Muse Code: Meta wypuściła agenta kodowania, który przegrywa na własnym benchmarku.

Dostawcy zwykle nie publikują wykresów, na których zajmują drugie miejsce. Meta opublikowała trzy takie wykresy. W decku premierowym Muse Code — terminalowego agenta kodującego, którego Meta Superintelligence Labs wydała 5 sierpnia 2026 roku, działającego na wydanym tego samego dnia Muse Spark 1.2 — Claude Opus 5 wyprzedza wszystkich na każdej liście, którą Meta postanowiła pokazać, w tym na tej, którą Meta stworzyła i kontroluje sama. Na Terminal-Bench 2.1 różnica wynosi 3,8 punktu. Na DeepSWE 1.1 — 5,7, a GPT-5.6 Terra również jest wyżej. Na wewnętrznym benchmarku kodowania Meta jest to 8,8. Wiralowa wersja tej premiery — „59% na DeepSWE 1.1, przewyższając Grok 4.5 i Gemini 3.6 Flash" — jest prawdziwa i jest to najwęższe dostępne prawdziwe stwierdzenie.

Co czyni premierę bardziej interesującą, a nie mniej. Meta wypuściła zestaw benchmarków, w którym nie zwycięża, i tak go wypuściła, bo wynik nie jest tym, co sprzedaje. Tym, co sprzedaje, jest środowisko uruchomieniowe, które przetrwa 24-godzinne zadanie, oraz cena, która przebija konkurencję o ponad rząd wielkości — pod warunkiem, że jesteś gotów pozwolić Meta czytać twoje repozytorium. Każda poniższa liczba z benchmarków pochodzi z wykresów Meta, które opublikowano bez metodologii; tam, gdzie istnieje niezależny pomiar, zdanie to stwierdza.

Co Meta faktycznie wypuściła

Dwie rzeczy tego samego dnia, celowo powiązane.

• Muse Code — terminalowy agent kodowania w publicznej becie, instalowany jedną linią poleceń: curl -fsSL https://dev.meta.ai/install.sh | bash. Tylko macOS i Linux; nie ma natywnej wersji dla Windows, nie ma GUI ani rozszerzenia IDE. Meta opisuje jego zadanie jako podejmowanie się złożonej inżynierii oprogramowania w dużych repozytoriach — planowanie zmian, pisanie kodu i walidację wyników.

• Muse Spark 1.2 — wersja modelu rozumowania Meta skupiona na kodowaniu, z kontekstem 1 048 576 tokenów, dostępna w Muse Code oraz przez API Meta Model w publicznej wersji zapoznawczej. Meta podaje, że zwiększyła moc obliczeniową treningu w zadaniach kodowania i poszerzyła różnorodność środowisk treningowych, a celem jest praca długookresowa: generowanie całych repozytoriów, refaktoryzacja wielu plików, rozszerzone debugowanie.

Sednem jest to połączenie. Meta twierdzi, że oba modele były współtrenowane, a zatem takie połączenie zapewnia „lepsze wykorzystanie narzędzi, mniej ponownych prób i wyższą jakość wyników niż generyczna otoczka wokół zewnętrznego modelu”. To sformułowanie i twierdzenie Meta; żadna strona trzecia nie przetestowała modelu w konkurencyjnym środowisku, aby sprawdzić, czy premia za współtrenowanie jest realna, czy też Muse Spark 1.2 po prostu zachowuje się jak kompetentny model kodowania, gdziekolwiek go umieścisz.

Agent jest dostarczany z trzema dołączonymi umiejętnościami, które lepiej opisują zamierzony styl pracy niż teksty marketingowe: /plan tworzy plan wymagający zatwierdzenia, zanim cokolwiek zostanie napisane, /grill poddaje ten plan stres-testowi, a /goal popycha do realizacji zadeklarowanego celu. Planuj, atakuj plan, potem wykonuj — to wzorzec, do którego doświadczeni użytkownicy Claude Code i Codex dochodzili ręcznie, a który teraz jest dostępny jako pełnoprawne polecenia.

Talia benchmarkowa, czytana uczciwie.

Meta opublikowała porównania na Terminal-Bench 2.1, DeepSWE 1.1, swoim własnym Meta Internal Coding Bench oraz GDPval. Liczby, według raportu Meta:

• Terminal-Bench 2.1 — Claude Opus 5 przy maksymalnym wysiłku w Claude Code 86,7%, Muse Spark 1.2 w Muse Code 82,9%, GPT-5.6 Terra w Codex 81,8%, Grok 4.5 w Grok Build 81,6%. Drugie miejsce, a od drugiego do czwartego miejsca dzieli 1,3 punktu.

• DeepSWE 1.1 — Claude Opus 5 65.0%, GPT-5.6 Terra 64.8%, Muse Spark 1.2 59.3%. Trzecie miejsce i jedyny ranking, w którym różnica jest decydująca, a nie kosmetyczna.

• Meta Internal Coding Bench — Claude Opus 5 79,4%, Muse Spark 1.2 70,6%. To domowy mecz Meta i jej największa porażka.

• Z generacji na generację — Meta raportuje +6,7 punktu w Terminal-Bench i +6,3 punktu w DeepSWE względem Muse Spark 1.1. To największe liczby w prezentacji i to właśnie na nich powinien faktycznie skupić się użytkownik Muse Spark 1.1.

Warto wymienić jedną arytmetyczną przeszkodę, ponieważ to ona jest powodem, aby traktować wszystko powyższe jako kierunkowe. Po odjęciu tych +6.7 od Meta, Muse Spark 1.1 ląduje blisko 76% w Terminal-Bench 2.1 — ale publiczny leaderboard tbench.ai od końca lipca notuje zweryfikowane 80.0% dla Muse Spark 1.1. Obie liczby mogą być uczciwe i mimo to się różnić, bo wiersz w Terminal-Bench to nie wynik modelu. To wynik dla konkretnego harnessu, modelu i ustawienia nakładu pracy, a wewnętrzny harness Meta dla 1.1 nie był tym, którego użył tbench. Ten jeden fakt bardziej szkodzi porównaniom benchmarków między dostawcami niż jakakolwiek indywidualna sporna liczba i prowadzi wprost do następnej sekcji.

Runtime jest produktem

Usuń wyniki, a pozostanie inżynierska prezentacja o tym, jak nie umrzeć. Niosą ją dwa mechanizmy.

Pierwszym z nich jest dziennik zdarzeń. Muse Code dopisuje każde wywołanie modelu, każde uruchomienie narzędzia, każdą akceptację i każdą edycję do lokalnego dziennika, który — zdaniem Meta — czyni sesję dokładnie odtwarzalną i bezpieczną przy restarcie: zabij go, wywołaj awarię, strać maszynę, a agent wznawia dokładnie tam, gdzie się zatrzymał, zamiast odtwarzać swój kontekst od zera. Konkurenci mają odzyskiwanie po awarii różnej jakości; żaden z nich nie uczynił z tego głównego tematu. Przy okazji jest to także artefakt audytowy — kompletny lokalny zapis tego, co autonomiczny proces zrobił z Twoim drzewem roboczym, czyli dokładnie ten dokument, o jaki prosi przegląd bezpieczeństwa, a jakiego większość interfejsów CLI dla agentów nie potrafi wygenerować.

Drugim z nich jest to, co Meta nazywa asynchronicznymi agentami działającymi w tle. Różnica w stosunku do zwykłych podagentów polega na tym, że nie są one tworzone na potrzeby każdego podzadania i usuwane po jego zakończeniu; pozostają aktywne przez całą sesję, samodzielnie wykonują kolejne kroki i same decydują, kiedy zgłosić wyniki do pętli głównej. Deklarowaną korzyścią jest niższe opóźnienie, ponieważ orkiestrator nie ponosi kosztów uruchamiania za każdym razem, gdy deleguje zadanie.

Dowody wspierające Meta to jedno studium przypadku: Muse Code działający przez 24 godziny przy ponad 1000 wywołań narzędzi, autonomicznie optymalizując jądra GPU na sprzęcie NVIDIA Hopper, z — jak to określa Meta — znaczną poprawą względem dostarczonej implementacji bazowej. Nie opublikowano żadnej liczby dotyczącej przyspieszenia, więc interesującą wielkością jest nie wynik, ale czas trwania. Tysiąc wywołań narzędzi bez ludzkiej interwencji to inna powierzchnia awarii niż refaktor po pięćdziesięciu wywołaniach, a to obciążenie, w którym deficyt 3,8 punktu w benchmarku znaczy znacznie mniej niż to, czy proces wciąż żyje w dziewiątej godzinie.

Cena jest bronią — a część z niej płaci się kodem źródłowym.

Nie ma subskrypcji Muse Code. Rozliczenie odbywa się za pomocą tokenów, w jednym z dwóch poziomów, a różnica między nimi jest najbardziej agresywną rzeczą w tej premierze:

• Standard — $1.25 za milion tokenów wejściowych, $0.15 za milion tokenów wejściowych z pamięci podręcznej, $4.25 za milion tokenów wyjściowych. Monity w tej taryfie nie są wykorzystywane do ulepszania produktów Meta.

• Kontrybutor — 0,10 USD za milion tokenów wejściowych, 0,002 USD za milion tokenów wejściowych z pamięci podręcznej, 0,20 USD za milion tokenów wyjściowych. W zamian Meta może wykorzystywać dane do ulepszania swoich modeli.

To jest 12,5x taniej na wejściu, 21x taniej na wyjściu i 75x taniej na wejściu z cache. Przepuść to przez realistyczny krok agenta — 60 000 tokenów kontekstu repozytorium na wejściu, 3 000 tokenów planu i łatki na wyjściu — a cztery rogi siatki cenowej są zdumiewające. Poziom standardowy z zimnym promptem: 8,8 centa za krok, 87,75 USD za tysiąc kroków. Poziom standardowy z kontekstem repozytorium trafiającym do cache: 2,2 centa, 21,75 USD za tysiąc. Poziom dla kontrybutorów na zimno: 0,66 centa, 6,60 USD za tysiąc. Poziom dla kontrybutorów z ciepłym cache: 0,72 USD za ten sam tysiąc kroków.

Ta sama praca kosztuje 122 razy więcej lub 1/122 tej kwoty, w zależności od dwóch wyborów. Własny 24-godzinny przebieg jądra Meta z 1000 wywołań to koszt około dziewięćdziesięciu dolarów za tokeny w warstwie chroniącej Twoje dane i poniżej dolara w warstwie, która tego nie robi.

To jest faktyczna decyzja, przed którą ta premiera stawia zespoły — i nie jest to decyzja cenowa. Terminalowy agent kodujący czyta twoją bazę kodu — to cała jego funkcja — więc prompty na poziomie contributora zawierają twój kod źródłowy, twoje wewnętrzne API, twoje komentarze o tym, dlaczego obejście istnieje, oraz wszelkie fixtury testowe, które akurat znajdują się w twoim repozytorium. Dla projektu pobocznego lub drzewa open source poziom contributora to niemal darmowe pieniądze. Dla zastrzeżonej bazy kodu lub jakiegokolwiek repozytorium mającego dostęp do danych klientów to decyzja licencyjna w szatach rabatu i powinna trafić do osoby zatwierdzającej przetwarzanie danych, a nie do osoby pilnującej rachunku za chmurę. Meta wyceniła to z 12-krotnym rabatem, ponieważ dane są dla Meta warte co najmniej tyle.

Czego nie możesz uzyskać przez API

82.9% należy do Muse Spark 1.2 w Muse Code. Jeśli wywołujesz model z własnego frameworka agentowego, kupiłeś modelową połowę tego połączenia, ale nie kupiłeś żadnej części uprzęży — bez logu zdarzeń, bez trwałych agentów w tle i, jeśli twierdzenie Meta o wspólnym trenowaniu cokolwiek znaczy, również bez dostrojonego zachowania narzędzi. Mamy więc tu dwie odrębne oceny, a ich pomylenie to najłatwiejszy błąd tego tygodnia: czy Muse Code pokonuje agenta, którego już używasz, i czy Muse Spark 1.2 jest lepszym modelem niż ten, którego obecnie wywołujesz?

Odpowiedź na drugie pytanie jest tańsza, ponieważ wymaga jedynie utrzymania harnessu bez zmian i podmiany modelu pod spodem. Warto doprecyzować kwestię dostępności: Muse Spark 1.2 jest serwowany bezpośrednio przez Meta i nie ma go w katalogu OrcaRouter. Muse Spark 1.1 jest dostępny w cenie 1,25 USD i 4,25 USD — dokładnie w cenie listowej Meta, ponieważ OrcaRouter dolicza 0% marży i przekazuje ceny dostawcy bez zmian. Dlatego też zmiana ceny u dostawcy pojawia się po naszej stronie tego samego dnia, w którym nastąpi, a nie po zakończeniu cyklu umownego. Nasza siedmiodniowa telemetria produkcyjna dla wersji 1.1 pokazuje p50 czasu do pierwszego tokenu na poziomie 1,84 sekundy i p95 na poziomie 6,00 sekund, co jest bardziej użyteczną prognozą opóźnień niż jakikolwiek harness benchmarkowy.

Praktyczna wartość pojedynczej bramki w takim tygodniu jak ten polega na tym, że zestaw porównawczy — Claude Opus 5, GPT-5.6 Terra, Grok 4.5, Gemini 3.6 Flash i Muse Spark 1.1 — znajduje się za jednym kluczem w cenie katalogowej, więc test A/B to zmiana ciągu znaków, a nie procedura zakupowa. Obejmuje również ryzyko strukturalne w ofercie Meta: Muse Spark 1.2 ma dokładnie jednego dostawcę, co z założenia czyni go pojedynczym punktem awarii. Automatyczne przełączanie awaryjne między dostawcami to różnica między tym, czy złe popołudnie Meta jest złym popołudniem dla twojego agenta, czy nie.

To również dlatego wersja 1.2 została wydana po cichu i powoli.

Muse Spark 1.2 pojawiło się w API Meta 5 sierpnia bez ogłoszenia i bez zmienionych liczb — ten sam kontekst 1M, te same $1.25 i $4.25, ten sam pięciopoziomowy suwak rozumowania co w Muse Spark 1.1. Jedyną rzeczą, która się zmieniła, było zmierzone z zewnątrz: Artificial Analysis zmierzyło czas do pierwszego tokenu na 26.12 sekundy wobec 2.90 sekundy w wersji 1.1 przy maksymalnym wysiłku rozumowania, co przyniosło trzy punkty wskaźnika inteligencji, z 51 na 54. Traktując to jako premierę modelu ogólnego przeznaczenia, to dziwna transakcja — dziewięć razy dłuższe czekanie za trzy punkty.

Interpretując to jako modelową połowę wspólnie trenowanego agenta, jest to oczywisty kompromis. Nikt czekający na refaktoryzację dwunastu plików nie zauważa dwudziestu sześciu sekund planowania; osoba czekająca na odpowiedź czatu zauważa to wszystko. Meta nie wypuszczała po cichu modelu czatu, licząc, że nikt nie zmierzy latencji. Wypuszczała silnik przed samochodem, a ogłoszenie nadeszło wraz z samochodem. Strona deweloperska Meta Muse Spark wskazuje teraz również 1.2.

Wniosek jest ostrzeżeniem dla każdego, kto przyjął tę rodzinę ze względu na jej szerokość. Muse Spark 1.1 był sprzedawany jako multimodalny model rozumowania — tekst, obrazy, wideo, audio i pliki PDF, dobry do badań nad mediami mieszanymi. Pozycjonowanie wersji 1.2 to praca z oprogramowaniem, a jej materiałem premiery jest agent kodujący. Warstwa multimodalna nie została usunięta, ale nie jest już tym, co Meta optymalizuje lub reklamuje, i nikt poza Metą nie opublikował wyników wideo ani audio dla wersji 1.2.

Gdzie Muse Code jest jeszcze cienki

• Jest to wersja beta i jest tak oznaczona. Nic na temat gwarancji dziennika zdarzeń nie zostało zweryfikowane przez nikogo spoza Meta.

• Tylko macOS i Linux. Programiści Windows korzystają z WSL albo nie mają żadnej opcji, co jest realnym ograniczeniem dla flot korporacyjnych, a nie tylko niedogodnością.

• Tylko terminal. Brak GUI, brak integracji z IDE i brak równoległych agentów w chmurze, takich jak te, które Codex już oferuje. Materiały Meta dotyczące premiery nie wspominają o wsparciu MCP.

• Brak opublikowanej metodologii stojącej za którymkolwiek z wykresów benchmarkowych i wciąż żadnej niezależnej oceny ani agenta, ani wyników cząstkowych kodowania Muse Spark 1.2. Artificial Analysis ma wskaźnik zbiorczy dla 1.2, ale w przeciwieństwie do 1.1 nie publikuje dla 1.2 per-benchmarkowego rozbicia na kodowanie i zadania agentowe — a wynik agentowy 1.1 był jej najsłabszym wymiarem z dużą przewagą, co czyni go dokładnie tą liczbą, która rozstrzygnęłaby o tej wersji.

• Meta jest spóźniona.Claude Code i Codex mają za sobą rok przyzwyczajeń, ekosystemów wtyczek i przepływów pracy zespołów zbudowanych wokół nich. Odporny na awarie dziennik zdarzeń to dobry powód, by coś wypróbować; sam w sobie nie jest powodem, by przenieść zespół.

Pytania, które ludzie naprawdę zadają

Czy Muse Code jest darmowy?

Nie, ale też nie ma subskrypcji — w przeciwieństwie do planów Claude Code i Codex, z którymi konkuruje, Muse Code rozlicza wyłącznie za tokeny za pośrednictwem Meta Model API. Koszt skaluje się więc z tym, ile kontekstu repozytorium przesyłają Twoje sesje, a nie z liczbą użytkowników, co sprzyja intensywnym, ale okazjonalnym użytkownikom, a karze stale aktywne agenty. Poziom współtwórcy jest na tyle blisko darmowego, że cena nie stanowi realnej bariery do wypróbowania go.

Czy poziom współpracownika trenuje na moim prywatnym kodzie?

Warunki Meta dotyczące tego poziomu przewidują, że dane mogą być wykorzystywane do ulepszania jej modeli, a podpowiedzi agenta kodującego zawierają Twój kod. Meta oświadcza, że podpowiedzi z poziomu standardowego nie są wykorzystywane do ulepszania jej produktów; to poziom, którego należy używać w przypadku wszelkich treści zastrzeżonych. Potraktuj ten wybór jako decyzję o sposobie przetwarzania danych z dołączonym rabatem, a nie jako preferencję rozliczeniową — i zauważ, że rabat naliczany jest za token, więc zachęta do cichego obniżenia poziomu rośnie dokładnie w miarę jak rośnie Twoje użycie.

Czy mogę używać Muse Spark 1.2 z Claude Code lub własnym agentem?

Model jest dostępny przez Meta Model API niezależnie od Muse Code, więc tak — dla wszystkiego, co akceptuje niestandardowy endpoint. Czego nie otrzymasz, to współtrenowanego połączenia, któremu Meta przypisuje wyniki benchmarków, a uczciwe oczekiwanie jest takie, że model uruchomiony poza środowiskiem, z którym był dostrajany, uzyskuje wyniki poniżej liczby z wykresu. Jeśli celem jest ocena modelu, a nie agenta, porównaj go z Claude Opus 5 i GPT-5.6 Terra we własnym środowisku i zignoruj całą prezentację.

Kto powinien to zainstalować w tym tygodniu?

Jeśli uruchamiasz długoterminowe autonomiczne zadania — migracje, aktualizacje zależności w monorepo, cokolwiek, czego obecnie musisz pilnować, bo agent gubi wątek — Muse Code jest warte popołudnia na klonie testowym. Dziennik zdarzeń i trwałe agenty działające w tle są celowane dokładnie w ten tryb awarii, a strata w benchmarkach jest najmniejsza tam, gdzie czas trwania zadania jest najdłuższy.

Jeśli pracujesz na otwartym lub niewrażliwym kodzie, a koszt jest dla ciebie głównym ograniczeniem, to poziom dla kontrybutorów jest obecnie najciekawszą liczbą na rynku agentów kodujących, a 0,66 centa za krok to nie literówka.

Jeśli prowadzisz zespół na Claude Code lub Codex w pracy nad zastrzeżonym repozytorium, nie ma tu jeszcze niczego, co wymuszałoby zmianę. Muse Code jest drugi lub trzeci na każdej liście, którą wybrał jego własny dostawca, ceny w standardowym progu są na równi z konkurencją, a nie poniżej niej, a wyróżnikiem jest właściwość niezawodności, której nikt poza Metą nie testował. Na co warto patrzeć, to nie kolejny benchmark. Chodzi o to, czy dziennik zdarzeń wytrzyma, gdy ktoś, kto nie pracuje w Meta, przepuści przez niego tysiąc wywołań narzędzi.