meta近日宣布推出Muse Code开发环境测试版，并同步更新大模型Muse Spark至1.2版本。该开发环境以工程级任务处理为核心，用户只需输入一段房屋航拍视频，系统即可自动生成包含营销与预订功能的度假屋网页，并在浏览器中完成功能验证。这一演示案例展示了模型在跨文件代码修改、需求理解及结果验证方面的突破性能力。
技术架构上，Muse Code采用主循环加异步后台智能体的设计模式。与传统临时派生智能体的方式不同，其后台智能体在会话全程保持活跃状态，可自主推进任务并决定反馈时机。例如，已扫描项目结构的智能体在新任务中无需重复分析依赖关系，通过记忆召回、技能召回等四个质量维度持续优化工作流。开发者可通过参数设置启用工作目录隔离功能，确保主代码库不受子智能体操作影响。
系统运行日志构成独特的时间线审计机制，记录每次模型调用、工具执行及代码修改的完整轨迹。这种设计使任务中断后可精准恢复执行状态，同时提供可追溯的操作记录。默认集成的三项技能包括计划生成、压力测试和目标推进，用户可通过三层技能体系（内置/用户级/项目级）扩展功能，支持从Claude等模型导入现有技能库。
Muse Spark 1.2的升级聚焦编程任务强化，训练阶段投入更多算力并扩大环境多样性。新版本在代码生成、复杂调试及端到端开发流程上取得显著进步，同时保持通用智能体能力。训练数据融合拒绝采样轨迹与目标优化配方，工具集直接嵌入模型训练过程，确保与Muse Code运行时的深度兼容。长时程任务训练涵盖整仓库代码生成、大型项目开发等场景，通过上下文压缩技术维持长时间推理的知识连贯性。
自我改进机制构成模型迭代的关键路径：利用1.1版本生成高难度编码环境，通过自动化评分系统筛选优质训练样本。在英伟达Hopper GPU的实测案例中，模型独立完成KDA/MLA内核的编写、编译与性能优化，在禁止导入第三方库的条件下，通过1000余次工具调用实现显著性能提升。整个过程最长持续24小时，展示出处理复杂工程任务的系统化能力。
商业策略方面，meta推出贡献者版本计划，用户同意上传使用数据即可享受95%的价格折扣。该举措引发业界对数据收集动机的讨论，但客观上降低了开发者使用门槛。目前Muse Code已开放命令行安装通道，相关技术细节可通过meta研究博客获取完整说明。
