Meta lancia Muse Code: subagenti, crash recovery e Spark 1.2
La nuova CLI beta coordina agenti in background, conserva lo stato e usa un modello da 1M di token. Architettura, benchmark, prezzi e limiti reali.
In sintesi
Meta ha lanciato Muse Code, agente CLI beta per macOS e Linux alimentato da Muse Spark 1.2. Il runtime usa un event log append-only, può riprendere dopo crash e coordina agenti in worktree separati. Muse Spark 1.2 offre 1M di token di contesto ed è stato co-addestrato con l’ambiente Muse Code. Nei grafici Meta ottiene 82,9% su Terminal-Bench e 59,3% su DeepSWE, dietro Opus 5. Il piano Standard costa 1,25 $/M input e 4,25 $/M output; il Contributor è più economico ma usa i dati per migliorare i prodotti. Velthub assegna 8,5/10: architettura convincente e prezzo aggressivo, ma beta ancora immatura e benchmark in gran parte del produttore.
Meta entra nel mercato degli agenti di programmazione con una proposta che non prova a vincere soltanto sulla qualità del modello. Muse Code è una CLI beta per macOS e Linux costruita attorno a un runtime persistente: registra gli eventi localmente, può far lavorare agenti in background e riprendere un task dopo un riavvio. Il motore è Muse Spark 1.2, modello da un milione di token di contesto che Meta dichiara di aver co-addestrato insieme all’agente.
Il lancio del 5 agosto 2026 è interessante per tre ragioni. La prima è tecnica: Meta tratta crash, parallelismo e memoria operativa come problemi di prodotto, non come dettagli da lasciare al modello. La seconda è economica: il prezzo standard parte da 1,25 dollari per milione di token in input e 4,25 dollari in output, con un tier Contributor molto più economico in cambio dell’uso dei dati per migliorare i prodotti. La terza è strategica: dopo Muse Spark 1.1, Meta passa dall’API a un’esperienza completa che compete direttamente con Claude Code, Codex e gli altri agenti da terminale.
Che cos’è Muse Code
Muse Code non è un editor né un semplice completamento automatico. È un agente da riga di comando che legge un repository, pianifica modifiche, scrive file, esegue comandi e test, controlla il risultato e continua finché non considera raggiunto l’obiettivo. Meta indica questo comando di installazione:
curl -fsSL https://dev.meta.ai/install.sh | bashLe pagine ufficiali indicano supporto per macOS e Linux; Windows non compare tra le piattaforme del lancio. La disponibilità effettiva può inoltre dipendere dall’account e dal rollout della beta.
L’unità di misura corretta non è quindi «quante righe genera», ma quanto bene l’intero sistema gestisce un lavoro composto da esplorazione, esecuzione, verifica e correzione. È qui che Meta concentra le novità più concrete.
Un runtime costruito per non perdere il lavoro
Il cuore dell’architettura è un event log locale append-only. Invece di conservare soltanto la cronologia testuale, Muse Code registra eventi strutturati: richieste al modello, chiamate agli strumenti, risultati, modifiche e avanzamento dell’agente. La documentazione Meta lo definisce restart-safe: dopo un crash o un riavvio, il runtime può ricostruire lo stato dalle informazioni persistite.
Questo approccio è più importante di quanto sembri. Un task di coding lungo può interrompersi per un errore della CLI, una rete instabile o un riavvio del computer. Se lo stato vive soltanto nella memoria del processo, bisogna ricostruire contesto e intenzioni. Un log di eventi rende invece osservabile ciò che è successo e riduce il costo della ripartenza. Non significa che ogni esecuzione sia infallibile, ma che il prodotto tratta la continuità come requisito architetturale.
Stato persistente: reviewing, building e ripresa
La demo ufficiale usa stati come reviewing e building per rendere visibile il ciclo dell’agente. L’interfaccia rimane minimale, ma comunica una scelta precisa: distinguere l’avanzamento operativo dalla semplice generazione di testo.
Agenti in background e worktree isolati
Muse Code può avviare agenti asincroni persistenti per svolgere lavoro in background. Le guide ufficiali descrivono anche l’uso di git worktree separati, così più attività possono modificare copie isolate del repository senza pestarsi i piedi sulla stessa directory.
Un flusso plausibile è questo: l’agente principale prepara un piano, assegna ricerca, implementazione e verifica a processi distinti, lascia che ciascuno lavori nel proprio worktree e poi raccoglie i risultati. L’isolamento non risolve automaticamente conflitti o errori logici; rende però il parallelismo più controllabile rispetto a quattro agenti che scrivono contemporaneamente sugli stessi file.
Come Muse Code orchestra più agenti in parallelo
Nella demo Meta, una richiesta viene distribuita a ruoli distinti — researcher, planner, coder e verifier — che passano da queued a done prima del merge. È una visualizzazione del pattern di fan-out e raccolta, non la prova che ogni progetto debba usare sempre quattro agenti.
Per il lavoro quotidiano sono documentate anche tre skill integrate:
- /plan produce un piano implementativo prima di cambiare il codice;
- /grill sottopone quel piano a una revisione critica;
- /goal mantiene visibile l’obiettivo durante l’esecuzione.
La combinazione è sensata: pianificare, contestare la strategia e poi conservare il criterio di successo. Non elimina la necessità di review umana, soprattutto su sicurezza, migrazioni, autorizzazioni o logica finanziaria.
Da un video a una landing page pronta
Una demo ufficiale mostra Muse Code mentre analizza un video di riferimento, crea i file di una landing page e arriva a un risultato renderizzato nel browser. È un caso visivo utile per capire la capacità multimodale, ma resta una dimostrazione selezionata dal produttore: qualità del codice, accessibilità e manutenibilità richiedono comunque un audit del repository.
Muse Spark 1.2: il modello co-addestrato con l’agente
Meta presenta Muse Spark 1.2 come un aggiornamento orientato al coding che mantiene capacità da agente generalista, con un milione di token di contesto, disponibile sulla Meta Model API e, secondo la scheda ufficiale, anche tramite OpenRouter. Il punto distintivo non è soltanto il contesto lungo: Meta afferma di aver sviluppato modello e agente insieme.
Meta descrive due meccanismi collegati. Nel co-training, le traiettorie dell’harness e l’uso di tool, goal, compaction e subagenti contribuiscono ad allineare modello e ambiente operativo. Nel ciclo di self-improvement, Muse Spark 1.1 ha generato ambienti di coding e template di instruction following, mentre candidate solution e grading hanno prodotto segnali per l’iterazione successiva. Le fonti non attribuiscono ogni passaggio di questa seconda pipeline direttamente a Muse Code.
È una tesi credibile per gli agenti: un modello può essere forte nel ragionamento astratto ma fragile quando deve usare shell, editor e test per decine di passaggi. Addestrarlo nel loop operativo dovrebbe allineare meglio pianificazione e uso degli strumenti. Va però ricordato che la descrizione e i risultati arrivano da Meta; nelle fonti consultate non è presente un paper indipendente con ablation che isoli quanto del miglioramento derivi dal co-training.
Embervault: dal prompt a un gioco funzionante
Tra le demo Meta c’è Embervault, un piccolo gioco isometrico mostrato in esecuzione. Serve a dimostrare che il sistema può coordinare più componenti — logica, interfaccia e asset — fino a produrre un artefatto interattivo, non solo una patch testuale.
Benchmark di coding: competitivo, ma Opus 5 resta davanti
Meta ha pubblicato una metodologia di tre pagine che consente di leggere i grafici con maggiore cautela. Per Terminal-Bench 2.1 e DeepSWE 1.1, ogni modello è stato valutato con il proprio agente selezionato: Muse Spark con Muse Code, Opus con Claude Code, GPT con Codex, Grok con Grok Build, Gemini con Antigravity e Muse Spark 1.1 con mini-swe-agent. Non è quindi un confronto tra soli modelli né un harness identico.
Su Terminal-Bench 2.1, Muse Spark 1.2 ottiene 82,9%, dietro Opus 5 con Claude Code all’86,7%, ma davanti a GPT-5.6 Terra con Codex all’81,8%, Grok 4.5 all’81,6% e Gemini 3.6 Flash al 78,9%. La metodologia usa 89 task, cinque tentativi e riporta la media pass@1.
Su DeepSWE 1.1, Muse Spark 1.2 è terzo al 59,3%, dietro Opus 5 al 65,0% e GPT-5.6 Terra al 64,8%. Meta ha usato 113 task su 91 repository e cinque linguaggi, con internet bloccato durante esecuzione e grading. Il report precisa che il leaderboard ufficiale usa mini-swe-agent per tutti i modelli, mentre il confronto Meta usa il prodotto agentico scelto per ciascun modello.
Nel Meta Internal Coding Bench, Muse Spark 1.2 raggiunge 70,6%, contro 79,4% di Opus 5. Il test comprende 440 task derivati da pull request interne, con due tentativi per task, ma codice, casi e verificatori non sono pubblici. È un segnale utile sul lavoro in codebase Meta, non un benchmark replicabile esternamente.
Muse Spark fuori dal coding: GDPVal e MCP Atlas
Muse Spark 1.2 è presentato come modello generalista. Su GDPVal-AA V2, che valuta 220 attività professionali con documenti, fogli di calcolo, slide e report, ottiene un Elo di 1.631. La pagina live di Artificial Analysis conferma il valore e indica un intervallo di -25/+18. Nel grafico scelto da Meta resta dietro Opus 5 a 1.852, ma davanti a GPT-5.6 Terra a 1.577.
Su MCP Atlas, Meta dichiara il 90,3% di pass rate, primo nel proprio grafico. Il benchmark comprende 1.000 task umani, 36 server MCP e 220 tool. C’è però una cautela rilevante: al controllo del 6 agosto, la leaderboard live di Scale mostra Muse Spark 1.1 a 88,1%, ma non ancora una riga Muse Spark 1.2 a 90,3%. Il numero nuovo va quindi trattato come risultato di lancio Meta in attesa di pieno allineamento della pagina dell’operatore.
Ottimizzazione dei kernel: risultati buoni, non dominanti
Meta mostra anche due esperimenti di ottimizzazione iterativa di kernel GPU. Nel test KDA, Muse Spark 1.2 raggiunge uno speedup finale del 68,7% rispetto alla baseline dopo centinaia di chiamate agli strumenti. Opus 5 arriva al 74,0%, GPT-5.6 Sol al 71,2% e Opus 4.8 al 69,6%.
Nel test MLA, Muse Spark 1.2 termina a +61,1%, dietro Opus 5 (+75,4%), Opus 4.8 (+67,1%) e GPT-5.6 Sol (+62,9%). Sono grafici interessanti perché mostrano l’andamento nel tempo, non soltanto l’endpoint: il modello Meta raggiunge presto un plateau competitivo, ma non il migliore.
Muse Spark 1.2 e Muse Code: metodologia dei benchmark
Il PDF ufficiale allegato descrive task, harness, numero di tentativi e limiti dei confronti. Meta avverte esplicitamente che strumenti e system prompt del proprio framework potrebbero non essere ottimizzati per i modelli proprietari di terze parti. È il documento da leggere prima di trasformare le barre dei grafici in una classifica assoluta.
Prezzi: il vero attacco di Meta
La scheda ufficiale indica tre costi per il piano Standard:
| Piano | Input / 1M token | Output / 1M token | Cached input / 1M | Uso dei dati |
|---|---|---|---|---|
| Standard | 1,25 $ | 4,25 $ | 0,15 $ | Non usati per migliorare i prodotti |
| Contributor | 0,10 $ | 0,20 $ | 0,002 $ | Usati per migliorare i prodotti |
Il Contributor tier è aggressivo: riduce il prezzo dell’input di 12,5 volte e quello dell’output di oltre 21 volte. Non è però uno sconto neutrale. L’utente accetta che i dati siano usati per migliorare i prodotti Meta. Per repository pubblici, prototipi o esercizi può essere un compromesso accettabile; per codice proprietario, segreti industriali, credenziali, dati clienti o sistemi regolati, la scelta va sottoposta a policy aziendale, DPA e revisione legale.
Alcune testate citano zero-data-retention e limiti di throughput, ma le pagine primarie acquisite per questo articolo non mostrano quei termini contrattuali. Non li presentiamo quindi come garanzie universali: prima di un rollout aziendale bisogna verificare documentazione e accordi aggiornati dell’account.
Cosa non sappiamo ancora
- È una beta: affidabilità, compatibilità e comportamento possono cambiare.
- Niente Windows al lancio: le istruzioni ufficiali citano macOS e Linux.
- Nessun annuncio open weights: nelle pagine consultate Muse Spark 1.2 è un modello via API, senza repository di pesi o licenza pubblica.
- Benchmark del produttore: molti risultati arrivano dal framework Meta e vanno letti con il PDF metodologico.
- Governance: il parallelismo aumenta velocità ma anche superficie di controllo, consumo token e possibilità di merge errati.
- Sicurezza: un agente con shell e accesso al repository richiede sandbox, segreti separati, permessi minimi e review obbligatorie.
La valutazione di Velthub
Voto editoriale preliminare: 8,5/10. Muse Code è un debutto credibile perché Meta ha costruito un prodotto attorno ai problemi reali degli agenti: persistenza, fan-out, isolamento e verifica. Il prezzo standard è competitivo e il Contributor tier può accelerare l’adozione, purché la condivisione dei dati sia una scelta consapevole. La valutazione si basa sulla documentazione e sui benchmark pubblicati, non su una prova hands-on Velthub. Il voto deriva da una media ponderata: architettura e runtime 9,3 (25%), modello e benchmark 8,4 (25%), prezzo 9,2 (20%), maturità 7,3 (15%), governance e trasparenza 7,5 (15%).
Il voto non è più alto per tre motivi. Primo, la beta è limitata a macOS e Linux. Secondo, Muse Spark 1.2 non guida i benchmark di coding pubblicati da Meta: Opus 5 resta avanti su Terminal-Bench, DeepSWE e sul test interno. Terzo, manca ancora una storia pubblica matura su sicurezza enterprise, amministrazione centralizzata e pesi/licenza aperti.
FAQ
Muse Code è gratuito?
Le pagine di lancio mostrano una tariffazione a consumo per Muse Spark 1.2, con piano Standard e Contributor. Eventuali crediti, trial o condizioni promozionali della beta vanno verificati sull’account.
Muse Code funziona su Windows?
Le istruzioni di lancio citano macOS e Linux. Non abbiamo trovato supporto Windows ufficiale nelle pagine consultate.
Muse Code è open source?
Meta non ha annunciato Muse Code o Muse Spark 1.2 come open source o open weights nelle pagine di lancio consultate. Il modello è offerto tramite API.
Può davvero riprendere dopo un crash?
Meta documenta un event log locale append-only e definisce il runtime restart-safe. Questo consente di ricostruire lo stato operativo; non garantisce che ogni task riprenda senza errori logici o intervento umano.
I subagenti lavorano tutti sugli stessi file?
Il prodotto supporta git worktree isolati per separare il lavoro parallelo. I risultati devono comunque essere rivisti e integrati, soprattutto quando modificano aree correlate.
Muse Spark 1.2 batte Claude Opus 5?
Non nei principali benchmark di coding mostrati da Meta. Opus 5 è davanti su Terminal-Bench 2.1, DeepSWE 1.1 e Meta Internal Coding Bench. Muse Spark 1.2 è invece primo nel grafico Meta di MCP Atlas, con la cautela sulla leaderboard live descritta nell’articolo.
Il Contributor tier è adatto al codice aziendale?
Solo se la policy aziendale accetta l’uso dei dati per migliorare i prodotti Meta e sono stati verificati contratto, privacy, segreti e classificazione del repository. Per codice sensibile, il prezzo più basso non deve prevalere sulla governance.
https://velthub.ai/blog/meta-muse-code-muse-spark-1-2-agente-cli-2026-v3