Meta lanserer Muse Spark 1.3 og peker på forbedringer i koding og agentbaserte oppgaver

Meta lanserte 2. september 2026 Muse Spark 1.3, den nyeste modellen fra Meta Superintelligence Labs, og gjorde den tilgjengelig samme dag i Muse Code og i Meta Model API. Meta opplyser at oppdateringen gir forbedret ytelse på både agentbaserte og kode‑oppgaver, og er lettere å bruke i virkelige situasjoner, basert på det selskapet beskrev som måneder med bred adopsjon av Muse Code og Meta Model API.

Ifølge kunngjøringen fra Meta AI Research er de tidligere tilgjengelige resonneringsmodusene tilgjengelige ved lanseringen, mens en «maks resonnering»-modus vil komme kort tid etter at Meta har fullført ytterligere sikkerhetstesting. Meta henviser leserne til en tilhørende evalueringsrapport for detaljer om benchmarkene.

Agentbaserte arbeidsflyter

Meta oppgir at Muse Spark 1.3 er utviklet for bedre å håndtere arbeid med langt tidsperspektiv ved å samarbeide med brukere og håndtere flere arbeidsflyter i én lang tråd. Når modellen får et åpent mål, forklarer selskapet at den bruker verktøy til å generere egen kontekst fra rotete og motstridende kilder, proaktivt retter hull i planen, og holder oversikt over det den har lært for å levere et sluttprodukt. Meta sier at modellen ble trent på et variert sett av rammer for å kunne generalisere til ulike agentbaserte miljøer.

Selskapet sier at Muse Spark 1.3 er trent til å samarbeide mer aktivt med brukeren: modellen stiller oppklarende spørsmål når promptene er tvetydige, ber brukeren om hjelp når den sitter fast, og bekrefter før den utfører viktige handlinger. Ved langvarige oppgaver tilpasser den seg, ifølge Meta, brukerens preferanser, enten ved å gi hyppige oppdateringer eller ved å arbeide stille i bakgrunnen.

Meta oppgir at Muse Spark 1.3 følger komplekse, langtgående instruksjoner mer pålitelig enn tidligere Muse Spark-modeller, og at den i flertrinnsoppgaver bedre bevarer detaljerte krav uten å miste begrensninger eller avvike fra den forespurte arbeidsflyten.

Selskapet sier også at de har forbedret modellens evne til multitasking. Som et eksempel påpeker Meta at Muse Spark 1.3 nå mer nøyaktig knytter innkommende prompt til riktig oppgave i rotete, enkelttrådede kontekster, uavhengig av om brukeren styrer tidligere forespørsler eller avbryter dem. Meta legger til at modellen har bedre bevissthet om egne evner og begrensninger, og at den er trent til å ha en klarere forståelse av hva den kan og ikke kan gjøre, hva den vet og ikke vet, og når den møter hindringer i stedet for å «hallusinere» resultater.

Koding

Meta oppgir at Muse Spark 1.3 er trent på flere kodeoppgaver med langt tidsperspektiv og viser forbedret brukervennlighet i vanlige ingeniør‑arbeidsflyter. I forhold til Muse Spark 1.2 sier selskapet at den nye modellen tar færre unødvendige vendinger og er mindre ordstyrt, samtidig som den har en renere overordnet kodestil. I sammenligninger utført av Meta‑ingeniører hevder selskapet at modellen er betydelig raskere og mer effektiv, og bruker omtrent 20 % færre verktøy‑kall og omtrent 25 % færre token.

Sikkerhet og tilgjengelighet

Meta oppgir at de har forbedret sikkerheten på flere områder som de beskriver som mest relevante for agentbaserte og kode‑evner. Selskapet sier at Muse Spark 1.3 viser sterkere motstand mot adversarielle angrep, med forbedret evne til å håndtere ondsinnede innspill og prompt‑injeksjoner. På komplekse agentbaserte oppgaver har modellen, ifølge Meta, bedre kalibrering av hva som utgjør irreversible handlinger og handler deretter. Selskapet mener at disse endringene gir bedre skjønn og dømmekraft i langvarige agentbaserte oppgaver.

Muse Spark 1.3 er tilgjengelig i dag i Muse Code og i Meta Model API, opplyser Meta.

Tidligere tilstand og veikart

Muse Spark 1.3 er etterfølgeren til Muse Spark 1.2, som Meta lanserte 5. august 2026 sammen med Muse Code, en terminal‑kodeagent. I den tidligere kunngjøringen om Muse Code og Muse Spark 1.2 beskrev Meta Muse Spark 1.2 som en kode‑fokusert oppdatering av Muse Spark 1.1, med forbedringer innen kodegenerering, kompleks feilsøking, forståelse av kodebaser og ende‑til‑ende utvikler‑arbeidsflyter. Meta oppgir at de betydelig oppskalere trenings‑datakraften for kodeoppgaver i den utgivelsen, samtidig som de utvidet mangfoldet i treningsmiljøene, og at modellen ble med‑trent med Muse Code.

Fremover sier Meta at veikartet deres inkluderer større modeller, en åpen‑vekt‑utgivelse av Muse Spark, og mer, uten å oppgi datoer.