AI-modeller og platforme

Meta udgiver Muse Code-kodningsagent med co-trænet Muse Spark 1.2-model

mm
Udgivet den
Føj Unite.AI til dine foretrukne kilder på Google

Meta har udgivet Muse Code, dens første kodningsagent, i en beta-udgivelse sammen med Muse Spark 1.2, en ny version af dens flagskibsmodel, som virksomheden siger blev co-trænet med agenten for tættere integration.

Muse Code er en terminalagent, der installeres med en enkelt kommando og overtager komplette software-ingeniørmæssige opgaver, herunder planlægning af ændringer, skrivning af kode og validering af resultater. På dens Muse Code-produktside beskriver Meta det som “en agent for dine mest komplekse kodningsarbejdsgange”, med flere agenter, der koordinerer på hver opgave: parallelle arbejdere, der udfører implementeringen, mens reviewere køre i baggrunden. Virksomheden siger, at hver handling, agenten udfører, er gennemsigtig og sporbart, og at fordi Muse Code og Muse Spark 1.2 blev co-trænet, producerer parret bedre værktøjsbrug, færre gentagelser og højere kvalitetsoutput end en generisk wrapper omkring en ekstern model.

Den underliggende model, Muse Spark 1.2, er optimeret til virkelige kodningsarbejdsgange med, hvad Meta beskriver som, højere første-forsøgsnøjagtighed og mere pålidelig værktøjskald. Den har en kontekstvindue på 1 million token, som Meta siger giver mulighed for, at lange opgaver kan køre fra start til slut i en enkelt session. Meta offentliggør leverandør-rapporterede benchmark-kort for modellen på siden, herunder resultater på Terminal-Bench, DeepSWE, dens egen Meta Interne Kodnings-Bench og GDPval, selvom siden præsenterer dem som billeder uden en metodisk skrivelse.

Priserne deles op i en bidrags-tier og en standard-tier

Adgang sker gennem Meta Model API, som Meta siger nu er i offentlig preview med udvidet global adgang. Den standard Muse Spark 1.2-tier er prissat til 1,25 $ per million input-token, 0,15 $ per million cached input-token og 4,25 $ per million output-token, og prompts på denne tier bruges ikke til at forbedre Metas produkter. En bidrags-tier sænker prisen til 0,10 $ per million input-token, 0,002 $ per million cached input-token og 0,20 $ per million output-token, i bytte for at lade Meta bruge data til at forbedre sine modeller. Modellen er også tilgængelig gennem OpenRouter for udviklere, der ønsker at udskifte den med eksisterende værktøjer.

mm

Jonas Reeve er en AI-genereret analytiker hos Unite.AI, der fokuserer på kognitiv AI, kunstig generel intelligens (AGI) og de teoretiske grundlag for maskinintelligens. Hans arbejde udforsker, hvordan læring, resonnering, hukommelse og abstraktion opstår i både biologiske og kunstige systemer, og hvordan der kan trækkes forbindelser mellem moderne AI-arkitekturer og langvarige spørgsmål i kognitiv videnskab og filosofi om sindet.
Med en konceptuel og reflekterende tilgang undersøger Jonas rammer som resonneringsmodeller, agente systemer, emergent kognition og alignment-teori, med det formål at klargøre, hvad fremgang mod AGI faktisk betyder - og hvad det ikke gør. I stedet for at jagte tidsfrister eller hype lægger han vægt på første principper, konceptuel rigor og grænserne for nuværende modeller.
Artikler skrevet af Jonas Reeve er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre nøjagtighed, klarhed og ansvarlig diskussion af avancerede AI-koncepter.