Meta 发布 Muse Code 终端编码智能体与 Muse Spark 1.2 模型

我们很高兴发布 Muse Code（beta），这是一款由我们最新的模型 Muse Spark 1.2 驱动的终端编码智能体。这标志着我们迈向前沿的下一步，更大、能力更强的模型正在路上。

在 macOS 或 Linux 上安装 Muse Code：

Muse Code 能够承担大型代码库中的复杂软件工程任务：规划变更、编写代码并验证结果。它可以为每个任务协调多个持久化子智能体，从而更快、更准确地解决难题，并减少人工干预。

Muse Code

异步后台智能体

Muse Code 通过一个简单的智能体循环，加上一组异步后台智能体来增强主智能体的能力。这些专门的后台智能体在整个会话期间保持活跃，而不是为单个任务临时创建，有助于避免重复的信息收集。它们执行后续步骤，并自行决定何时向主智能体反馈。它们的持久性降低了延迟，也减少了对困难的多步骤任务进行人工引导的需求。

正在加载演示

运行时设计

Muse Code 使用本地事件日志，每一次模型调用、工具运行、审批和编辑都会追加到其中。这一单一事实来源使运行时能够精确重放且可安全重启：崩溃之后，智能体可以精确地从停止处继续。这一能力让 Muse Code 能够承担长时间运行的任务，而不会因故障而中断。

内置技能

Muse Code 自带若干默认技能。/plan 将任务转化为需审批的计划，/grill 对该计划进行压力测试直至其站得住脚，/goal 则致力于成功完成既定目标。

Muse Spark 1.2

Muse Spark 1.2 是 Muse Spark 1.1 面向编码的更新版本，在代码生成、复杂调试、代码库理解和端到端开发者工作流方面均有改进。在 Muse Spark 1.2 中，我们大幅扩展了编码任务上的训练算力，同时增加了训练环境的多样性。该模型在通用智能体等其他关键领域也保持了自身优势。

有关我们评估的更多细节，请参阅我们的报告。

与 Muse Code 协同训练

我们将 Muse Spark 1.2 与 Muse Code 协同训练，以确保二者搭配使用时模型能发挥最佳性能并具备良好的编码可用性。训练内容包括拒绝采样的 harness 轨迹，以及针对目标、压缩和子智能体的配方优化，同时集成了 Muse Code 工具集以最大化 harness 兼容性。

长时程

Muse Spark 1.2 在长时程编码任务上进行了广泛训练，包括整仓库生成、大型端到端项目和自动研究。它利用规划来安排工作顺序，利用目标条件来保持方向，并利用上下文压缩来保留维持进展所需的知识。

自我改进

我们还使用 Muse Spark 1.1 生成具有挑战性的编程环境和指令遵循模板。随后，该模型根据候选解决方案满足这些要求的程度对其进行评分，从而为 Muse Spark 1.2 生成可扩展的训练数据集。这一自我改进循环帮助 Muse Spark 1.2 比其前身更精确地遵循复杂指令。

案例研究：内核优化

我们测试了该模型在 1,000 多次工具调用（最长 24 小时）中迭代优化 GPU 内核的能力。借助 Muse Code 的智能体编程环境，该模型编写、编译、分析并相对于提供的基线实现逐步提升内核性能。我们在 NVIDIA Hopper GPU 上对 KDA 和 MLA 内核进行了基准测试。该智能体持续在所提供的基线实现之上取得显著改进。

基线是 KDA 的 FLA Triton 实现。模型被禁止直接导入 FLA 等第三方内核库；相反，它们必须应用专门的内核优化知识，在 Triton 中实现该算法，而不是封装现有实现。Muse Spark 1.2 将分块并行的准备内核与顺序的块间扫描相结合，把标准融合与分块同 KDA 特定的优化（例如在块中点重新居中门控累积衰减）结合起来。

可用性

Muse Spark 1.2 今日已在 Muse Code 和 Meta Model API 中上线，并扩大了全球访问范围。我们未来还有很多计划，包括新的测试框架功能和更强大的模型。我们迫不及待想看到你构建的作品！

开始使用 Muse Code