Introducing Muse Code and Muse Spark 1.2

Kernpunkte

1. 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.
2. ⭐⭐ 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.
3. ⭐⭐ Der Zugewinn des Modells fällt geringer aus als angekündigt, und die Harness erklärt den Rest. — die aufschlussreichste Lesart dieser Zahlen:
4. 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.
5. 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.
6. ⭐ 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.
7. 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.
8. ⭐ 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.
9. ⭐ /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.
10. 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.
11. 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.
12. 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.
13. Bei KDA: ein blockparalleler Vorbereitungskernel plus ein sequenzieller Inter-Block-Scan, mit einer decay-kumulativen Rezentrierung in der Blockmitte.
14. 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.
15. ⚠️ 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.
16. ⚠️ 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.
17. ⚠️ 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.
18. 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.
19. 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]].