Meta lancerer Muse Code og tager kampen op mod OpenAI & Anthropic

Meta lancerede den 5. august Muse Code, en coding-agent, der bor i terminalen og kører på den nye model Muse Spark 1.2. Den er i beta, den findes kun til macOS og Linux, og den går efter præcis den arbejdsflade, Codex fra OpenAI og Claude Code fra Anthropic allerede har.

Det interessante ligger under overskriften. Meta har bygget en runtime med vedvarende baggrundsagenter, parallelle Git-worktrees og et lokalt hændelseslog, trænet modellen sammen med selve agenten, og sat to priser på den samme model, hvor den billige koster jer retten til at bruge jeres prompts som træningsdata. Vi har læst Metas forskningsblog, metodologirapporten og de uafhængige målinger fra Artificial Analysis igennem, og der er forskel på, hvad der er dokumenteret, hvad der er en udvalgt demo, og hvad der stadig står ubesvaret.

Muse Code og Muse Spark 1.2 er to forskellige ting

Muse Spark 1.2 er modellen. Muse Code er harnesset omkring den: promptstruktur, værktøjer, tilladelser, hukommelse, log og koordinering. De to er udviklet og trænet sammen, men Muse Spark 1.2 kan også tilgås gennem Meta Model API og bruges i andre agentmiljøer. Navnene er derfor ikke synonymer, selvom en del af dækningen bruger dem sådan.

Meta beskriver selv Muse Code som en terminalagent, der tager komplette software engineering-opgaver på tværs af store repositories: planlægger ændringer, skriver kode og validerer resultatet. Installationen er en enkelt kommando, der lægger en native binary på PATH. Første kørsel tilbyder browserlogin eller en API-nøgle, og i CI kan man bruge en miljøvariabel i stedet.

Lanceringen dokumenterer ikke, at agenten kan løse en vilkårlig opgave i et vilkårligt repository. Meta har ikke offentliggjort en stabilitets-SLA, en fuld beskrivelse af enterprise-governance eller en dato for en stabil udgave, og der findes endnu ingen uafhængige hands-on reviews af selve agenten på rigtige kodebaser. Beta skal læses bogstaveligt.

Tre arkitekturvalg, der faktisk adskiller den

Det første er vedvarende asynkrone baggrundsagenter. I de fleste agentsystemer bliver en subagent skabt til en enkelt delopgave og forsvinder bagefter. Metas baggrundsagenter forbliver aktive gennem hele sessionen, opbygger domænekontekst undervejs og vælger selv, hvornår de rapporterer tilbage. Den forventede gevinst er mindre gentagen læsning af det samme repository og færre menneskelige puf. Meta offentliggør dog ingen ablation, der isolerer effekten af persistens fra modelkvalitet, caching og kontekstkomprimering, så vi ved ikke, hvor stor en del af forbedringen der kommer fra netop det designvalg.

Det andet er fan-out til isolerede Git-worktrees. Når en opgave kan deles op, starter Muse Code flere workers, hver i sit eget arbejdstræ på sin egen branch. Mark Zuckerberg beskrev en test, hvor seks funktioner til et spil blev bygget samtidig uden kollisioner. Hans beskrivelse hos TechCrunch siger, at udviklerens working copy aldrig bliver rørt. Worktrees løser samtidige filskrivninger. De logiske konflikter står stadig tilbage, for to branches kan ændre hver sin fil på måder, der tester grønt hver for sig og alligevel bryder sammen ved integration. Zuckerbergs eksempel er desuden en demonstration uden offentliggjort opgavesværhed, testdækning eller reviewtid.

Det tredje er loggen. Muse Code tilføjer hvert modelkald, hver værktøjskørsel, hver godkendelse og hver redigering til et lokalt append-only event-log, som Meta kalder den enkelte sandhedskilde. Runtime beskrives som replay-exact og restart-safe, og en session kan genoptages via en vælger, via den seneste session i workspacet eller via et konkret session-id. I forløb, der kører i timevis, er det forskellen mellem et crash, der koster fem minutter, og et crash, der koster en arbejdsdag.

Replay-exact er en påstand om runtime-tilstanden. Har en package registry, et eksternt API eller en tidsafhængig test ændret sig imens, giver en genafspilning ikke nødvendigvis samme resultat. Loggen er samtidig et sikkerhedsspørgsmål i sig selv, for den indeholder prompts, kommandoer, diffs og potentielt følsomme resultater. Afklar placering, adgang og opbevaringstid, før den fylder op.

Den mest substantielle nyhed er en træningsbeslutning

Meta co-trænede Muse Spark 1.2 med Muse Code. Træningen inkluderede rejection-samplede trajectories fra selve harnesset, optimering af opskrifter for mål, context compaction og subagenter, og integration af Muse Codes værktøjssæt. Det står i Metas egen forskningsblog om lanceringen.

Formålet er at fjerne den friktion, der opstår, når en generel model møder en specifik agentloop: forkert værktøjsformat, manglende opfølgning efter en fejlet test, overivrig afslutning, dårlig delegering. Modellen lærer altså ikke bare at skrive god kode, men at fungere i netop den sløjfe, den møder i produktion. Bagsiden er lock-in på arbejdsformen, fordi en model, der er optimeret til ét runtime-mønster, ikke nødvendigvis er lige stærk i andre harnesses.

Meta brugte desuden forgængeren 1.1 til at generere svære træningsmiljøer og til at bedømme kandidatløsninger, som så indgik i træningen af 1.2. Det er en effektiv datafabrik, og den kan arve forgængerens blinde vinkler. Kvaliteten afhænger helt af, hvor realistiske miljøerne er, og hvor godt filtreringen fanger belønningshacking.

Kontekstvinduet er 1.048.576 tokens. Vægtene er ikke offentlige, parameterantallet er ikke oplyst, og der findes ingen selvhostet udgave. Skiftet væk fra Llama-æraens open weights var allerede fuldført, da den første Muse Spark-model kom i april.

To priser på den samme model, og kun den ene lader jeres data være

Meta udbyder Muse Spark 1.2 under to model-id'er med hvert sit dataregime. Standard koster 1,25 dollar per million input-tokens, 0,15 for cache-hit og 4,25 for output, og Meta oplyser, at prompts og completions ikke bruges til at træne Meta-modeller.

Contributor koster 0,10, 0,002 og 0,20, og til gengæld får Meta udtrykkeligt lov til at bruge prompts og completions til fremtidig modeltræning. Tallene står i Metas egen prisdokumentation og er ikke bekræftet af en uafhængig kilde, så tjek dem i jeres egen konto, før I budgetterer efter dem.

Regn på forholdet: Contributor er 12,5 gange billigere på input, 21,25 gange billigere på output og 75 gange billigere på cache-hit.
Rabatten er reelt et datasamtykke, der er priset ind i produktet.

Og det, I betaler med, er mere end kildekode. Det, en coding-agent sender ind i en prompt, er repository-kontekst, arkitekturvalg, fejlbeskeder, interne navne, forretningslogik og det, jeres udviklere skriver, mens de tænker højt. Til offentlig open source-kode kan byttet være helt fint. Til proprietær kode, kundedata eller materiale under NDA er det en beslutning, jura og sikkerhed skal træffe, før en udvikler vælger prisniveau på en travl fredag.

Rate limits deles på teamniveau og ikke per API-nøgle: 3.000 requests og 4 millioner tokens i minuttet på Standard, 60 requests og 2,1 millioner tokens på Contributor. Parallel fan-out spiser den grænse hurtigere end en enkelt chat, især når flere udviklere kører lange forløb samtidig.

En lav tokenpris giver i øvrigt ikke automatisk et billigt forløb. Fem subagenter, et par retry-loops og over 1.000 værktøjskald multiplicerer forbruget, og en model, der skal prøve tre gange, koster mere end en model, der rammer i første forsøg. Regn derfor på cost-of-completion for en færdig, reviewet opgave frem for på prisen per million tokens.

Benchmarktallene, og hvad de i virkeligheden måler

Meta rapporterer 82,9 % på Terminal-Bench 2.1, en af de benchmarks der måler kodeagenter i en rigtig terminal.
Claude Opus 5 med Claude Code ligger over med 86,7 %.
På DeepSWE v1.1 får Muse 59,3 % mod 65,0 % for Opus 5 og 64,8 % for GPT-5.6 Terra, og på Metas interne benchmark med 440 opgaver fra virkelige pull requests scorer Muse 70,6 % mod 79,4 % for Opus 5.

Meta lander altså som nummer to eller tre i sine egne grafer, hvilket er en usædvanlig ærlig måde at præsentere en lancering på.

Metoden er ordentligt beskrevet. Terminal-Bench-kørslen omfattede alle 89 officielle opgaver med fem forsøg hver i isolerede Daytona-sandkasser, DeepSWE dækkede 113 opgaver fra 91 repositories på fem sprog med internetadgang blokeret, og den interne benchmark blev kørt to gange per opgave. Men modellerne blev ikke kørt i den samme agent. Muse kørte i Muse Code, Opus i Claude Code, GPT-5.6 Terra i Codex, Grok i Grok Build. Meta skriver selv i metodologirapporten bag tallene, at opsætningen ikke nødvendigvis er tunet til tredjepartsmodeller, og at resultaterne derfor ikke afspejler de modellers bedste præstation. Tallene sammenligner altså model plus produkt.

Flere referater af lanceringen har skrevet, at der endnu ikke findes tredjepartsbenchmarks. Det passer ikke. Artificial Analysis fik adgang før den offentlige lancering og kørte modellen i sin egen opsætning: 80 % på Terminal-Bench 2.1 mod Metas 82,9, en Intelligence Index på 54 og 1.631 Elo på GDPval-AA v2, hvor den lander foran Claude Opus 4.8. Omkostningen målte de til cirka 0,40 dollar per opgave på Intelligence Index til standardprisen.

Ét af tallene fortjener et forbehold. Hallucinationsraten faldt fra 38 % til 28 % mellem 1.1 og 1.2, hvilket ser stærkt ud isoleret. Men modellen forsøgte samtidig færre spørgsmål: attempt rate faldt fra 82 % til 67 %, og ren korrekthed faldt fra 41 % til 38 %. Modellen er blevet mere forsigtig, ikke mere vidende.

Muse Code mod Codex og Claude Code

Alle tre kan læse repositories, redigere filer, køre kommandoer, bruge subagenter og holde gang i længere forløb. Forskellene ligger i runtime, overflader, modenhed og forretningsmodel.

Muse Code står stærkest på tre ting: en tydelig fortælling om audit, replay og crash recovery, vedvarende sessionsagenter frem for engangs-subagenter, og co-træningen mellem model og harness. Dertil kommer en million tokens uden særskilt long-context-tillæg i den offentliggjorte pristabel og en Contributor-pris, der ikke har noget modstykke hos konkurrenterne.

Konkurrenterne står stærkere på det, der afgør, om et værktøj overlever i en organisation. Claude Code kører ifølge Anthropics egen dokumentation i terminal, IDE, desktop-app og browser, har hooks, skills, agentteams, planlagte kørsler og mulighed for at flytte en session mellem overflader. Codex dækker CLI, IDE, desktop og isolerede cloud-opgaver. Muse Code har terminalen og CI, og 9to5Mac bemærkede ved lanceringen, at der endnu ikke findes en dedikeret app til Muse Code.

Modenheden er den anden forskel. Codex og Claude Code har kørt i produktion hos tusindvis af teams længe nok til, at fejlmønstrene er kendte, enterprise-processerne gennemprøvede og erfaringerne delt offentligt. Muse Code er et døgn gammelt. Dertil kommer, at Codex og Claude Code typisk sælges gennem abonnementer med delte forbrugspuljer, mens Muse Code er ren token-betaling, så en sammenligning af tokenpriser alene siger ikke ret meget om, hvad et team faktisk betaler om måneden.

Sådan tester I det uden at give agenten nøglerne til huset

Vælg prisniveau bevidst, før nogen åbner et repository.

Standard er udgangspunktet for proprietær kode, og Contributor hører til på åbne repositories og eksperimenter, I ikke ville have noget imod at se i en fremtidig models træningsdata. Afklar samtidig, om I kan håndhæve valget centralt, eller om den enkelte udvikler kan skifte selv. Meta har ikke offentliggjort et klart svar på det.

Behandl workspace trust som en sikkerhedsgrænse. Et betroet workspace kan indlæse projektlokale skills, regler og hooks, og de filer er eksekverbar kode, der kommer fra repositoryet. Meta bruger OS-baseret isolation, Seatbelt på macOS og en medfølgende bubblewrap-helper på Linux, så skrivninger uden for tilladte rødder fejler på OS-niveau. Sandkassen er kun så stærk som den politik, I giver den. Brede skriverettigheder, åbent netværk og cloud-credentials i miljøet gør isolationen næsten ligegyldig.

Husk også, at README-filer, issues, dependencies og genererede filer kan indeholde tekst, der er skrevet for at påvirke agenten. Prompt injection er ikke teoretisk i et værktøj, der læser hele repositoryet og selv vælger sine værktøjskald, og det er den samme risiko, vi beskrev med desktop-agenterne. Og installationskommandoen fra Metas dokumentation piper et hentet shell-script direkte til bash, hvilket er bekvemt og ikke hører hjemme som standardpraksis i en styret organisation. Hent scriptet, læs det, og kør det gennem jeres normale softwaredistribution.

Mål derefter det rigtige, og behandl pilotforløbet som drift af agenter i produktion, ikke som en leg i et sandkassemiljø. Vælg 20 til 30 repræsentative opgaver fordelt på fejlrettelser, tværgående funktioner, refaktorering og migrationer, kør dem mod jeres nuværende værktøj med identiske acceptkriterier, og registrér hvor mange opgaver der klarer de skjulte tests, hvor mange regressioner der bliver introduceret, hvor lang tid et menneske bruger på prompting og review, hvor længe der går fra start til en patch I kan reviewe, og hvad tokenforbruget koster i kroner. Agentens exit code er ikke et bevis for korrekthed. Jeres tests er.

Vi har ikke selv installeret Muse Code og kørt den mod et rigtigt repository, så det her er en gennemgang af dokumentationen, Metas egne målinger og de uafhængige tal fra Artificial Analysis. Det er ikke en produktanmeldelse. Vores vurdering er, at Muse Code er værd at afsætte en pilot til. Metas stærkeste hypotese er, at langvarigt agentarbejde kan leveres til en lavere samlet omkostning, og hverken Metas egne grafer eller målingerne fra Artificial Analysis modbeviser den. De beviser den heller ikke for jeres monorepo, jeres testkultur og jeres releasekrav. Det tal findes kun ét sted, og det er i jeres eget repository.