# meta-muse-code-muse-spark-1-2-2026-08-05

## Veille

Ankündigung von **Meta AI Research**, veröffentlicht am **5. August 2026** (angegebene Lesezeit: 4 Minuten, keine individuelle Autorenangabe): **Muse Code** in der Beta-Phase, *„ein Terminal-Coding-Agent"*, sowie das dahinterstehende Modell, **Muse Spark 1.2**. Meta selbst rahmt den Launch so: *"This marks our next step toward the frontier, with larger and much more capable models on the way"* — **ein Schritt in Richtung Frontier, keine große Behauptung**. Auf der Harness-Seite werden **drei architektonische Elemente** beschrieben: **asynchrone Hintergrund-Agenten**, die *"remain active throughout each session, rather than being spawned for individual tasks"*, um redundante Informationsbeschaffung zu vermeiden und den Steuerungsbedarf zu reduzieren; ein **lokales Event-Log**, in dem *"every model call, tool run, approval, and edit is appended"*, wodurch die Laufzeitumgebung *"replay-exact and restart-safe"* wird — fähig, nach einem Absturz exakt dort fortzusetzen, wo sie aufgehört hat; sowie **drei standardmäßig mitgelieferte Skills** — `/plan` (wandelt eine Aufgabe in einen zur Genehmigung vorgelegten Plan um), **`/grill`** (stresstestet den Plan *"until it holds up"*) und `/goal`. Auf der Modellseite beansprucht Meta ein **gemeinsames Training von Modell und Harness** (*"to maximize harness compatibility"*, wobei Harness-Trajektorien per Rejection Sampling erfasst werden, mit Recipe-Optimierungen für Ziele, Kompaktierung und Sub-Agenten), ein **Long-Horizon**-Training (Generierung ganzer Repositories, End-to-End-Projekte, Self-Research, mit Planung, Zielkonditionierung und **Context Compaction**), sowie eine **Selbstverbesserungsschleife**, in der Muse Spark 1.1 die Umgebungen und Instruction-Templates generiert **und anschließend Kandidatenlösungen bewertet**, wodurch ein Trainingsdatensatz für 1.2 entsteht. ⚠️ **Die bemerkenswerteste Tatsache dieser Ankündigung steht nirgends im Text**: Die vier veröffentlichten Diagramme — Terminal-Bench 2.1, DeepSWE 1.1, ein interner Meta-Benchmark und die Fallstudie zur GPU-Kernel-Optimierung — **platzieren Muse Spark 1.2 in allen vier Fällen hinter Opus 5**, einschließlich auf Metas eigenem proprietärem Benchmark (70,6 % vs. 79,4 %) und in der Fallstudie, wo das Modell **Vierter von sechs** wird (+68,7 % vs. +74,0 %). ⚠️ **Und der tatsächliche Zugewinn des Modells fällt geringer aus, als es scheint**: Bei den beiden öffentlichen Benchmarks wird 1.1 mit `mini-swe-agent` gemessen und 1.2 mit Muse Code — die Differenz von 6,7 Punkten vermengt somit Modell und Harness. Beim internen Benchmark, dem einzigen Vergleich ohne Angabe einer Harness, sinkt die Differenz zwischen 1.1 und 1.2 auf **2,3 Punkte**.

## Titre Article

Introducing Muse Code and Muse Spark 1.2

## Date

2026-08-05

## URL

https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2

## Keywords

Meta AI Research, Muse Code, Muse Spark 1.2, Terminal-Coding-Agent, Beta, Harness, asynchrone Hintergrund-Agenten, persistente Sub-Agenten, redundante Informationsbeschaffung, Event-Log, Event-Log, replay-exact, restart-safe, Wiederherstellung nach Absturz, lange Aufgaben, mitgelieferte Skills, genehmigter Plan, grill, goal, Modell-Harness-Co-Training, Rejection Sampling, Harness-Trajektorien, Harness-Kompatibilität, Long-Horizon, Generierung ganzer Repositories, Self-Research, Zielkonditionierung, Context Compaction, Selbstverbesserung, Generierung von Umgebungen, Bewertung von Lösungen, Terminal-Bench 2.1, DeepSWE 1.1, interner Benchmark, Opus 5, Claude Code, GPT 5.6 Terra, GPT 5.6 Sol, Codex, Grok 4.5, Gemini 3.6 Flash, Antigravity CLI, mini-swe-agent, GPU-Kernel-Optimierung, Triton, KDA, MLA, NVIDIA Hopper, kumulative Tool-Aufrufe, Speedup vs. Baseline, FLA, Kernel-Fusion, Tiling, Meta Model API, Optimization Lock-in

## Authors

**Meta AI Research** — publication institutionnelle sans auteur nommé, sur `research.meta.ai`. Le billet renvoie à un **rapport** pour la méthodologie d'évaluation, non repris ici.

**Positionnement à connaître** : Meta arrive sur le terrain de l'agent de codage en terminal **après** Claude Code, Codex, Gemini CLI, Grok Build et Antigravity CLI, et le dit — *« our next step toward the frontier »*. L'annonce couple un **produit** (Muse Code, distribué par `curl … | bash`) et un **modèle** (Muse Spark 1.2, disponible dans Muse Code et dans **Meta Model API** avec *« expanded global access »*), les deux ayant été entraînés ensemble.

## Ton

**Profil**: eine Produktankündigung eines Forschungslabors, kurzes Format, nüchternes technisches Register. Keine Übertreibung, kein Überlegenheitsanspruch, keine Superlative — was für einen Launch **ungewöhnlich** ist und für sich genommen aufschlussreich ist.

**Stil**: Der Text geht **mechanismusbeschreibend** vor, Abschnitt für Abschnitt, jeweils auf einen Absatz begrenzt und mit Benennung einer präzisen technischen Entscheidung — Persistenz der Sub-Agenten, Event-Log, gemeinsames Training, Kompaktierung. Es gibt keinen Kundenfall, kein Führungskräftezitat, kein Produktivitätsversprechen. Die einzige narrative Demonstration ist eine Vignette: Ein Nutzer legt ein `mp4`-Video einer Wohnungsbesichtigung ins Terminal, Muse Code interpretiert es und erzeugt eine Buchungsseite für eine Kurzzeitvermietung.

**Das auffälligste Merkmal ist die Bescheidenheit der Rahmung**, bereits im zweiten Satz formuliert: *"This marks our next step toward the frontier, with larger and much more capable models on the way."* Meta kündigt einen Meilenstein an und weist darauf hin, dass das Beste noch bevorsteht. Der Schluss wiederholt dieselbe Haltung: *"We have a lot on the horizon, including new harness features and more powerful models."*

**Diese Bescheidenheit bestätigt sich in den Diagrammen**, und das macht die Ankündigung bemerkenswert: Meta veröffentlicht vier Vergleiche, in denen es nie gewinnt. Nur wenige Launches sind bereit, einen Konkurrenten auf der eigenen Seite in Führung zu zeigen — noch weniger auf dem **eigenen internen Benchmark**.

**Signalphrasen**: *"our next step toward the frontier"*, *"rather than being spawned for individual tasks"*, *"replay-exact and restart-safe"*, *"/grill stress-tests that plan until it holds up"*, *"to maximize harness compatibility"*.

## Pense-betes

- **Was gelauncht wird**: **Muse Code** (Beta), ein Terminal-Coding-Agent, installierbar per `curl -fsSL https://dev.meta.ai/install.sh | bash` unter macOS und Linux, sowie **Muse Spark 1.2**, ein Modell, verfügbar in Muse Code und in der **Meta Model API**.
- **⭐⭐ Das Gesamtergebnis, im Text nicht erwähnt und nur in den Bildern erkennbar** — Meta verliert alle vier Vergleiche: | Vergleich | Sieger | Muse Spark 1.2 | Rang | |---|---|---|---| | Terminal-Bench 2.1 | Opus 5 + Claude Code — **86,7 %** | 82,9 % | 2. / 6 | | DeepSWE 1.1 | Opus 5 + Claude Code — **65,0 %** | 59,3 % | 3. / 6 | | **Meta Internal Coding Bench** | Opus 5 — **79,4 %** | 70,6 % | 2. / 5 | | KDA-Fallstudie (Speedup) | Opus 5 — **+74,0 %** | +68,7 % | **4. / 6** | → **Auf seinem eigenen proprietären Benchmark liegt Meta 8,8 Punkte hinter Opus 5.** Und bei der Fallstudie, die es als Vorzeigebeispiel gewählt hat, liegt es auch hinter GPT 5.6 Sol (+71,2 %) und hinter **Anthropics vorheriger Generation**, Opus 4.8 (+69,6 %). Dies ist die zentrale Tatsache der Ankündigung, und man muss die PNGs lesen, um sie zu finden.
- **⭐⭐ Der Zugewinn des Modells fällt geringer aus als angekündigt, und die Harness erklärt den Rest** — die aufschlussreichste Lesart dieser Zahlen:
- Bei **Terminal-Bench** und **DeepSWE** wird 1.1 mit **`mini-swe-agent`** bewertet und 1.2 mit **Muse Code**. Die angezeigte Differenz (76,2 → 82,9, also **+6,7 Punkte**) vermengt somit **Modell-Fortschritt und Harness-Fortschritt**.
- Beim **internen Benchmark**, der einzigen Tabelle, in der **keine Harness angegeben ist**, sinkt die Differenz zwischen 1.1 und 1.2 auf **68,3 → 70,6, also +2,3 Punkte**. → **Das Modell gewinnt rund zwei Punkte hinzu; der Rest stammt aus dem umgebenden Tooling.** Meta räumt dies halb ein, indem es ein gemeinsames Training *"to maximize harness compatibility"* beansprucht. **Keiner dieser Vergleiche ist Modell gegen Modell: Es sind Paare aus Modell + Harness.**
- **⭐ Und dies bestätigt empirisch Mozillas These, drei Wochen später**: [[mozilla-state-of-open-source-ai-2026-07]] schrieb *"the model is eating the harness"*, stellte fest, dass *"on every model where both appear, the lab's own harness now wins"*, und benannte den Mechanismus — *"a harness tuned tightly to one lab's weights becomes a fitted component of that lab's product… the tighter the tuning, the less swappable the weights underneath. **Lock-in arrives as a side effect of optimization.**"* **Muse Code + Muse Spark 1.2 ist genau dieses Objekt**: Meta kündigt explizit an, das Modell *mit* der Harness trainiert zu haben, um deren Kompatibilität zu maximieren. Die Terminal-Bench-Tabelle zeigt es implizit — jedes dort aufgeführte Modell wird mit der Harness des eigenen Labs gemessen.
- **Das Event-Log — das beste technische Detail im Beitrag**: *"a local event log in which every model call, tool run, approval, and edit is appended"*, eine einzige Quelle der Wahrheit, die die Laufzeitumgebung *"replay-exact and restart-safe"* macht. Nach einem Absturz setzt der Agent **exakt** dort fort, wo er aufgehört hat, was lange Aufgaben ermöglicht. → **Direkte Konvergenz mit dem Run-Manifest und dem Befehl `run resume` von [[skill-gibbs-hyperresearch-2026-08-03]]**, wo das Manifest als *"your durable memory"* beschrieben wird. Zwei unabhängige Teams gelangen zum selben Mechanismus: **Der Kontext überlebt nicht, ein Log auf der Festplatte schon.**
- **⭐ Persistente Hintergrund-Agenten — ein Bruch mit dem vorherrschenden Modell**: Statt für eine einzelne Aufgabe erzeugt und danach zerstört zu werden, *"remain active throughout each session"*, was *"redundant information gathering"* vermeidet, sie **eigenständig** entscheiden lässt, wann sie sich beim Haupt-Agenten zurückmelden, und *"latency and the need for steering"* reduziert. → Zu vergleichen mit Hugo Lassièges gegenteiliger Beobachtung zu wegwerfbaren Sub-Agenten — *"I use them less and less, recent agents delegate fairly targeted work on their own"* ([[lassiege-usine-logicielle-heure-ia-2026-07-28]]). **Zwei entgegengesetzte Antworten auf dasselbe Problem**: Lassiège delegiert weniger, Meta delegiert an Agenten, die nicht mehr sterben.
- **⭐ `/grill` ist standardmäßig vorinstalliert, und der Name ist kein Zufall**: *"/grill stress-tests that plan until it holds up"*. Dies ist exakt die Funktion von Matt Pococks Skill `grill-with-docs`, seit Juni in diesem Korpus erfasst ([[skill-pocock-grill-with-docs-2026-06]]) — ein adversarielles Interview, das einen Plan vor der Umsetzung auf die Probe stellt. **Ein in der Skills-Community entstandenes Muster kommt vorinstalliert bei einem Frontier-Lab an.** Ein Zeichen der Reifung: Harness-Best-Practices werden zu Produktprimitiven.
- **Das gelieferte Triptychon** — `/plan` (ein zur **Genehmigung vorgelegter** Plan), `/grill` (Stresstest), `/goal` (Verfolgung des Ziels) — beschreibt eine Schleife aus **Plan → Anfechtung → Ausführung** mit einem **menschlichen Gate** beim ersten Schritt. Dies ist die kanonische Form, wie sie von [[osmani-agent-harness-engineering-2026-04-19]] dokumentiert wurde, nun paketiert.
- **Selbstverbesserung, präzise gelesen**: *"We also used Muse Spark 1.1 to generate challenging coding environments and instruction-following templates. The model then graded candidate solutions… producing a scalable training dataset for Muse Spark 1.2."* → **Es ist 1.1, das die Umgebungen generiert *und* bewertet**, wobei 1.2 das Produkt dieses Datensatzes ist. ⚠️ Das Subjekt *"the model"* ist mehrdeutig, und manche Wiedergaben haben es als 1.2 gelesen; die naheliegende Lesart ist 1.1, das einzige namentlich genannte. **Eine Destillationsschleife einer Generation auf sich selbst**, deren bekannte Grenze darin besteht, dass sie nur lehren kann, was die vorherige Generation bereits zu bewerten weiß.
- **Fallstudie GPU-Kernel — das Protokoll ist interessanter als das Ergebnis**: iterative Optimierung über **mehr als 1.000 Tool-Aufrufe, bis zu 24 Stunden**, an den Kerneln **KDA** und **MLA** für **NVIDIA-Hopper**-GPUs. Das Modell schreibt, kompiliert, profiliert und verbessert schrittweise. ⭐ **Bemerkenswerte Einschränkung**: *"Models were prohibited from importing third-party kernel libraries such as FLA directly"* — der Algorithmus musste in Triton neu implementiert werden, statt eine bestehende Implementierung lediglich zu umhüllen. **Das macht den Test ehrlich**, und es ist genau die Art von Leitplanke, die in vielen Agenten-Demonstrationen fehlt.
- Bei **KDA**: ein blockparalleler Vorbereitungskernel plus ein sequenzieller Inter-Block-Scan, mit einer decay-kumulativen Rezentrierung in der Blockmitte.
- Bei **MLA**: eine Triton-Pipeline aus zwei Kerneln, die den gemeinsamen KV-Latent sowohl als K als auch als V wiederverwendet, gemessen bei Batchgröße 1, 64 Heads, Sequenzlänge 8.192, Latentdimension 512.
- ⚠️ **KDA ist Kimis lineare Attention** (vgl. [[sfeir-kimi-k3-moonshot-frontier-open-weights-2026-07-16]]): Meta lässt seinen Agenten damit den Kernel einer konkurrierenden Open-Weights-Architektur optimieren. Ein aufschlussreiches und pikantes Detail dazu, wie Architekturen zirkulieren.
- **⚠️ Drei methodische Vorbehalte zu den Diagrammen**: 1. **Keine Zahl erscheint im Text.** Die vier Vergleiche sind **Rastergrafiken** ohne Textdaten oder numerische Accessibility-Labels. Ein eiliger Leser, ein Aggregator oder ein die Seite lesender Agent **sieht keine Ergebnisse**. Die Werte in dieser Fiche wurden visuell aus den PNGs abgelesen. 2. **Die y-Achse des KDA-Diagramms ist nichtlinear**, was Meta ehrlich kennzeichnet (*"Axis Spaced Linearly In X"*, Gitterlinien bei 0-27-43-53-60-65-69-72-75 %). Die Skala **streckt den oberen Bereich**, was die Abstände zwischen den führenden Modellen visuell verstärkt — in diesem Fall zu Metas Nachteil. 3. **Die verglichenen Konfigurationen sind nicht einheitlich**: `max` für Opus 5 und GPT 5.6 Terra, `high` für Grok 4.5 und Gemini 3.6 Flash, keine Angabe für Muse Spark. Und Grok fehlt beim internen Benchmark, GPT 5.6 Sol erscheint nur in der Fallstudie. **Die Zusammensetzung des Vergleichsfelds ändert sich von Diagramm zu Diagramm.**
- **⚠️ Der interne Benchmark ist nicht überprüfbar**: *"Meta Internal Coding Bench"* ist nicht öffentlich, seine Zusammensetzung wird im Beitrag nicht beschrieben, und Meta nutzt ihn, um seine Konkurrenten zu messen. Der Umstand, dass Meta dabei **verliert**, macht die Zahl glaubwürdiger als ein schmeichelhaftes Ergebnis — ein proprietärer Benchmark bleibt jedoch unreproduzierbar.
- **Was die Ankündigung nicht sagt**: keine Preisangaben, keine Nutzungslimits, keine Modelllizenz, keine Veröffentlichung der Gewichte — ein bemerkenswerter Bruch mit Metas Llama-Tradition, zu dem der Beitrag schweigt. Ebenso nichts zu unterstützten Sprachen, Kontextgröße oder Vertraulichkeitsgarantien für eingereichten Code.
- **Meta / verwandt**: empirische Bestätigung des in [[mozilla-state-of-open-source-ai-2026-07]] beschriebenen Optimization-Lock-in-Mechanismus; Event-Log und Resume im Vergleich mit [[skill-gibbs-hyperresearch-2026-08-03]]; vorinstalliertes `/grill` gegenüber [[skill-pocock-grill-with-docs-2026-06]]; Harness-Doktrin in [[osmani-agent-harness-engineering-2026-04-19]] und [[lassiege-usine-logicielle-heure-ia-2026-07-28]]; Konkurrenten genannt in [[sfeir-gpt56-sol-terra-luna-coding-agentique-pricing-2026-07-13]] und [[cherny-wu-reflecting-year-claude-code-2026-07-17]]; KDA-Kernel und Kimi-Architektur in [[sfeir-kimi-k3-moonshot-frontier-open-weights-2026-07-16]].

## RésuméDe400mots

Ankündigung von **Meta AI Research** am **5. August 2026**: **Muse Code** in der Beta-Phase, ein Terminal-Coding-Agent, sowie **Muse Spark 1.2**, das dahinterstehende Modell. Meta selbst rahmt den Launch — *"our next step toward the frontier, with larger and much more capable models on the way"*.

**Auf der Harness-Seite drei Entscheidungen.** **Asynchrone Hintergrund-Agenten**, die *"remain active throughout each session, rather than being spawned for individual tasks"*, wodurch redundante Informationsbeschaffung vermieden wird und sie eigenständig entscheiden, wann sie sich beim Haupt-Agenten zurückmelden. Ein **lokales Event-Log**, das jeden Modellaufruf, Tool-Lauf, jede Genehmigung und Bearbeitung erfasst, wodurch die Laufzeitumgebung *"replay-exact and restart-safe"* wird: Nach einem Absturz setzt der Agent exakt dort fort, wo er aufgehört hat. Sowie drei **standardmäßig mitgelieferte Skills**: `/plan` (ein zur Genehmigung vorgelegter Plan), **`/grill`** (stresstestet den Plan, bis er standhält) und `/goal`.

**Auf der Modellseite** beansprucht Meta ein **gemeinsames Training mit der Harness** *"to maximize harness compatibility"*, ein Long-Horizon-Training (ganzes Repository, End-to-End-Projekte, Self-Research, Context Compaction) sowie eine Selbstverbesserungsschleife, in der Version 1.1 die Umgebungen generiert und die Lösungen bewertet, wodurch der Trainingsdatensatz für 1.2 entsteht.

**Die zentrale Tatsache dieser Ankündigung steht nirgends im Text.** Die vier veröffentlichten Vergleiche existieren nur als Bilder und platzieren Muse Spark 1.2 **in allen vier Fällen hinter Opus 5**: 82,9 % vs. 86,7 % bei Terminal-Bench 2.1, 59,3 % vs. 65,0 % bei DeepSWE 1.1, **70,6 % vs. 79,4 % bei Metas eigenem internem Benchmark**, sowie +68,7 % vs. +74,0 % bei der Fallstudie zur GPU-Kernel-Optimierung, wo das Modell **Vierter von sechs** wird, hinter GPT 5.6 Sol und hinter Anthropics vorheriger Generation.

**Und der eigentliche Zugewinn des Modells fällt geringer aus, als es scheint.** Bei den beiden öffentlichen Benchmarks wird Version 1.1 mit `mini-swe-agent` bewertet und 1.2 mit Muse Code: Die Differenz von 6,7 Punkten vermengt Modell und Harness. Beim internen Benchmark, dem einzigen Vergleich ohne Angabe einer Harness, sinkt sie auf **2,3 Punkte**.

Die Ankündigung steht damit vor allem als **empirische Bestätigung** einer bereits formulierten These: Der Wert verschiebt sich in Richtung Harness, und eine mit den eigenen Gewichten gemeinsam trainierte Harness macht diese Gewichte umso weniger austauschbar.

## GrapheDeConnaissance

- Meta AI Research —publie→ Muse Code (TECHNOLOGIE, 0.97)
- Meta AI Research —publie→ Muse Spark 1.2 (TECHNOLOGIE, 0.97)
- Muse Spark 1.2 —est_variante_de→ Muse Spark 1.1 (TECHNOLOGIE, 0.95)
- Muse Code —utilise→ Muse Spark 1.2 (TECHNOLOGIE, 0.96)
- Muse Spark 1.2 —est_basé_sur→ un co-entraînement avec le harnais Muse Code pour maximiser leur compatibilité (AFFIRMATION, 0.95)
- co-entraînement d'un modèle avec son harnais —réduit→ l'interchangeabilité des poids sous-jacents (AFFIRMATION, 0.85)
- journal d'événements local —permet→ de reprendre exactement où l'agent s'est arrêté après un plantage (AFFIRMATION, 0.95)
- agents d'arrière-plan persistants —s_oppose_à→ les sous-agents créés puis détruits pour chaque tâche (AFFIRMATION, 0.94)
- agents d'arrière-plan persistants —réduit→ la collecte d'information redondante et le besoin de pilotage (AFFIRMATION, 0.93)
- Muse Code —utilise→ une skill de mise à l'épreuve du plan avant implémentation (AFFIRMATION, 0.93)
- Muse Spark 1.1 —permet→ de générer les environnements et de noter les solutions ayant servi à entraîner Muse Spark 1.2 (AFFIRMATION, 0.9)
- Opus 5 —surpasse→ Muse Spark 1.2 (TECHNOLOGIE, 0.95)
- Muse Spark 1.2 —mesure→ 82,9 % sur Terminal-Bench 2.1 contre 86,7 % pour Opus 5 avec Claude Code (MESURE, 0.93)
- Muse Spark 1.2 —mesure→ 59,3 % sur DeepSWE 1.1 contre 65,0 % pour Opus 5 et 64,8 % pour GPT 5.6 Terra (MESURE, 0.93)
- Muse Spark 1.2 —mesure→ 70,6 % sur le benchmark interne de Meta contre 79,4 % pour Opus 5 (MESURE, 0.92)
- Muse Spark 1.2 —mesure→ une accélération de noyau KDA de +68,7 %, quatrième derrière Opus 5, GPT 5.6 Sol et Opus 4.8 (MESURE, 0.92)
- comparaison de paires modèle et harnais —s_oppose_à→ une comparaison de modèles isolés, les deux benchmarks publics évaluant chaque modèle avec le harnais de son laboratoire (AFFIRMATION, 0.9)
- gain de Muse Spark 1.1 à 1.2 —mesure→ 2,3 points sur le seul comparatif sans harnais indiqué, contre 6,7 points sur les comparatifs avec harnais (MESURE, 0.88)
- Muse Code —s_applique_à→ l'optimisation itérative de noyaux GPU sur plus de 1 000 appels d'outils et jusqu'à 24 heures (AFFIRMATION, 0.93)
- interdiction d'importer une bibliothèque de noyaux tierce —permet→ de tester la réimplémentation d'un algorithme plutôt que l'enveloppement d'une implémentation existante (AFFIRMATION, 0.92)
- Meta AI Research —affirme_que→ ce lancement est une étape vers la frontière, des modèles plus grands et plus capables étant à venir (CITATION, 0.95)
- benchmarks publiés uniquement en image —s_oppose_à→ la lisibilité des résultats par un agrégateur ou un agent lisant la page (AFFIRMATION, 0.88)

---
Canonical: https://www.thekb.eu/de/fiches/meta-muse-code-muse-spark-1-2-2026-08-05/