Muse Code: Meta bracht een coding-agent uit die op zijn eigen benchmark verliest

Leveranciers publiceren meestal niet de grafiek waarin ze tweede worden. Meta publiceerde er drie. In de lanceringsdeck voor Muse Code — de terminal-codeeragent die Meta Superintelligence Labs op 5 augustus 2026 uitbracht, draaiend op dezelfde dag Muse Spark 1.2 — Claude Opus 5 staat bovenaan op elk bord dat Meta koos om te tonen, inclusief degene die Meta zelf heeft gebouwd en controleert. Op Terminal-Bench 2.1 is het verschil 3,8 punten. Op DeepSWE 1.1 is het 5,7, met GPT-5.6 Terra ook bovenaan. Op Meta's eigen interne codeerbenchmark is het 8,8. De virale versie van deze lancering — "59% op DeepSWE 1.1, beter presterend dan Grok 4.5 en Gemini 3.6 Flash" — is waar, en het is de smalste ware uitspraak die beschikbaar is.

Dat maakt de lancering interessanter, niet minder. Meta heeft een benchmarkdeck uitgebracht waarmee het niet wint, en heeft het toch uitgebracht, omdat de score niet is wat het verkoopt. Wat het verkoopt is een runtime die een 24-uursklus overleeft, en een prijs die het veld met meer dan een orde van grootte onderbiedt — zolang je bereid bent om Meta je repository te laten lezen. Elk benchmarkcijfer hieronder komt uit Meta's eigen grafieken, die zonder methodologie zijn gepubliceerd; waar een onafhankelijke meting bestaat, vermeldt de zin dat.

Wat Meta daadwerkelijk heeft uitgebracht

Twee dingen op dezelfde dag, bewust gekoppeld.

• Muse Code — een terminal-code-agent, publieke bèta, geïnstalleerd met één regel: curl -fsSL https://dev.meta.ai/install.sh | bash. Alleen macOS en Linux; er is geen native Windows-build, geen GUI en geen IDE-extensie. Meta beschrijft zijn taak als het aanpakken van complexe software-engineering in grote repositories — veranderingen plannen, code schrijven, resultaten valideren.

• Muse Spark 1.2 — een op coderen gerichte revisie van Meta's redeneringsmodel, met een context van 1.048.576 tokens, beschikbaar in Muse Code en via de Meta Model API in openbare preview. Meta zegt dat het de training-rekenkracht voor coderingstaken heeft opgeschaald en de diversiteit van trainingsomgevingen heeft vergroot, met als doel langdurig werk: generatie van complete repositories, refactoring van meerdere bestanden en uitgebreid debuggen.

De koppeling is de claim. Meta stelt dat de twee samen zijn getraind en dat de combinatie daardoor "beter toolgebruik, minder nieuwe pogingen en output van hogere kwaliteit oplevert dan een generieke wrapper rond een extern model." Dat is Meta's formulering en Meta's bewering; geen derde partij heeft het model in een concurrerende testomgeving getest om te controleren of de co-trainingpremie echt is of dat Muse Spark 1.2 zich simpelweg gedraagt als een competent codeermodel waar je het ook neerzet.

Drie gebundelde skills worden met de agent meegeleverd, en ze beschrijven de beoogde werkwijze beter dan de marketingtekst doet: /plan produceert een plan dat goedgekeurd moet worden voordat er iets wordt geschreven, /grill stelt dat plan op de proef, en /goal stuwt richting voltooiing van een gesteld doel. Plan, val het plan aan, voer dan uit — dat is het patroon waar ervaren Claude Code- en Codex-gebruikers handmatig op uitkwamen, nu meegeleverd als volwaardige commando's.

Het benchmarkdeck, eerlijk gelezen.

Meta publiceerde vergelijkingen over Terminal-Bench 2.1, DeepSWE 1.1, zijn eigen Meta Internal Coding Bench en GDPval. De cijfers, zoals gerapporteerd door Meta:

• Terminal-Bench 2.1 — Claude Opus 5 op maximale inspanning 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%. Tweede plaats, en de nummers twee tot en met vier liggen 1,3 punten uit elkaar.

• DeepSWE 1.1 — Claude Opus 5 65,0%, GPT-5.6 Terra 64,8%, Muse Spark 1.2 59,3%. Derde plaats, en het enige scorebord waar het verschil beslissend is in plaats van cosmetisch.

• Meta Internal Coding Bench — Claude Opus 5 79,4%, Muse Spark 1.2 70,6%. Meta's thuiswedstrijd, en Meta's ruimste nederlaag.

• Generatie na generatie — Meta rapporteert +6.7 punten op Terminal-Bench en +6.3 op DeepSWEE tegenover Muse Spark 1.1. Dat zijn de grootste cijfers in de presentatie, en het zijn de cijfers waar een Muse Spark 1.1-gebruiker zich daadwerkelijk om zou moeten bekommeren.

Eén rekenkundige hapering is het vermelden waard, omdat het de reden is om al het bovenstaande als richtinggevend te beschouwen. Als je Meta's +6.7 eruit haalt, komt Muse Spark 1.1 uit op ongeveer 76% op Terminal-Bench 2.1 — maar het openbare tbench.ai-klassement vermeldt al sinds eind juli een geverifieerde 80.0% voor Muse Spark 1.1. Beide getallen kunnen eerlijk zijn en toch verschillen, omdat een Terminal-Bench-rij geen modelscore is. Het is een score voor een harness plus een model plus een inspanningsinstelling, en Meta's interne harness voor 1.1 was niet degene die tbench draaide. Dat ene feit richt meer schade aan bij het vergelijken van benchmarks tussen leveranciers dan welk individueel betwist cijfer dan ook, en het leidt direct naar de volgende sectie.

De runtime is het product

Verwijder de scores en wat overblijft is een technische pitch over niet sterven. Twee mechanismen dragen het.

Het eerste is het gebeurtenislogboek. Muse Code voegt elke modelaanroep, elke tooluitvoering, elke goedkeuring en elke bewerking toe aan een lokaal logboek, dat Meta omschrijft als het maken van de sessie replay-exact en herstartveilig: kill het, laat het crashen, verlies de machine, en de agent hervat precies waar hij stopte in plaats van zijn context helemaal opnieuw af te leiden. Concurrenten hebben crashherstel van wisselende kwaliteit; geen van hen heeft het tot het hoofdonderwerp gemaakt. Het is trouwens ook een audit-artefact — een complete lokale administratie van wat een autonoom proces met je working tree heeft gedaan, precies het document waar een beveiligingsreview om vraagt en dat de meeste agent-CLI's niet kunnen produceren.

De tweede is wat Meta asynchrone achtergrondagenten noemt. Het onderscheid met gewone subagenten is dat ze niet per subtask worden aangemaakt en afgebroken; ze blijven gedurende de sessie actief, voeren zelfstandig volgende stappen uit en bepalen zelf wanneer ze terugkoppelen naar de hoofdloop. Het beweerde voordeel is lagere latentie, omdat de orkestrator niet bij elke delegatie opstartkosten betaalt.

Het ondersteunende bewijs van Meta is één casestudy: Muse Code die 24 uur lang draait bij meer dan 1.000 tool-aanroepen, waarbij GPU-kernels op NVIDIA Hopper-hardware autonoom worden geoptimaliseerd, met wat Meta aanzienlijke verbeteringen ten opzichte van de meegeleverde basisimplementatie noemt. Er is geen snelheidswinstcijfer gepubliceerd, dus de interessante grootheid is niet het resultaat maar de duur. Duizend tool-aanroepen zonder menselijke redding is een ander faaloppervlak dan een refactor van vijftig aanroepen, en het is een werklast waarbij een benchmarktekort van 3,8 punten veel minder uitmaakt dan of het proces na negen uur nog actief is.

De prijs is het wapen — en een deel ervan wordt in broncode betaald

Er is geen Muse Code-abonnement. De rekening wordt betaald in tokens, op een van twee niveaus, en het verschil daartussen is het meest agressieve aspect van deze lancering:

• Standaard — $1.25 per miljoen invoertokens, $0.15 per miljoen gecachte invoer, $4.25 per miljoen uitvoer. Prompts op dit niveau worden niet gebruikt om Meta's producten te verbeteren.

• Bijdrager — $0,10 per miljoen input, $0,002 per miljoen gecachte input, $0,20 per miljoen output. In ruil daarvoor mag Meta de gegevens gebruiken om zijn modellen te verbeteren.

Dat is 12,5x goedkoper op input, 21x goedkoper op output en 75x goedkoper op gecachte input. Pas je het toe op een realistische agentstap — 60.000 tokens repositorycontext erin, 3.000 tokens plan-en-patch eruit — dan zijn de vier hoeken van het prijsgrid verbluffend. Standard-tier met een koude prompt: 8,8 cent per stap, $87,75 per duizend stappen. Standard-tier met de repositorycontext die de cache raakt: 2,2 cent, $21,75 per duizend. Contributor-tier koud: 0,66 cent, $6,60 per duizend. Contributor-tier met een warme cache: $0,72 voor dezelfde duizend stappen.

Hetzelfde werk, tegen 122x de kosten of 1/122e daarvan, afhankelijk van twee keuzes. Meta's eigen 24-uurs kernelrun met 1.000 aanroepen kost ruwweg negentig dollar aan tokens op de laag die je gegevens beschermt, en minder dan een dollar op de laag die dat niet doet.

Dat is de daadwerkelijke beslissing die deze lancering aan teams voorlegt, en het is geen prijsbeslissing. Een terminal-codeeragent leest je codebase — dat is zijn volledige functie — dus de prompts op de contributor-tier bevatten je broncode, je interne API's, je opmerkingen over waarom de workaround bestaat, en welke testfixtures je repo ook maar bevat. Voor een zijproject of een open-sourceboom is de contributor-tier bijna gratis geld. Voor een propriëtaire codebase, of elke repository die binnen bereik van klantgegevens ligt, is het een licentiebeslissing verkleed als een korting, en die hoort thuis bij degene die de gegevensverwerking goedkeurt, in plaats van bij degene die naar de cloudrekening kijkt. Meta heeft het met een 12x korting geprijsd, omdat de data voor Meta op zijn minst dat bedrag waard is.

Wat je niet via de API kunt krijgen

De 82,9% behoort toe aan Muse Spark 1.2 binnen Muse Code. Als je het model vanuit je eigen agentframework aanroept, heb je de modelhelft van die combinatie gekocht en niets van de harnesshelft — geen eventlog, geen persistente achtergrondagents, en, als Meta's co-trainingclaim iets betekent, ook niets van het afgestemde toolgebruiksgedrag. Er zijn hier dus twee afzonderlijke evaluaties en ze door elkaar halen is de makkelijkste fout die je deze week kunt maken: verslaat Muse Code de agent die je al draait, en is Muse Spark 1.2 een beter model dan wat je momenteel aanroept?

De tweede vraag is de goedkopere om te beantwoorden, omdat je alleen je harness constant hoeft te houden en het model eronder hoeft te verwisselen. Het is de moeite waard om precies te zijn over beschikbaarheid: Muse Spark 1.2 wordt rechtstreeks door Meta geleverd en staat niet in de OrcaRouter-catalogus. Muse Spark 1.1 is er wel, tegen $1,25 en $4,25 — exact Meta's lijstprijs, omdat OrcaRouter 0% opslag toevoegt en de providerprijzen rechtstreeks doorberekent. Dat is ook de reden waarom een prijswijziging van de leverancier bij ons op de dag zelf zichtbaar is in plaats van pas na een contractcyclus. Onze zeven dagen productietelemetrie voor 1.1 toont een p50 time-to-first-token van 1,84 seconden en een p95 van 6,00 seconden — wat een nuttigere latentieverwachting is dan je van welke benchmark-harness dan ook zou krijgen.

De praktische waarde van één gateway in een week als deze is dat de vergelijkingsset — Claude Opus 5, GPT-5.6 Terra, Grok 4.5, Gemini 3.6 Flash en Muse Spark 1.1 — achter één sleutel tegen de lijstprijs zit, waardoor een A/B-test een stringwijziging is in plaats van een inkooptraject. Het dekt ook het structurele risico van Meta's aanbod af: Muse Spark 1.2 heeft precies één provider, waardoor het per definitie een single point of failure is. Automatische failover tussen providers is het verschil tussen een vervelende middag voor Meta die ook een vervelende middag voor jouw agent is, of niet.

Dit is ook waarom 1.2 stil en langzaam werd uitgebracht

Muse Spark 1.2 verscheen op 5 augustus op Meta's API zonder aankondiging en zonder gewijzigde cijfers — dezelfde 1M context, dezelfde $1,25 en $4,25, dezelfde vijfdelige redeneerregelaar als Muse Spark 1.1. Het enige dat bewoog, werd van buitenaf gemeten: Artificial Analysis noteerde een time-to-first-token van 26,12 seconden tegenover 2,90 seconden bij 1.1 op maximale redeneerinspanning, wat drie punten opleverde op de Intelligence Index, van 51 naar 54. Als release van een algemeen inzetbaar model is dat een vreemde ruil — negen keer zo lang wachten voor drie punten.

Opgevat als de modelhelft van een gezamenlijk getrainde agent, is het de voor de hand liggende afweging. Niemand die wacht op een refactor van twaalf bestanden merkt zesentwintig seconden planning op; de persoon die wacht op een chatvoltooiing merkt het allemaal op. Meta bracht niet stilletjes een chatmodel uit in de hoop dat niemand de latentie zou meten. Meta leverde de motor vóór de auto, en de aankondiging kwam toen de auto arriveerde. De ontwikkelaarspagina van Meta's Muse Spark vermeldt nu ook 1.2.

Het gevolg is een waarschuwing voor iedereen die deze familie heeft omarmd vanwege zijn breedte. Muse Spark 1.1 werd verkocht als een multimodaal redeneermodel — tekst, afbeeldingen, video, audio en pdf's, geschikt voor onderzoek met gemengde media. De positionering van versie 1.2 is softwarewerk, en het lanceringmateriaal is een codeeragent. Het multimodale oppervlak is niet verwijderd, maar het is niet langer waar Meta op optimaliseert of adverteert, en niemand buiten Meta heeft een video- of audioresultaat voor 1.2 gepubliceerd.

Waar Muse Code nog dun is

• Het is bèta, en is als zodanig gelabeld. Niets over de event-loggarantie is door iemand buiten Meta geverifieerd.

• Alleen macOS en Linux. Voor Windows-ontwikkelaars is er WSL of niets, wat voor enterprise-vloten een reële beperking is in plaats van een ongemak.

• Alleen terminal. Geen GUI, geen IDE-integratie en geen cloud-gehoste parallelle agents van het soort dat Codex al biedt. Meta's lanceringsmateriaal vermeldt geen MCP-ondersteuning.

• Geen gepubliceerde methodologie achter een van de benchmarkgrafieken, en nog geen onafhankelijke evaluatie van de agent noch van de coding-sub-scores van Muse Spark 1.2. Artificial Analysis heeft een samengestelde index voor 1.2 maar niet de per-benchmark uitsplitsing van coding en agentic die het voor 1.1 publiceert — en de agentic-score van 1.1 was met afstand de zwakste dimensie, wat het precies het cijfer maakt dat deze release zou beslechten.

• Meta is laat. Claude Code en Codex hebben een jaar aan gewoonte, plugin-ecosystemen en teamworkflows om zich heen opgebouwd. Een crashbestendig eventlog is een goede reden om iets te proberen; het is op zich geen reden om een team te laten overstappen.

Vragen die mensen daadwerkelijk stellen

Is Muse Code gratis?

Nee, maar er is ook geen abonnement — in tegenstelling tot de Claude Code- en Codex-plannen waarmee het concurreert, factureert Muse Code puur per token via de Meta Model API. De kosten schalen dus met de hoeveelheid repository-context die je sessies versturen, niet met het aantal zitplaatsen, wat incidentele zware gebruikers bevoordeelt en altijd-actieve agents benadeelt. De contribuantenlaag zit dicht genoeg bij gratis dat de prijs geen echte drempel is om het uit te proberen.

Train het contributorniveau op mijn privécode?

Meta's voorwaarden voor dat niveau zijn dat de gegevens mogen worden gebruikt om haar modellen te verbeteren, en de prompts van een codeeragent bevatten jouw code. Meta stelt dat prompts op standaardniveau niet worden gebruikt om haar producten te verbeteren; dat is het niveau dat je moet gebruiken voor alles wat propriëtair is. Behandel de keuze als een beslissing over gegevensverwerking met een korting eraan verbonden, niet als een facturatievoorkeur — en merk op dat de korting per token geldt, dus de prikkel om stilletjes te downgraden groeit precies met je gebruik mee.

Kan ik Muse Spark 1.2 gebruiken met Claude Code of mijn eigen agent?

Het model is beschikbaar via de Meta Model API, onafhankelijk van Muse Code, dus ja, voor alles wat een aangepast endpoint accepteert. Wat je niet zult krijgen is de co-getrainde combinatie waaraan Meta zijn benchmarkresultaten te danken heeft, en de eerlijke verwachting is dat een model dat buiten de harness draait waarmee het is getuned, lager scoort dan het getal in de grafiek. Als het doel is om het model te evalueren in plaats van de agent, voer het dan uit tegen Claude Opus 5 en GPT-5.6 Terra in je eigen harness en negeer de presentatie volledig.

Wie moet het deze week installeren

Als je langdurige autonome taken draait — migraties, afhankelijkheidsupgrades in een monorepo, alles wat je momenteel in de gaten zou houden omdat de agent zijn plek kwijtraakt — is Muse Code een middag waard op een wegwerp-kloon. Het gebeurtenislogboek en de persistente achtergrondagenten zijn precies op die faalmodus gericht, en het benchmarktekort is het kleinst waar de taakduur het langst is.

Als je werkt aan een open-source of niet-gevoelige codebase en kosten de bepalende factor zijn, dan is de contributor-tier het meest interessante getal in de coding-agentmarkt op dit moment, en 0,66 cent per stap is geen typfout.

Als je een team draait op Claude Code of Codex tegen een bedrijfseigen repository, is er hier nog niets dat een overstap afdwingt. Muse Code staat tweede of derde op elke ranglijst die de eigen leverancier heeft geselecteerd, de prijzen van het standaardniveau liggen op gelijke hoogte met het veld in plaats van eronder, en het onderscheidend vermogen is een betrouwbaarheidseigenschap die niemand buiten Meta heeft getest. Waar je op moet letten is niet de volgende benchmark. Het is de vraag of het eventlog standhoudt wanneer iemand die niet bij Meta werkt er duizend toolcalls doorheen draait.