категорию, в которой компания до сих пор в основном оставалась в стороне.

В то время как Anthropic и OpenAI превратили своих агентов для программирования в флагманские продукты, а стартапы вроде Cursor построили на этом рабочем процессе многомиллиардные бизнесы, история Meta для разработчиков долгое время была сосредоточена на Llama, семействе моделей с открытым исходным кодом, которое компания бесплатно распространила, и которое было скачано более миллиарда раз.

Muse Code меняет это во многих отношениях: это полноценный инструмент, устанавливаемый на macOS или Linux с помощью одной команды curl, обучаемый совместно с моделью, которая лежит в его основе, и, как и модели Muse Spark, лежащие в его основе, полностью является проприетарным.

Однако, отвечая на вопрос на X, Цукерберг намекнул, что Muse Spark или, возможно, совершенно другой продукт могут получить открытый исходный код, сказав: «Вскоре я поделюсь с вами более подробной информацией».

Разработчики и потенциальные пользователи могут установить его прямо сейчас в терминале, используя следующую команду в одну строку — но имейте в виду, что если это вы, вам сначала потребуется войти в систему с помощью учетной записи Meta и предоставить платежные данные, чтобы начать: curl -fsSL https://dev.meta.ai/install.sh | bash

Постоянные фоновые агенты и параллельные рабочие деревья

Главная архитектурная ставка Muse Code — это то, что Meta называет асинхронными фоновыми агентами .

Вместо того чтобы создавать новых вспомогательных агентов для каждой задачи — как это делают большинство конкурирующих платформ — Muse Code поддерживает набор специализированных фоновых агентов в активном состоянии на протяжении всей сессии.

Согласно сообщению в блоге Meta, эти агенты «остаются активными на протяжении каждой сессии, а не создаются для выполнения отдельных задач, что помогает избежать избыточного сбора информации», самостоятельно выполняя следующие шаги и выбирая, когда отчитаться перед основным агентом.

Практическое преимущество заключается в меньшей задержке и меньшем количестве ручного управления: агенту, который уже знаком с репозиторием, не нужно заново исследовать его каждый раз, когда разработчик запрашивает что-то новое.

Когда задача становится достаточно большой, Muse Code распределяет задачи между отдельными подпрограммами, работающими параллельно, каждая в своем изолированном рабочем дереве Git, так что рабочая копия разработчика остается нетронутой.

«В ходе тестирования мы заставили программу одновременно создавать шесть функций для игры без каких-либо столкновений», — написал Цукерберг на X.

В конкурирующих инструментах существуют изоляция рабочих деревьев и параллельные суб-агенты, но Meta делает ставку на сочетание сохранения данных и параллелизма как на свое конкурентное преимущество.

Второе важное проектное решение — это возможность аудита. Каждый вызов модели, запуск инструмента, подтверждение и редактирование добавляются в локальный журнал событий перед выполнением — единый источник достоверной информации, который, по словам Meta, делает среду выполнения «точно воспроизводимой и безопасной для перезапуска».

Если Muse Code аварийно завершит работу над длительной задачей, выполняющейся в течение 20 часов, он возобновит выполнение с того места, где остановился, без потери данных и без повторных запросов. Для руководителей инженерных отделов, которые столкнулись с проблемами непрозрачного запуска агентов, полный локальный журнал аудита может оказаться наиболее важной функцией при оценке эффективности на уровне предприятия.

В состав Muse Code также входят встроенные «навыки», которые покажутся знакомыми пользователям конкурирующих инструментов: /plan превращает задачу в план, требующий подтверждения, /grill проводит стресс-тестирование этого плана до тех пор, пока он не будет соответствовать требованиям, а /goal направляет агента к достижению поставленной цели.

Muse Spark 1.2: тренируется совместно со своей собственной упряжью.

В основе лежит Muse Spark 1.2, который, по описанию Meta, представляет собой обновление Muse Spark 1.1, ориентированное на программирование, с «значительно увеличенной вычислительной мощностью для обучения на задачах программирования» и более широким разнообразием сред обучения, улучшающим генерацию кода, сложную отладку и понимание кодовой базы, сохраняя при этом общие возможности агентного управления.

Обновление наносит удар прямо по самому слабому звену семейства Muse. Когда в апреле дебютировала оригинальная Muse Spark, она вернула Meta в пятерку лучших по показателям логического мышления и компьютерного зрения, но отстала по результатам оценок агентного программирования, которые наиболее важны для этого рынка, набрав 77,4 балла по SWE-Bench Verified против 80,8 у Claude Opus 4.6 и 80,6 у Gemini 3.1 Pro, и значительно отставая от GPT-5.4 по показателю долгосрочных задач GDPval.

Четыре месяца спустя, специализированная контрольная точка для кодирования в сочетании со специально разработанным инструментом выглядит как прямой ответ Meta на этот пробел.

Два момента обучения заслуживают особого внимания. Во-первых, Meta проводила совместное обучение модели с самим Muse Code, используя траектории, полученные методом выборочного отбрасывания, и оптимизацию алгоритмов для целей, сжатия контекста и субагентов — это означает, что модель была специально настроена для наилучшей работы именно в этом инструменте. Это отражает общеотраслевой сдвиг от рассмотрения моделей и наборов инструментов как отдельных продуктов.

Во-вторых, Meta использовала цикл самосовершенствования: Muse Spark 1.1 генерировал сложные среды программирования и шаблоны для выполнения инструкций, а затем оценивал решения-кандидаты на соответствие этим требованиям, создавая масштабируемый обучающий набор данных для своего преемника. Meta утверждает, что именно этот цикл позволил Muse Spark 1.2 заметно улучшить способность программы выполнять сложные инструкции.

Meta опубликовала сравнительные диаграммы, в которых Muse Spark 1.2 сравнивается с другими моделями программирования на Terminal-Bench 2.1, DeepSWE 1.1 и внутреннем тесте Meta, указывая читателям на отдельный отчет о методологии для получения подробной информации — хотя в самом тексте объявления не упоминаются какие-либо результаты, что является необычной сдержанностью в области, где конкуренты трубят о победах в рейтингах. Диаграммы объясняют почему: они показывают уверенное, но явное второе место.

В тесте Terminal-Bench 2.1 Muse Spark 1.2, запущенный в Muse Code, показал результат 82,9%, опередив GPT-5.6 Terra от OpenAI в Codex (81,8%) и Grok 4.5 от xAI в Grok Build (81,6%), но уступив Opus 5 от Anthropic при максимальных усилиях в Claude Code, который лидирует с результатом 86,7%.

На DeepSWE 1.1 Muse Spark 1.2 показал результат 59,3% — третье место, после Opus 5 (65,0%) и GPT-5.6 Terra (64,8%). Наиболее впечатляет собственный внутренний тест Meta, где Muse Spark 1.2 с результатом 70,6% уверенно превосходит GPT-5.6 Terra (65,4%) и Gemini 3.6 Flash (63,9%), но всё ещё отстаёт почти на девять пунктов от Opus 5 с его 79,4% — необычайно откровенное признание того, что даже на разработанном самой Meta тесте модель Anthropic побеждает. Действительно, Клод возглавляет все три рейтинга.

Однако, прирост производительности по сравнению с предыдущим поколением реален: Muse Spark 1.2 превосходит версию 1.1 на 6,7 балла в Terminal-Bench и на 6,3 балла в DeepSWE. Следует отметить один нюанс, скрытый в подписях к графикам: результаты для версии 1.1 были записаны в стандартной среде mini-swe-agent, а версия 1.2 работала в Muse Code, поэтому часть этого скачка обусловлена новой средой, а не новой моделью.

Наиболее впечатляющей демонстрацией компании стал долгосрочный пример: Meta направила Muse Spark 1.2 на оптимизацию ядра GPU и позволила ему выполнить более 1000 вызовов инструментов в течение до 24 часов на оборудовании NVIDIA Hopper.

Работая в Triton и не имея возможности просто обернуть существующие сторонние библиотеки ядра, агент написал, скомпилировал и профилировал код, добившись, по словам Meta, «существенных улучшений» по сравнению с базовыми реализациями ядер KDA и MLA, включая действительно неочевидные оптимизации, такие как перецентрирование управляемого кумулятивного распада в середине блока.

«Он продолжал обнаруживать существенные улучшения, выходящие далеко за рамки начальной фазы исследования», — написал Цукерберг. Устойчивое улучшение в течение 24-часового автономного запуска, если оно подтвердится вне демонстраций Meta, решает одну из самых распространенных проблем, связанных с агентами программирования: что они достигают плато или начинают сдавать позиции после первоначального всплеска прогресса.

Ваши данные для получения скидки?

Наиболее важной и тщательно изучаемой частью запуска может стать структура ценообразования. Meta предлагает Muse Spark 1.2 через свой Meta Model API в двух тарифных планах.

Стандартный тариф составляет 1,25 доллара за миллион входных токенов и 4,25 доллара за миллион выходных токенов (с кэшированными входными данными по цене 0,15 доллара), и Meta подтверждает, что запросы и автодополнения на этом тарифе не используются для обучения моделей. Доплата за длительный контекст отсутствует, а лимиты запросов составляют 3000 запросов и 4 миллиона токенов в минуту на команду. Это примерно средняя цена по сравнению с другими ведущими моделями ИИ, доступными через API.

Уровень для участников — это то, где стратегия Meta резко отличается от конкурентов: 0,10 доллара за миллион входных токенов и 0,20 доллара за миллион выходных токенов — примерно в 12 и 21 раз дешевле стандартного уровня соответственно, при этом кэшированные входные данные стоят почти бесплатно 0,002 доллара — в обмен на явное разрешение использовать ваши подсказки и автодополнения для обучения будущих моделей Meta. Это самый дешевый вариант на рынке, но вы платите своими данными — как описано ниже.

Именно на этот уровень Цукерберг направляет новых пользователей: «Начать работу легко и недорого», — написал он. «Установите Muse Code одной строкой кода, и вы сможете начать работу на нашем уровне для участников».

В ходе собственных тестов VentureBeat на Mac mini, однострочный установщик работал, как и было заявлено — загрузка 97 МБ и вход в систему, — но агент не запускал ничего, сообщая, что модели не отображаются и что для завершения настройки учетной записи «требуется оплата».

Другими словами, даже для платного уровня подписки, значительно снижающего стоимость, Muse Code требует указания способа оплаты до начала работы: низкая стоимость — это точно, а бесплатно — нет.

В Meta уровень участия рассматривается как способ снижения барьера для прототипирования и экспериментов, «где обучение на ваших данных является приемлемым».

Но это также означает, что стандартный способ подключения к Muse Code направляет код и подсказки разработчиков в обучающий конвейер Meta — компромисс, от которого предприятиям с собственными кодовыми базами придется сознательно отказаться, перейдя на стандартное ценообразование.

В категории «Участник проекта» также действуют гораздо более жесткие ограничения по количеству запросов (60 запросов в минуту против 3000), что ясно указывает на то, что она ориентирована на отдельных пользователей и небольшие эксперименты, а не на производственные нагрузки.

Этот подход классически соответствует концепции Meta: субсидирование доступа, сбор данных в больших масштабах и использование их для преодоления разрыва с передовыми технологиями. Цукерберг не скрывал своих амбиций, назвав Muse Spark 1.2 «нашим следующим шагом на пути к передовым технологиям, с более крупными и мощными моделями в разработке».

Однако для разработчиков и предприятий, которые хотят или обязаны по закону обеспечивать безопасность своего кода, такой компромисс может быть неприемлемым или нецелесообразным.

Ламы нигде не видно.

В сегодняшнем заявлении совершенно отсутствует упоминание об открытом исходном коде — поразительное упущение со стороны компании, которая три года позиционировала себя как лидера в области открытого ИИ.

Начиная с дебюта оригинальной LLaMA в феврале 2023 года — чьи веса, как известно, просочились на 4chan в течение нескольких недель, непреднамеренно положив начало движению за запуск мощных моделей на потребительском оборудовании — и заканчивая коммерческой лицензией Llama 2, специализированной для программирования Code Llama и Llama 3.1 с 405 миллиардами параметров, которую Цукерберг запустил в июле 2024 года с манифестом под названием «Искусственный интеллект с открытым исходным кодом — это путь вперед», вся стратегия Meta для разработчиков заключалась в том, что веса передового класса должны быть бесплатными для скачивания, самостоятельного размещения и тонкой настройки.

Стратегия сработала: к началу 2026 года семейство Llama было загружено примерно 1,2 миллиарда раз, в среднем около миллиона загрузок в день, а самостоятельное размещение обеспечило предприятиям снижение затрат на целых 88% по сравнению с поставщиками проприетарных API, о чем ранее сообщал VentureBeat.

Затем начался распад. Llama 4 дебютировала в апреле 2025 года, получив смешанные отзывы и, в конечном итоге, признание того, что результаты бенчмарка были сфальсифицированы, — в то время как китайские конкуренты с открытым исходным кодом от DeepSeek, Alibaba и Zhipu AI к концу 2025 года заняли около 41% всех загрузок Hugging Face, что подорвало претензии Llama на лидерство в движении, которое она инициировала. Неудачный запуск подтолкнул Цукерберга к летней реорганизации подразделения искусственного интеллекта Meta в Meta Superintelligence Labs (MSL) в 2025 году, а соучредитель Scale AI Александр Ван был назначен директором по искусственному интеллекту.

Эра Llama фактически завершилась 8 апреля этого года, когда MSL выпустила оригинальную Muse Spark — «самую мощную модель, которую Meta когда-либо выпускала», по словам Вана, — как первую собственную модель Meta: исключительно облачную, без возможности загрузки весов и самостоятельного размещения, первоначально ограниченную приложениями Meta и частным предварительным просмотром API.

На прямой вопрос о том, будет ли продолжена разработка Llama, представитель Meta ответил VentureBeat лишь, что «наши текущие модели Llama по-прежнему будут доступны в качестве открытого исходного кода», намеренно ничего не сказав о будущих.

Ван, со своей стороны, заявил, что более крупные модели уже находятся в разработке, «с планами сделать будущие версии открытыми», — но спустя четыре месяца сегодняшний релиз нисколько не продвигает это обещание: нет ни весов, ни лицензии, и ни в сообщении в блоге, ни в ветке обсуждения Цукерберга даже не используется слово «открытый».

Разворот событий тем более разителен, что конкуренты Meta движутся в противоположном направлении. OpenAI выпустила свой Codex CLI в качестве открытого исходного кода под разрешительной, удобной для корпоративного использования лицензией Apache 2.0, а затем последовала примеру со своими моделями gpt-oss open-weight; инструментарий Gemini CLI от Google также распространяется под лицензией Apache.

С Muse Code компания Meta ближе всего подходит к позиции Anthropic, чей код Клода остается собственностью компании, в то время как компания, которая когда-то утверждала, что открытый исходный код — это путь вперед, теперь просит разработчиков платить за токен за модель, которую они не могут проверить, или субсидировать этот доступ своими собственными данными.

В этом свете уровень участников воспринимается как преемник самой стратегии Llama: маховик экосистемы больше не представляет собой бесплатные грузы в обмен на признание, а дешевые токены в обмен на обучающие данные.

Но ответ Цукерберга на вопрос, заданный напрямую разработчиком ИИ Лаки Фаради: «Будет ли Muse Code проектом с открытым исходным кодом?», на который он ответил: «Я скоро поделюсь дополнительной информацией по этому поводу», — вселяет надежду на то, что Meta вернется к разработке ИИ с открытым исходным кодом.

Почему это важно

Терминальные агенты для программирования стали самым быстрорастущим сегментом корпоративного ИИ, и до сегодняшнего дня эта категория фактически представляла собой гонку двух лидеров: Anthropic и OpenAI, за которыми гнались Google и множество стартапов.

Компания Meta предлагает действительно уникальную архитектуру (постоянно работающие фоновые агенты, локальный журнал событий с возможностью добавления данных), убедительную демонстрацию в долгосрочной перспективе и агрессивную ценовую политику.

Открытыми остаются те вопросы, на которые не могут ответить с помощью сравнительных таблиц: соответствует ли Muse Spark 1.2 моделям Claude и GPT-класса на реальных репозиториях, доверяют ли разработчики Meta свой код и достаточно ли скидки для участников, чтобы они перестали задавать эти вопросы. Muse Code доступен в бета-версии уже сегодня; Muse Spark 1.2 уже запущен в Meta Model API с расширенным глобальным доступом.

Источник: venturebeat.com