Muse Code : Meta a lancé un agent de codage qui perd sur son propre benchmark

Les fournisseurs ne publient généralement pas le classement où ils arrivent deuxièmes. Meta en a publié trois. Dans le deck de lancement de Muse Code — l'agent de codage pour terminal que Meta Superintelligence Labs a lancé le 5 août 2026, propulsé par la version du même jour, Muse Spark 1.2 — Claude Opus 5 est en tête sur tous les classements que Meta a choisi de montrer, y compris celui que Meta a construit et contrôle lui-même. Sur Terminal-Bench 2.1, l'écart est de 3,8 points. Sur DeepSWE 1.1, il est de 5,7, avec GPT-5.6 Terra également en tête. Sur le benchmark interne de codage de Meta, il est de 8,8. La version virale de ce lancement — « 59 % sur DeepSWE 1.1, surpassant Grok 4.5 et Gemini 3.6 Flash » — est vraie, et c'est l'affirmation vraie la plus restreinte disponible.

Ce qui rend le lancement plus intéressant, pas moins. Meta a publié un jeu de benchmarks qu'elle ne gagne pas, et l'a publié quand même, parce que ce n'est pas le score qu'elle vend. Ce qu'elle vend, c'est un runtime qui survit à un travail de 24 heures, et un prix qui sous-cote la concurrence de plus d'un ordre de grandeur — à condition que vous soyez prêt à laisser Meta lire votre dépôt. Chaque chiffre de benchmark ci-dessous provient des propres graphiques de Meta, publiés sans méthodologie ; lorsqu'une mesure indépendante existe, la phrase l'indique.

Ce que Meta a réellement livré

Deux choses le même jour, délibérément couplées.

• Muse Code — un agent de codage en terminal, en bêta publique, installé avec une seule commande : curl -fsSL https://dev.meta.ai/install.sh | bash. macOS et Linux uniquement ; il n’existe pas de version native Windows, ni d’interface graphique, ni d’extension IDE. Meta décrit son rôle comme le fait de s’attaquer à de l’ingénierie logicielle complexe sur de grands dépôts — planifier les modifications, écrire du code, valider les résultats.

• Muse Spark 1.2 — une révision axée sur le codage du modèle de raisonnement de Meta, avec un contexte de 1 048 576 jetons, disponible dans Muse Code et via l'API Meta Model en aperçu public. Meta indique avoir augmenté la puissance de calcul d'entraînement sur les tâches de codage et élargi la diversité des environnements d'entraînement, avec pour cible le travail à long horizon : génération de dépôts entiers, refactorisations multi-fichiers, débogage approfondi.

L'affirmation, c'est le couplage. Meta affirme que les deux ont été co-entraînés et que ce couplage produit donc « une meilleure utilisation des outils, moins de nouvelles tentatives et des sorties de meilleure qualité qu'un wrapper générique autour d'un modèle externe ». C'est la formulation de Meta et c'est l'affirmation de Meta ; aucun tiers n'a testé le modèle dans une infrastructure rivale pour vérifier si la plus-value du co-entraînement est réelle ou si Muse Spark 1.2 se comporte simplement comme un modèle de codage compétent où qu'on le place.

Trois compétences groupées accompagnent l'agent, et elles décrivent mieux que le texte marketing le style de travail visé : /plan produit un plan soumis à approbation avant que quoi que ce soit ne soit écrit, /grill met ce plan à l'épreuve et /goal pousse à la réalisation d'un objectif déclaré. Planifier, attaquer le plan, puis exécuter — c'est le schéma que les utilisateurs expérimentés de Claude Code et de Codex ont adopté manuellement, désormais fourni sous forme de commandes à part entière.

Le deck de benchmark, lu honnêtement.

Meta a publié des comparaisons sur Terminal-Bench 2.1, DeepSWE 1.1, son propre Meta Internal Coding Bench et GDPval. Les chiffres, tels que rapportés par Meta :

• Terminal-Bench 2.1 — Claude Opus 5 avec effort maximal dans Claude Code 86,7 %, Muse Spark 1.2 dans Muse Code 82,9 %, GPT-5.6 Terra dans Codex 81,8 %, Grok 4.5 dans Grok Build 81,6 %. Deuxième place, et l’écart entre la deuxième et la quatrième est de 1,3 points.

• DeepSWE 1.1 — Claude Opus 5 65.0%, GPT-5.6 Terra 64.8%, Muse Spark 1.2 59.3%. Troisième place, et le seul tableau où l'écart est décisif plutôt que cosmétique.

• Meta Internal Coding Bench — Claude Opus 5 79,4 %, Muse Spark 1.2 70,6 %. Le match à domicile de Meta, et sa plus large défaite.

• De génération en génération — Meta rapporte +6.7 points sur Terminal-Bench et +6.3 sur DeepSWE contre Muse Spark 1.1. Ce sont les chiffres les plus élevés de la présentation, et ce sont ceux dont un utilisateur de Muse Spark 1.1 devrait réellement se soucier.

Un accroc arithmétique mérite d’être signalé, car c’est la raison de considérer tout ce qui précède comme indicatif. Si l’on retire le +6,7 de Meta, Muse Spark 1.1 atterrit autour de 76 % sur Terminal-Bench 2.1 — mais le classement public tbench.ai affiche un 80,0 % vérifié pour Muse Spark 1.1 depuis fin juillet. Les deux chiffres peuvent être honnêtes et néanmoins diverger, car une ligne de Terminal-Bench n’est pas un score de modèle. C’est un score pour un harnais plus un modèle plus un réglage d’effort, et le harnais interne de Meta pour 1.1 n’était pas celui utilisé par tbench. Ce seul fait cause plus de dommages à la comparaison inter-fournisseurs des benchmarks que n’importe quel chiffre contesté individuellement, et il mène directement à la section suivante.

Le runtime est le produit.

Retirez les scores et ce qui reste est un pitch d'ingénierie sur le fait de ne pas mourir. Deux mécanismes le portent.

Le premier est le journal d’événements. Muse Code ajoute chaque appel de modèle, chaque exécution d’outil, chaque approbation et chaque modification à un journal local, que Meta décrit comme rendant la session rejouable à l’identique et sûre en cas de redémarrage : tuez-la, faites-la planter, perdez la machine, et l’agent reprend exactement là où il s’est arrêté, plutôt que de redériver son contexte à partir de zéro. Les concurrents disposent d’une récupération après crash de qualité variable ; aucun n’en a fait son argument principal. C’est aussi, accessoirement, un artefact d’audit — un enregistrement local complet de ce qu’un processus autonome a fait à votre arbre de travail, exactement le document qu’une revue de sécurité demande et que la plupart des CLI d’agents ne peuvent pas produire.

Le second est ce que Meta appelle les agents d'arrière-plan asynchrones. La distinction avec les sous-agents ordinaires est qu'ils ne sont pas créés pour chaque sous-tâche puis arrêtés ; ils restent actifs pendant toute la session, exécutent les étapes suivantes de manière autonome et choisissent le moment de rendre compte à la boucle principale. Le gain annoncé est une latence plus faible, car l'orchestrateur ne paie pas le coût de démarrage à chaque délégation.

La preuve à l'appui de Meta est une étude de cas : Muse Code fonctionnant pendant 24 heures sur plus de 1 000 appels d'outils, optimisant de manière autonome des noyaux GPU sur le matériel NVIDIA Hopper, avec ce que Meta appelle des améliorations substantielles par rapport à l'implémentation de référence fournie. Aucun chiffre d'accélération n'a été publié, donc la quantité intéressante n'est pas le résultat mais la durée. Mille appels d'outils sans intervention humaine constituent une surface de défaillance différente d'une refactorisation de cinquante appels, et c'est une charge de travail où un déficit de 3,8 points au benchmark importe bien moins que de savoir si le processus est toujours vivant à la neuvième heure.

Le prix est l'arme — et une partie s'en paie en code source.

Il n'y a pas d'abonnement Muse Code. La facturation se fait par tokens, sur l'un des deux paliers, et l'écart entre les deux est l'élément le plus agressif de ce lancement :

• Standard — 1,25 $ par million de jetons d’entrée, 0,15 $ par million de jetons en cache, 4,25 $ par million de jetons de sortie. Les invites de ce niveau ne sont pas utilisées pour améliorer les produits de Meta.

• Contributeur — 0,10 $ par million d’entrées, 0,002 $ par million d’entrées en cache, 0,20 $ par million de sorties. En contrepartie, Meta peut utiliser les données pour améliorer ses modèles.

C'est 12,5 fois moins cher en entrée, 21 fois moins cher en sortie, et 75 fois moins cher en entrée en cache. Appliquez-le à une étape d'agent réaliste — 60 000 tokens de contexte de dépôt en entrée, 3 000 tokens de plan et correctif en sortie — et les quatre coins de la grille tarifaire sont stupéfiants. Palier standard avec un prompt à froid : 8,8 cents par étape, 87,75 $ pour mille étapes. Palier standard avec le contexte de dépôt servi par le cache : 2,2 cents, 21,75 $ par millier. Palier contributeur à froid : 0,66 cent, 6,60 $ par millier. Palier contributeur avec un cache chaud : 0,72 $ pour le même millier d'étapes.

Le même travail, à 122 fois le coût ou 1/122e de celui-ci, selon deux choix. La propre exécution de Meta, d'une durée de 24 heures et de 1 000 appels, coûte environ quatre-vingt-dix dollars en tokens sur le niveau qui protège vos données, et moins d'un dollar sur celui qui ne le protège pas.

Quelle est la décision réelle que ce lancement met devant les équipes, et ce n'est pas une décision de prix. Un agent de codage en terminal lit votre base de code — c'est là tout son rôle — donc les invites du palier contributeur contiennent votre code source, vos API internes, vos commentaires expliquant pourquoi le contournement existe, ainsi que toutes les données de test que votre dépôt contient. Pour un projet secondaire ou une arborescence open source, le palier contributeur représente presque de l'argent gratuit. Pour une base de code propriétaire, ou tout dépôt à portée des données clients, c'est une décision de licence déguisée en remise, et elle doit revenir à celui qui valide le traitement des données plutôt qu'à celui qui surveille la facture cloud. Meta l'a tarifé à une remise de 12x, car les données valent au moins autant pour Meta.

Ce que vous ne pouvez pas obtenir via l'API.

Les 82,9 % appartiennent à Muse Spark 1.2 dans Muse Code. Si vous appelez le modèle depuis votre propre framework d'agents, vous n'avez acheté que la moitié modèle de cette paire, et aucune de la moitié harnais — aucun journal d'événements, aucun agent d'arrière-plan persistant, et, si l'affirmation de co-entraînement de Meta signifie quelque chose, aucun des comportements d'utilisation d'outils ajustés non plus. Il y a donc deux évaluations distinctes ici, et les confondre est l'erreur la plus facile à commettre cette semaine : Muse Code bat-il l'agent que vous utilisez déjà, et Muse Spark 1.2 est-il un meilleur modèle que celui que vous appelez actuellement ?

Répondre à la deuxième question coûte moins cher, car il suffit de maintenir votre harnais constant et de remplacer le modèle en dessous. Il vaut la peine d’être précis sur la disponibilité : Muse Spark 1.2 est fourni directement par Meta et ne figure pas dans le catalogue OrcaRouter. Muse Spark 1.1 l’est à 1,25 $ et 4,25 $ — le prix catalogue exact de Meta, car OrcaRouter n’ajoute aucune marge et transmet les tarifs des fournisseurs tels quels, ce qui explique aussi pourquoi un changement de prix d’un fournisseur apparaît chez nous le jour même où il se produit plutôt qu’après un cycle contractuel. Notre télémétrie de production sur sept jours pour 1.1 montre un p50 du temps jusqu’au premier jeton de 1,84 seconde et un p95 de 6,00 secondes, ce qui constitue une attente de latence plus utile que ce que n’importe quel harnais d’évaluation vous donnera.

La valeur pratique d'une passerelle unique dans une semaine comme celle-ci réside dans le fait que l'ensemble de comparaison — Claude Opus 5, GPT-5.6 Terra, Grok 4.5, Gemini 3.6 Flash et Muse Spark 1.1 — se trouve derrière une seule clé au prix catalogue, de sorte qu'un test A/B est un changement de chaîne plutôt qu'un exercice d'approvisionnement. Il couvre également le risque structurel de l'offre de Meta : Muse Spark 1.2 n'a qu'un seul fournisseur, ce qui en fait par construction un point de défaillance unique. Le basculement automatique entre fournisseurs fait la différence entre un mauvais après-midi pour Meta qui devient un mauvais après-midi pour votre agent, ou non.

C'est aussi pourquoi la version 1.2 est sortie en silence et lentement.

Muse Spark 1.2 est apparu sur l'API de Meta le 5 août, sans annonce ni changement de chiffres — même contexte de 1M, mêmes 1,25 $ et 4,25 $, même sélecteur de raisonnement à cinq niveaux que Muse Spark 1.1. La seule chose qui a bougé a été mesurée de l'extérieur : Artificial Analysis a chronométré le délai avant le premier jeton à 26,12 secondes contre 2,90 secondes pour la 1.1 à l'effort de raisonnement maximal, gagnant trois points à l'Intelligence Index, passant de 51 à 54. Lu comme une version de modèle à usage général, c'est un étrange compromis — neuf fois l'attente pour trois points.

Lu comme la moitié modèle d'un agent co-entraîné, c'est le compromis évident. Personne attendant une refactorisation de douze fichiers ne remarque vingt-six secondes de planification ; la personne qui attend une complétion de chat, elle, remarque tout cela. Meta ne livrait pas un modèle de chat discrètement en espérant que personne ne mesure la latence. Elle livrait le moteur avant la voiture, et l'annonce est arrivée en même temps que la voiture. La page développeur de Muse Spark de Meta affiche désormais 1.2 également.

Le corollaire est un avertissement pour quiconque a adopté cette famille pour son étendue. Muse Spark 1.1 a été vendu comme un modèle de raisonnement multimodal — texte, images, vidéo, audio et PDF, utile pour la recherche multimédia. Le positionnement de la version 1.2 est le développement logiciel, et ses supports de lancement sont un agent de codage. La surface multimodale n'a pas été retirée, mais ce n'est plus ce que Meta optimise ou fait la publicité, et personne en dehors de Meta n'a publié de résultat vidéo ou audio pour la version 1.2.

Là où Muse Code est encore mince

• C'est une version bêta, et étiquetée comme telle. Rien concernant la garantie du journal d'événements n'a été vérifié par quiconque en dehors de Meta.

• macOS et Linux uniquement. Les développeurs Windows sont sous WSL ou rien, ce qui est une véritable contrainte pour les parcs d'entreprise plutôt qu'un simple désagrément.

• Terminal uniquement. Pas d'interface graphique, pas d'intégration IDE et pas d'agents parallèles hébergés dans le cloud comme ceux que propose déjà Codex. Les supports de lancement de Meta ne mentionnent pas la prise en charge de MCP.

• Aucune méthodologie publiée derrière les graphiques de benchmark, et aucune évaluation indépendante à ce jour ni de l'agent ni des sous-scores de codage de Muse Spark 1.2. Artificial Analysis dispose d'un indice composite pour 1.2 mais pas de la ventilation par benchmark des scores de codage et d'agentique qu'elle publie pour 1.1 — et le score agentique de 1.1 était sa dimension la plus faible de loin, ce qui en fait précisément le chiffre qui permettrait de se prononcer sur cette version.

• Meta est en retard. Claude Code et Codex ont une année d'habitude, des écosystèmes de plugins et des flux de travail d'équipe construits autour d'eux. Un journal d'événements à l'épreuve des crashs est une bonne raison d'essayer quelque chose ; ce n'est pas en soi une raison de faire migrer une équipe.

Les questions que les gens se posent réellement

Muse Code est-il gratuit ?

Non, mais il n'y a pas non plus d'abonnement — contrairement aux formules Claude Code et Codex avec lesquelles il est en concurrence, Muse Code facture uniquement par token via l'API Meta Model. Le coût dépend donc du volume de contexte de dépôt que vos sessions poussent, et non du nombre d'utilisateurs, ce qui favorise les utilisateurs intensifs occasionnels et pénalise les agents toujours actifs. Le palier contributeur est suffisamment proche du gratuit pour que le prix ne constitue pas un véritable obstacle à l'essai.

Le palier contributeur s'entraîne-t-il sur mon code privé ?

Les conditions de Meta pour ce niveau sont que les données peuvent être utilisées pour améliorer ses modèles, et les invites d'un agent de codage contiennent votre code. Meta déclare que les invites de niveau standard ne sont pas utilisées pour améliorer ses produits ; c'est le niveau à utiliser pour tout ce qui est propriétaire. Traitez ce choix comme une décision de traitement des données avec une remise attachée, et non comme une préférence de facturation — et notez que la remise s'applique par jeton, donc l'incitation à rétrograder discrètement augmente exactement comme votre utilisation.

Puis-je utiliser Muse Spark 1.2 avec Claude Code ou mon propre agent ?

Le modèle est disponible via l'API Meta Model indépendamment de Muse Code, donc oui pour tout ce qui accepte un endpoint personnalisé. Ce que vous n'obtiendrez pas, c'est l'appairage co-entraîné que Meta crédite pour ses résultats de benchmark, et l'attente honnête est qu'un modèle exécuté en dehors du harnais avec lequel il a été ajusté obtienne des scores inférieurs au chiffre du graphique. Si l'objectif est d'évaluer le modèle plutôt que l'agent, exécutez-le contre Claude Opus 5 et GPT-5.6 Terra dans votre propre harnais et ignorez complètement la présentation.

Qui devrait l'installer cette semaine

Si vous exécutez des tâches autonomes à long horizon — migrations, mises à niveau de dépendances dans un monorepo, tout ce que vous surveilleriez actuellement de près parce que l'agent perd le fil — Muse Code vaut bien un après-midi sur un clone jetable. Le journal des événements et les agents d'arrière-plan persistants visent exactement ce mode de défaillance, et le déficit de benchmark est le plus faible là où la durée des tâches est la plus longue.

Si vous êtes sur une base de code open-source ou non sensible et que le coût est votre contrainte décisive, le palier contributeur est le chiffre le plus intéressant du marché des agents de codage en ce moment, et 0,66 centime par étape n'est pas une faute de frappe.

Si vous faites tourner une équipe sur Claude Code ou Codex sur un dépôt propriétaire, rien ici ne force encore la main. Muse Code est deuxième ou troisième sur tous les classements que son propre fournisseur a retenus, les prix du niveau standard sont à parité avec le reste du marché plutôt qu'en dessous, et le différenciateur est une propriété de fiabilité que personne en dehors de Meta n'a testée. Ce qu'il faut surveiller, ce n'est pas le prochain benchmark. C'est de savoir si le journal d'événements tient le coup quand quelqu'un qui ne travaille pas chez Meta y fait passer mille appels d'outils.