.webp){kind=small}
A Meta lançou hoje o Muse Code, um agente de codificação de IA baseado em terminal agora em beta, junto com o Muse Spark 1.2, uma atualização focada em codificação para sua família de modelos de fronteira Muse Spark – um golpe duplo que coloca a empresa em competição direta com Claude Code da Anthropic, Codex da OOpenAI e o campo crescente de chicotes de codificação de agentes que rapidamente se tornaram a principal forma de muitos desenvolvedores profissionais enviarem software.
“É um agente de codificação de terminal que executa tarefas completas de engenharia de software em grandes repositórios: planejar alterações, escrever código, validar os resultados.” O lançamento marca a entrada mais séria da Meta em uma categoria que tem sido amplamente observada do lado de fora. Enquanto a Anthropic e a OOpenAI transformaram seus agentes de codificação em produtos emblemáticos - e startups como a Cursor construíram negócios de bilhões de dólares no fluxo de trabalho - a história do desenvolvedor da Meta centrou-se há muito tempo no Llama, a família de modelos de peso aberto que ela distribuiu ao som de mais de um bilhão de downloads. O Muse Code muda isso de várias maneiras: é um equipamento completo, instalável no macOS ou Linux com um único comando
Curl, co-treinado com o modelo que o alimenta – e, como os modelos Muse Spark por trás dele, totalmente proprietário. No entanto, Zuckerberg provocou que o código aberto pode estar nos planos para o Muse Spark ou talvez outro produto, em resposta a uma pergunta no X, dizendo “Terei mais para compartilhar sobre isso em breve”. Desenvolvedores e usuários em potencial podem instalá-lo agora em seus terminais usando o seguinte comando de uma linha - mas esteja avisado, se for você, você precisará fazer login com uma conta Meta e fornecer primeiro os detalhes de cobrança para começar: curl -fsSL | festa
Agentes de segundo plano persistentes e árvores de trabalho paralelas
A principal aposta arquitetônica do Muse Code é o que Meta chama de agentes de segundo plano assíncronos. Em vez de gerar agentes auxiliares novos para cada tarefa – o padrão que a maioria dos chicotes rivais usa – o Muse Code mantém ativo um conjunto de agentes de segundo plano especializados durante toda a sessão. De acordo com a postagem no blog do Meta, esses agentes “permanecem ativos durante cada sessão, em vez de serem gerados para tarefas individuais, ajudando a evitar a coleta redundante de informações”, realizando as próximas etapas por conta própria e escolhendo quando reportar ao agente principal. A proposta prática é menos latência e menos babá: um agente que já conhece o repositório não precisa explorá-lo novamente toda vez que o desenvolvedor solicitar
Algo novo. Quando um trabalho é grande o suficiente, o Muse Code se espalha para separar subagentes trabalhando em paralelo, cada um em sua própria árvore de trabalho git isolada, para que a cópia de trabalho do desenvolvedor nunca seja tocada. "Nos testes, construímos seis recursos para um jogo simultaneamente sem colisões", escreveu Zuckerberg no X. O isolamento da árvore de trabalho e os subagentes paralelos existem em ferramentas concorrentes, mas o Meta está se apoiando na combinação de persistência e paralelismo como seu diferencial. A segunda opção de design notável é a auditabilidade.
Cada chamada de modelo, execução de ferramenta, aprovação e edição é anexada a um log de eventos local antes de ser executada – uma única fonte de verdade que Meta diz que torna o tempo de execução “exato de repetição e seguro para reinicialização”. Se o Muse Code travar após 20 horas de uma tarefa de longa execução, ele será retomado exatamente de onde parou, sem perda de trabalho e sem novas solicitações.
Para líderes de engenharia que foram prejudicados por execuções de agentes opacos, uma trilha de auditoria local completa pode ser o recurso mais importante nas avaliações empresariais. O Muse Code também vem com "habilidades" agrupadas que parecerão familiares aos usuários de ferramentas rivais: /plan transforma uma tarefa em um plano sujeito a aprovação, /grill testa o estresse desse plano até que ele se mantenha e /goal leva o agente à conclusão de um objetivo declarado.
Muse Spark 1.2: co-treinado com seu próprio equipamento
Outros modelos de codificação no Terminal-Bench 2.1, DeepSWE 1.1 e um benchmark de codificação Meta interno, apontando os leitores para um relatório de metodologia separado para obter detalhes - embora o texto do anúncio em si não promova nenhuma colocação, uma reticência incomum em um campo onde os rivais alardeiam a tabela de classificação vence. Os gráficos explicam porquê: mostram um segundo lugar forte mas claro. No Terminal-Bench 2.1, o Muse Spark 1.2 rodando no Muse Code obteve 82,9%, superando o GPT-5.6 Terra da OOpenAI no Codex (81,8%) e o Grok 4.5 da xAI no Grok Build (81,6%), mas atrás do Opus 5 da Anthropic no esforço máximo no Claude Code, que lidera com 86,7%. No DeepSWE 1.1, Muse Spark 1.2 postou 59,3% – terceiro, atrás do Opus 5 (65,0%) e GPT-5.6 Terra
(64,8%). O mais impressionante é o próprio benchmark de codificação interno do Meta, onde os 70,6% do Muse Spark 1.2 batem confortavelmente o GPT-5.6 Terra (65,4%) e o Gemini 3.6 Flash (63,9%), mas ainda fica quase nove pontos atrás dos 79,4% do Opus 5 - uma admissão incomumente sincera de que mesmo no teste que o Meta se projetou, o modelo da Anthropic vence. Na verdade, Claude está no topo das três paradas. Os ganhos geracionais são reais: Muse Spark 1.2 melhora 1,1 em 6,7 pontos no Terminal-Bench e 6,3 no DeepSWE.
Uma ressalva enterrada nos rótulos do gráfico – as pontuações de 1,1 foram registradas no arnês genérico do mini-swe-agente, enquanto 1,2 foi executado no Muse Code, então parte desse salto pertence ao novo arnês e não ao novo modelo. A demonstração mais impressionante da empresa é um estudo de caso de longo horizonte: Meta apontou o Muse Spark 1.2 para otimização do kernel da GPU e deixou-o rodar por mais de 1.000 chamadas de ferramenta por até 24 horas no hardware NVIDIA Hopper. Trabalhando no Triton e impedido de simplesmente agrupar bibliotecas de kernel de terceiros existentes, o agente escreveu, compilou e traçou o caminho para o que Meta chama de "melhorias substanciais" em relação às implementações de linha de base de kernels KDA e MLA - incluindo otimizações
Genuinamente não óbvias, como centralização do decaimento cumulativo bloqueado em um ponto médio do pedaço. “Continuou encontrando melhorias substanciais muito além da fase inicial de exploração”, escreveu Zuckerberg. A melhoria sustentada ao longo de uma execução autônoma de 24 horas, se for mantida fora das demonstrações do Meta, aborda uma das críticas mais persistentes aos agentes de codificação: que eles estagnam ou se desviam depois de sua explosão inicial de progresso.
Seus dados para um desconto?
A estrutura de preços pode ser a parte mais importante – e mais examinada – do lançamento. A Meta está oferecendo o Muse Spark 1.2 por meio de sua API Meta Model em duas camadas.
| ℹ️ | Nota do editor: O AR NEWS 24H publica conteúdos baseados em fontes externas. As informações e opiniões presentes no material original são de responsabilidade de seus respectivos autores. Este conteúdo foi traduzido e adaptado para o português do Brasil com o auxílio de ferramentas automatizadas. |
