Muse Code: Meta hat einen Coding-Agenten veröffentlicht, der bei seinem eigenen Benchmark verliert.

Anbieter veröffentlichen normalerweise nicht das Diagramm, in dem sie auf dem zweiten Platz landen. Meta hat drei davon veröffentlicht. Im Launch-Deck für Muse Code — der Terminal-Codierungsagent, den Meta Superintelligence Labs am 5. August 2026 veröffentlichte; er läuft auf dem am selben Tag erschienenen Muse Spark 1.2 — Claude Opus 5 ist auf jedem Board vorn, das Meta zu zeigen beschloss, einschließlich desjenigen, das Meta selbst gebaut hat und kontrolliert. Auf Terminal-Bench 2.1 beträgt der Abstand 3,8 Punkte. Auf DeepSWE 1.1 sind es 5,7, wobei GPT-5.6 Terra ebenfalls vorn liegt. Auf Metas eigenem internen Codierungs-Benchmark sind es 8,8. Die virale Version dieses Launches — „59 % auf DeepSWE 1.1, besser als Grok 4.5 und Gemini 3.6 Flash“ — ist wahr, und sie ist die schmalste wahre Aussage, die verfügbar ist.

Was den Start interessanter macht, nicht weniger. Meta hat ein Benchmark-Deck ausgeliefert, mit dem es nicht gewinnt, und es trotzdem ausgeliefert, weil der Score nicht das ist, was es verkauft. Was es verkauft, ist eine Laufzeitumgebung, die einen 24-Stunden-Job übersteht, und ein Preis, der das Feld um mehr als eine Größenordnung unterbietet – vorausgesetzt, man ist bereit, Meta in sein Repository blicken zu lassen. Jede Benchmark-Zahl unten stammt aus Metas eigenen Diagrammen, die ohne Methodik veröffentlicht wurden; wo eine unabhängige Messung existiert, wird dies im Satz erwähnt.

Was Meta tatsächlich ausgeliefert hat

Zwei Dinge am selben Tag, bewusst gekoppelt.

• Muse Code — ein Terminal-Coding-Agent, öffentliche Beta, installiert mit einer Zeile: curl -fsSL https://dev.meta.ai/install.sh | bash. Nur für macOS und Linux; es gibt keinen nativen Windows-Build, keine GUI und keine IDE-Erweiterung. Meta beschreibt seine Aufgabe darin, komplexes Software-Engineering in großen Repositories zu übernehmen — Änderungen planen, Code schreiben, Ergebnisse validieren.

• Muse Spark 1.2 — eine auf Code ausgerichtete Überarbeitung von Metas Reasoning-Modell, mit einem Kontext von 1.048.576 Token, verfügbar in Muse Code und über die Meta Model API in der öffentlichen Vorschau. Meta gibt an, die Trainingsrechenleistung für Codierungsaufgaben erhöht und die Vielfalt der Trainingsumgebungen erweitert zu haben, mit dem Ziel von Langzeit-Aufgaben: Generierung ganzer Repositorys, dateiübergreifende Refactorings, erweitertes Debugging.

Die Kopplung ist die Behauptung. Meta gibt an, die beiden seien gemeinsam trainiert worden, und die Paarung erzeuge daher „bessere Werkzeugnutzung, weniger Wiederholungen und qualitativ hochwertigere Ausgabe als ein generischer Wrapper um ein externes Modell“. Das ist Metas Formulierung und Metas Behauptung; kein Dritter hat das Modell in einem konkurrierenden Testrahmen geprüft, um festzustellen, ob der Vorteil des gemeinsamen Trainings real ist oder ob sich Muse Spark 1.2 einfach wie ein kompetentes Codierungsmodell verhält, wo immer man es einsetzt.

Dem Agenten liegen drei gebündelte Fähigkeiten bei, und sie beschreiben den beabsichtigten Arbeitsstil besser als der Marketingtext: /plan erstellt einen genehmigungspflichtigen Plan, bevor irgendetwas geschrieben wird, /grill testet diesen Plan auf Herz und Nieren, und /goal treibt die Erreichung eines festgelegten Ziels voran. Plane, greife den Plan an, dann führe aus — das ist das Muster, zu dem erfahrene Claude-Code- und Codex-Benutzer manuell gelangt sind, und das jetzt als erstklassige Befehle ausgeliefert wird.

Das Benchmark-Deck, ehrlich gelesen.

Meta veröffentlichte Vergleiche zu Terminal-Bench 2.1, DeepSWE 1.1, seinem eigenen Meta Internal Coding Bench und GDPval. Die Zahlen, wie von Meta berichtet:

• Terminal-Bench 2.1 — Claude Opus 5 bei maximalem Aufwand in Claude Code 86,7 %, Muse Spark 1.2 in Muse Code 82,9 %, GPT-5.6 Terra in Codex 81,8 %, Grok 4.5 in Grok Build 81,6 %. Platz zwei, und die Plätze zwei bis vier sind durch 1,3 Punkte getrennt.

• DeepSWE 1.1 — Claude Opus 5 65,0 %, GPT-5.6 Terra 64,8 %, Muse Spark 1.2 59,3 %. Platz 3 und die einzige Bestenliste, bei der der Abstand entscheidend und nicht nur kosmetisch ist.

• Meta Internal Coding Bench — Claude Opus 5 79,4 %, Muse Spark 1.2 70,6 %. Metas Heimspiel und Metas höchste Niederlage.

• Von Generation zu Generation — Meta berichtet +6,7 Punkte bei Terminal-Bench und +6,3 bei DeepSWE gegenüber Muse Spark 1.1. Das sind die größten Zahlen im Deck, und genau die sollten für einen Nutzer von Muse Spark 1.1 tatsächlich zählen.

Eine arithmetische Stolperfalle ist es wert, benannt zu werden, denn sie ist der Grund, alles oben Genannte als nur richtungsweisend zu betrachten. Rechnet man Metas +6,7 heraus, landet Muse Spark 1.1 auf Terminal-Bench 2.1 bei fast 76 % – doch die öffentliche tbench.ai-Bestenliste weist seit Ende Juli einen verifizierten Wert von 80,0 % für Muse Spark 1.1 aus. Beide Zahlen können ehrlich sein und dennoch abweichen, denn eine Terminal-Bench-Zeile ist kein Modell-Score. Sie ist ein Score aus Harness plus Modell plus Aufwandseinstellung, und Metas internes Harness für 1.1 war nicht dasselbe, das tbench einsetzte. Diese einzige Tatsache schadet anbieterübergreifenden Benchmark-Vergleichen mehr als jede einzelne umstrittene Zahl, und sie führt direkt zum nächsten Abschnitt.

Die Laufzeit ist das Produkt.

Entfernt man die Punktzahlen, bleibt ein technisches Plädoyer gegen das Sterben. Zwei Mechanismen tragen es.

Das erste ist das Ereignisprotokoll. Muse Code hängt jeden Modellaufruf, jeden Tool-Lauf, jede Genehmigung und jede Bearbeitung an ein lokales Protokoll an, das Meta als wiedergabetreu und neustartsicher beschreibt: Töte es, lass es abstürzen, verliere die Maschine, und der Agent setzt exakt dort wieder an, wo er aufgehört hat, anstatt seinen Kontext von Grund auf neu abzuleiten. Die Konkurrenz bietet eine Crash-Wiederherstellung von unterschiedlicher Qualität; keiner von ihnen hat sie zum Schlagzeilenthema gemacht. Es ist nebenbei auch ein Prüfungsartefakt — eine vollständige lokale Aufzeichnung dessen, was ein autonomer Prozess mit deinem Arbeitsbaum angestellt hat, genau das Dokument, das eine Sicherheitsüberprüfung verlangt und das die meisten Agent-CLIs nicht erzeugen können.

Das zweite ist, was Meta asynchrone Hintergrundagenten nennt. Der Unterschied zu gewöhnlichen Subagenten besteht darin, dass sie nicht pro Teilaufgabe erzeugt und wieder abgebaut werden; sie bleiben über die Sitzung hinweg aktiv, führen nächste Schritte selbstständig aus und entscheiden selbst, wann sie sich beim Hauptloop zurückmelden. Der behauptete Vorteil ist eine geringere Latenz, weil der Orchestrator bei jeder Delegierung keine Startkosten zahlt.

Metas unterstützende Evidenz ist eine Fallstudie: Muse Code, der 24 Stunden lang über mehr als 1.000 Tool-Aufrufe läuft und autonom GPU-Kernel auf NVIDIA-Hopper-Hardware optimiert, mit laut Meta erheblichen Verbesserungen gegenüber der bereitgestellten Basisimplementierung. Es wurde keine Beschleunigungszahl veröffentlicht, daher ist die interessante Größe nicht das Ergebnis, sondern die Dauer. Eintausend Tool-Aufrufe ohne menschliches Eingreifen sind eine andere Fehleroberfläche als ein Refactoring mit fünfzig Aufrufen, und es ist eine Arbeitslast, bei der ein Benchmark-Defizit von 3,8 Punkten weit weniger zählt als die Frage, ob der Prozess in der neunten Stunde noch lebt.

Der Preis ist die Waffe — und ein Teil davon wird in Quellcode bezahlt.

Es gibt kein Muse Code-Abonnement. Die Abrechnung erfolgt über Token, in einer von zwei Stufen, und der Unterschied zwischen ihnen ist das Aggressivste an diesem Start:

• Standard — 1,25 $ pro Million Eingabe-Tokens, 0,15 $ pro Million gecachter Eingaben, 4,25 $ pro Million Ausgabe-Tokens. Prompts auf dieser Stufe werden nicht zur Verbesserung der Meta-Produkte verwendet.

• Beitragender — 0,10 $ pro Million Eingabe, 0,002 $ pro Million gecachter Eingabe, 0,20 $ pro Million Ausgabe. Im Gegenzug darf Meta die Daten nutzen, um seine Modelle zu verbessern.

Das ist 12,5x günstiger beim Input, 21x günstiger beim Output und 75x günstiger beim gecachten Input. Setzt man es durch einen realistischen Agent-Schritt — 60.000 Tokens Repository-Kontext hinein, 3.000 Tokens Plan-and-Patch hinaus — sind die vier Ecken der Preistabelle verblüffend. Standard-Tarif mit einem Cold-Prompt: 8,8 Cent pro Schritt, 87,75 $ für tausend Schritte. Standard-Tarif mit Repository-Kontext im Cache: 2,2 Cent, 21,75 $ pro Tausend. Contributor-Tarif kalt: 0,66 Cent, 6,60 $ pro Tausend. Contributor-Tarif mit warmem Cache: 0,72 $ für dieselben tausend Schritte.

Dieselbe Arbeit, zum 122-fachen Preis oder zu 1/122 davon, abhängig von zwei Entscheidungen. Metas eigener 24-Stunden-Kernel-Lauf mit 1.000 Aufrufen kostet auf der Stufe, die deine Daten schützt, etwa neunzig Dollar an Tokens, und auf der Stufe, die das nicht tut, unter einem Dollar.

Das ist die eigentliche Entscheidung, vor die dieser Launch die Teams stellt, und sie ist keine Preisentscheidung. Ein terminalbasierter Coding-Agent liest deine Codebasis – das ist seine gesamte Funktion. Daher enthalten die Prompts auf der Contributor-Stufe deinen Quellcode, deine internen APIs, deine Kommentare darüber, warum der Workaround existiert, und was auch immer dein Repository an Test-Fixtures enthält. Für ein Nebenprojekt oder einen Open-Source-Baum ist die Contributor-Stufe nahezu geschenktes Geld. Für eine proprietäre Codebasis oder jedes Repository, das an Kundendaten herankommt, ist es eine Lizenzentscheidung im Gewand eines Rabatts – und sie sollte denjenigen vorgelegt werden, die den Umgang mit Daten freigeben, nicht denjenigen, die die Cloud-Rechnung überwachen. Meta hat die Contributor-Stufe mit einem 12x-Rabatt angeboten, weil die Daten für Meta mindestens so viel wert sind.

Was Sie über die API nicht erhalten können

Die 82,9 % gehören zu Muse Spark 1.2 in Muse Code. Wenn du das Modell aus deinem eigenen Agent-Framework aufrufst, hast du die Modellhälfte dieses Paares gekauft, aber nicht die Harness-Hälfte — kein Ereignisprotokoll, keine persistenten Hintergrundagenten und, falls Meta's Co-Training-Behauptung etwas bedeutet, auch kein abgestimmtes Tool-Nutzungsverhalten. Es gibt also zwei getrennte Auswertungen hier, und sie zu vermischen ist der einfachste Fehler, den du diese Woche machen kannst: Schlägt Muse Code den Agenten, den du bereits betreibst, und ist Muse Spark 1.2 ein besseres Modell als das, das du derzeit aufrufst?

Die zweite Frage ist die günstigere zu beantworten, denn sie erfordert nur, die Testumgebung konstant zu halten und das darunterliegende Modell auszutauschen. Es lohnt sich, bei der Verfügbarkeit präzise zu sein: Muse Spark 1.2 wird direkt von Meta bereitgestellt und ist nicht im OrcaRouter-Katalog enthalten. Muse Spark 1.1 ist für 1,25 $ und 4,25 $ erhältlich — exakt zu Metas Listenpreis, denn OrcaRouter erhebt einen Aufschlag von 0 % und gibt die Anbieterpreise direkt weiter; genau deshalb erscheint eine Preisänderung des Anbieters bei uns an dem Tag, an dem sie erfolgt, und nicht erst nach einem Vertragszyklus. Unsere Sieben-Tage-Produktionstelemetrie für 1.1 zeigt für die Zeit bis zum ersten Token einen p50-Wert von 1,84 Sekunden und einen p95-Wert von 6,00 Sekunden — eine aussagekräftigere Latenzerwartung, als sie jede Benchmark-Umgebung liefern kann.

Der praktische Wert eines einzigen Gateways in einer Woche wie dieser liegt darin, dass die Vergleichsgruppe — Claude Opus 5, GPT-5.6 Terra, Grok 4.5, Gemini 3.6 Flash und Muse Spark 1.1 — hinter einem einzigen Schlüssel zum Listenpreis steht, sodass ein A/B-Vergleich nur eine String-Änderung ist und keine Beschaffungsmaßnahme. Es deckt außerdem das strukturelle Risiko in Metas Angebot ab: Muse Spark 1.2 hat genau einen Anbieter, was es konstruktionsbedingt zu einem Single Point of Failure macht. Automatisches Failover über Anbieter hinweg ist der Unterschied zwischen einem schlechten Nachmittag für Meta, der auch ein schlechter Nachmittag für Ihren Agenten ist, oder eben nicht.

This is also why {{1}}1.2 shipped silent and slow{{/1}}

Muse Spark 1.2 erschien am 5. August in Metas API ohne Ankündigung und ohne geänderte Zahlen – gleicher 1M-Kontext, gleiche 1,25 $ und 4,25 $, gleicher fünfstufiger Reasoning-Regler wie Muse Spark 1.1. Das Einzige, was sich bewegte, wurde von außen gemessen: Artificial Analysis maß eine Time-to-First-Token von 26,12 Sekunden gegenüber 2,90 Sekunden bei 1.1 bei maximalem Reasoning-Aufwand, was drei Punkte des Intelligence Index einbrachte, von 51 auf 54. Als Veröffentlichung eines Allzweckmodells betrachtet, ist das ein seltsamer Tausch – neunmal so viel Wartezeit für drei Punkte.

Als Modellhälfte eines gemeinsam trainierten Agenten gelesen, ist es der offensichtliche Handel. Niemand, der auf ein Refactoring von zwölf Dateien wartet, bemerkt sechsundzwanzig Sekunden Planung; die Person, die auf einen Chat-Abschluss wartet, bemerkt alles davon. Meta hat nicht still ein Chat-Modell ausgeliefert und gehofft, dass niemand die Latenz misst. Es lieferte den Motor vor dem Auto, und die Ankündigung kam, als das Auto kam. Die Entwicklerseite von Metas Muse Spark zeigt jetzt ebenfalls 1.2 an.

Die Folgerung daraus ist eine Warnung für alle, die diese Familie wegen ihrer Breite übernommen haben. Muse Spark 1.1 wurde als multimodales Reasoning-Modell vermarktet — Text, Bilder, Video, Audio und PDFs, gut geeignet für Mixed-Media-Recherche. Die Positionierung von Version 1.2 ist Softwarearbeit, und ihr Launch-Material ist ein Coding-Agent. Das multimodale Angebot wurde nicht entfernt, aber es ist nicht mehr das, was Meta optimiert oder bewirbt, und niemand außerhalb von Meta hat ein Video- oder Audioergebnis für 1.2 veröffentlicht.

Wo Muse Code noch dünn ist

• Es ist Beta und als solches gekennzeichnet. Die Event-Log-Garantie wurde von niemandem außerhalb von Meta verifiziert.

• Nur macOS und Linux.Windows-Entwickler nutzen entweder WSL oder gar nichts, was für Unternehmensflotten eine echte Einschränkung darstellt und keine bloße Unannehmlichkeit ist.

• Nur im Terminal. Keine GUI, keine IDE-Integration und keine cloud-gehosteten parallelen Agenten, wie sie Codex bereits bietet. Metas Launch-Material erwähnt keine MCP-Unterstützung.

• Keine veröffentlichte Methodik hinter den Benchmark-Diagrammen und noch keine unabhängige Bewertung weder des Agenten noch der Code-Teilwerte von Muse Spark 1.2. Artificial Analysis hat einen Gesamtindex für 1.2, aber nicht die Benchmark-spezifische Aufschlüsselung von Code und Agentik, die es für 1.1 veröffentlicht — und der Agentik-Wert von 1.1 war mit Abstand seine schwächste Dimension, was genau die Kennzahl ist, die diese Veröffentlichung entscheiden würde.

• Meta ist spät dran. Um Claude Code und Codex haben sich seit einem Jahr Gewohnheiten, Plugin-Ökosysteme und Team-Workflows etabliert. Ein absturzsicheres Ereignisprotokoll ist ein guter Grund, etwas auszuprobieren; es ist für sich genommen kein Grund, ein Team umzustellen.

Fragen, die die Leute tatsächlich stellen

Ist Muse Code kostenlos?

Nein, aber es gibt auch kein Abonnement – anders als die Claude-Code- und Codex-Pläne, mit denen es konkurriert, wird Muse Code rein pro Token über die Meta Model API abgerechnet. Die Kosten skalieren also mit der Menge an Repository-Kontext, die deine Sitzungen verarbeiten, nicht mit der Mitarbeiterzahl, was gelegentliche Schwerbenutzer begünstigt und Dauer-Agenten benachteiligt. Die Contributor-Stufe ist so gut wie kostenlos, sodass der Preis keine echte Hürde darstellt, es auszuprobieren.

Trainiert die Contributor-Stufe mit meinem privaten Code?

Metas Bedingungen für diese Stufe besagen, dass die Daten zur Verbesserung ihrer Modelle verwendet werden dürfen, und die Prompts eines Codierungsagenten enthalten Ihren Code. Meta gibt an, dass Prompts der Standard-Stufe nicht zur Verbesserung ihrer Produkte verwendet werden; das ist die Stufe, die für alles Proprietäre verwendet werden sollte. Behandeln Sie die Wahl als eine Entscheidung über die Datenverarbeitung mit einem Rabatt, nicht als eine Abrechnungspräferenz – und beachten Sie, dass der Rabatt pro Token gilt, sodass der Anreiz, stillschweigend herabzustufen, genau mit Ihrer Nutzung wächst.

Kann ich Muse Spark 1.2 mit Claude Code oder meinem eigenen Agenten verwenden?

Das Modell ist über die Meta Model API unabhängig von Muse Code verfügbar, also ja, für alles, was einen benutzerdefinierten Endpunkt akzeptiert. Was Sie nicht bekommen, ist die co-trainierte Paarung, der Meta seine Benchmark-Ergebnisse zuschreibt, und die ehrliche Erwartung ist, dass ein Modell, das außerhalb der Testumgebung läuft, mit der es abgestimmt wurde, unter dem in der Tabelle angegebenen Wert abschneidet. Wenn das Ziel darin besteht, das Modell und nicht den Agenten zu bewerten, führen Sie es in Ihrer eigenen Testumgebung gegen Claude Opus 5 und GPT-5.6 Terra aus und ignorieren Sie das Deck völlig.

Wer sollte es diese Woche installieren?

Wenn Sie langlaufende autonome Jobs ausführen – Migrationen, Abhängigkeits-Upgrades in einem Monorepo, alles, was Sie derzeit hüten, weil der Agent seine Spur verliert – ist Muse Code einen Nachmittag an einem Wegwerf-Klon wert. Das Ereignisprotokoll und die persistenten Hintergrundagenten zielen genau auf dieses Fehlermuster ab, und das Benchmark-Defizit ist dort am kleinsten, wo die Aufgabendauer am längsten ist.

Wenn Sie auf einer Open-Source- oder nicht sensiblen Codebasis arbeiten und die Kosten Ihre bindende Einschränkung sind, dann ist die Contributor-Stufe die interessanteste Zahl auf dem Coding-Agent-Markt, und 0,66 Cent pro Schritt ist kein Tippfehler.

Wenn Sie ein Team mit Claude Code oder Codex an einem proprietären Repository arbeiten lassen, gibt es hier noch nichts, was einen Wechsel erzwingen würde. Muse Code belegt auf jeder Rangliste, die sein eigener Anbieter ausgewählt hat, den zweiten oder dritten Platz, die Preise der Standard-Tier liegen auf Augenhöhe mit dem Wettbewerb und nicht darunter, und das Unterscheidungsmerkmal ist eine Zuverlässigkeitseigenschaft, die niemand außerhalb von Meta getestet hat. Das, worauf man achten sollte, ist nicht der nächste Benchmark. Es ist die Frage, ob das Event-Log standhält, wenn jemand, der nicht bei Meta arbeitet, tausend Tool-Aufrufe durch es laufen lässt.