本記事はAIを活用して自動収集・要約しています。サムネイルおよび画像もAIツールを使用して生成しています。
概要
Metaは2026年8月5日、ターミナル型コーディングエージェント「Muse Code」（ベータ版）と、新モデル「Muse Spark 1.2」を発表しました。Muse Spark 1.2はMuse Codeを支えるモデルとして位置づけられており、Metaは今後さらに大規模で高性能なモデルを投入する方針を示しています。
Muse Codeの主な機能
1非同期バックグラウンドエージェント
主要なエージェントループに加え、複数の専用バックグラウンドエージェントで構成されています。セッションを通じて稼働し続けることで情報収集の重複を避け、複数手順にわたる難しいタスクでの遅延や介入の必要性を減らしています。
2実行ログによる再開可能な設計
ローカルのイベントログにモデル呼び出し、ツール実行、承認、編集をすべて記録する仕組みを採用しています。これにより再現性を保ちながら、クラッシュ後も中断した地点から安全に再開できるとしています。
3デフォルトスキル
- `/plan`：タスクを承認ゲート付きの計画に変換
- `/grill`：計画をストレステスト
- `/goal`：目標達成に向けて進捗を管理
Muse Spark 1.2の改善点
コード生成、複雑なデバッグ、コードベースの理解、開発ワークフローの各領域を強化しました。コーディングタスクに対する学習計算量を大幅に増やし、学習環境の多様性も拡大した一方、汎用エージェントとしての性能も維持しているとしています。
1Muse Codeとの共同学習
Muse Codeの開発と並行してモデルを学習させ、双方の性能を相互に高め合う手法を採用しました。拒否サンプリングによる軌跡データの活用、レシピの最適化、サブエージェントの統合などが含まれます。
2長期タスクへの対応
リポジトリ全体の生成や大規模なエンドツーエンドのプロジェクト、自動化された研究といった長時間にわたるタスクに対応します。計画立案、目標条件付け、コンテキストの圧縮を組み合わせて作業を進めます。
3自己改善による学習データ生成
前モデル「Muse Spark 1.1」を用いて難易度の高いコーディング環境や指示テンプレートを生成し、候補となる解法を評価することで、Muse Spark 1.2向けの大規模な学習データセットを作成しました。この手法により、より正確な指示追従を実現したとしています。
ケーススタディ：GPUカーネルの最適化
1,000回を超えるツール呼び出しを最大24時間にわたって実行し、NVIDIA Hopperアーキテクチャ向けのKDAおよびMLAカーネルを反復的に最適化するテストを行いました。その結果、ベースライン実装に対して大幅な性能改善を達成したとしています。
提供状況
Muse Spark 1.2は、Muse CodeおよびMeta Model APIを通じて提供が始まっており、利用可能な地域も拡大しています。
出典：Meta AI Research Blog「Introducing Muse Code and Muse Spark 1.2」（2026年8月5日）https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2
