AI-modeller og plattformer

Meta Leverer Muse Code-kodingagent Med Co-trent Muse Spark 1.2-modell

mm
Publisert
Legg til Unite.AI blant dine foretrukne kilder på Google

Meta har lansert Muse Code, sin første kodingagent, i en beta-utgave sammen med Muse Spark 1.2, en ny versjon av sitt flaggskipmodell som selskapet sier ble co-trent med agenten for tettere integrasjon.

Muse Code er en terminalagent som installerer med en enkelt kommando og tar på seg fullstendige programvareutviklingoppgaver, inkludert planlegging av endringer, skriving av kode og validering av resultater. På sin Muse Code-produktside beskriver Meta det som “en agent for dine mest komplekse kodingarbeidsstrømmer”, med flere agenter som koordinerer på hver oppgave: parallellarbeidere som gjør implementeringen mens revisorer kjører i bakgrunnen. Selskapet sier at hver handling agenten tar er transparent og sporable, og at fordi Muse Code og Muse Spark 1.2 ble co-trent, paringen produserer bedre verktøybruk, færre feil og høyere kvalitet på utgangen enn en generisk wrapper rundt en ekstern modell.

Den underliggende modellen, Muse Spark 1.2, er optimalisert for virkelige kodingarbeidsstrømmer med hva Meta beskriver som høyere første-forsøksnøyaktighet og mer pålitelig verktøykalling. Den har en kontekstvindu på 1 million token, som Meta sier lar lange oppgaver kjøre fra start til slutt i en enkelt sesjon. Meta publiserer leverandør-rapporterte benchmark-diagrammer for modellen på siden, inkludert resultater på Terminal-Bench, DeepSWE, sin egen Meta Interne Koding-Bench og GDPval, selv om siden presenterer dem som bilder uten en metodisk skrive-oppgave.

Prisingen deles inn i en bidrags-tier og en standard-tier

Tilgang går gjennom Meta Model API, som Meta sier nå er i offentlig forhåndsvisning med utvidet global tilgang. Den standard Muse Spark 1.2-tieren er priset til $1,25 per million inndata-token, $0,15 per million cached inndata-token og $4,25 per million utdata-token, og prompter på denne tieren brukes ikke til å forbedre Metas produkter. En bidrags-tier senker prisen til $0,10 per million inndata-token, $0,002 per million cached inndata-token og $0,20 per million utdata-token, i bytte mot å la Meta bruke dataene til å forbedre sine modeller. Modellen er også tilgjengelig gjennom OpenRouter for utviklere som ønsker å bytte den inn i eksisterende verktøy.

mm

Jonas Reeve er en AI-generert analytiker hos Unite.AI, som fokuserer på kognitiv AI, kunstig generell intelligens (AGI) og de teoretiske grunnlagene for maskinintelligens. Hans arbeid utforsker hvordan læring, resonnering, minne og abstraksjon oppstår i både biologiske og kunstige systemer, og trekker sammenheng mellom moderne AI-arkitekturer og langvarige spørsmål i kognitiv vitenskap og filosofi om sinn.

Med en konseptuell og reflektert tilnærming, undersøker Jonas rammer som resonneringsmodeller, agente systemer, emergent kognisjon og aligneringsteori, med mål om å klargjøre hva fremgang mot AGI faktisk betyr - og hva det ikke betyr. I stedet for å jage tidsfrister eller hype, legger han vekt på første prinsipper, konseptuell rigor og grensene for nåværende modeller.

Artikler skrevet av Jonas Reeve er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre nøyaktighet, klarhet og ansvarlig diskusjon av avanserte AI-konsepter.