Meta发布首款编程智能体Muse Code：架构革新、性能跃升与开源转向

Meta正式推出首款原生编程智能体Muse Code Meta近日发布其首个面向软件工程全周期的终端级AI编程智能体——Muse Code，并同步推出专为编程任务深度优化的基础模型Muse Spark 1.2。这是Meta在AI编程工具领域迄今最系统、最深入的一次技术落地，标志着其从通用大模型向垂直智能体架构的战略升级。 异步后台智能体：重构AI编程工作流 Muse Code的核心创新在于其“异步后台智能体”架构。不同于主流工具为每次请求临时生成新智能体的做法，Muse Code在用户会话启动时即初始化一组长期存活的专用后台智能体。这些智能体持续保有对当前代码库的理解状态，无需重复解析项目结构或上下文，显著降低响应延迟与冗余计算。 当面对复杂任务（如多模块功能开发），系统自动将工作拆解至多个隔离子智能体，每个都在独立的git工作树中运行，确保开发者本地工作副本完全不受干扰。这种设计使并行开发成为可能——扎克伯格证实，Muse Code已成功在单次会话中同步构建六个互不冲突的游戏功能。 可审计、可恢复、可重放的确定性执行 为保障长周期工程任务的可靠性，Muse Code内置端到端运行时审计机制：所有模型调用、工具执行、人工审批及代码编辑操作，均以不可变方式实时追加至本地事件日志。该日志作为单一事实源，支持任意时刻精确断点恢复——即便任务运行20小时后崩溃，也能从最后成功节点无缝续跑，无需重新提示或重建上下文。 这一特性使Muse Code真正适配真实研发场景中的高价值、长耗时任务，例如Meta实测的24小时GPU内核优化：智能体在NVIDIA Hopper硬件上自主完成超千次Triton工具调用，在KDA与MLA内核中发现并实现包括“门控累积衰减重中心化”在内的非直观优化路径，且在初始探索完成后仍持续产出实质性改进。 Muse Spark 1.2：编程专项模型的代际突破 Muse Spark 1.2并非通用模型微调版本，而是与Muse Code协同设计、联合训练的编程原生模型。其在多项权威基准中实现显著提升：Terminal-Bench 2.1得分82.9%（较1.1版+6.7pt），DeepSWE 1.1达59.3%（+6.3pt）。在Meta自建内部编程基准中，以70.6%大幅领先GPT-5.6 Terra（65.4%）与Gemini 3.6 Flash（63.9%），虽暂居Anthropic Opus 5（79.4%）之后，但验证了专项模型路径的有效性。 双层级定价：用数据换算力的新型协作模式 Meta为Muse Spark API设立两个服务层级。标准层采用透明按量计费：每百万输入token 1.25美元、输出token 4.25美元，承诺不采集用户数据用于训练，速率上限为每分钟3000请求/400万token。 贡献者层级则提供极致成本优势：输入token仅0.10美元/百万、输出token 0.20美元/百万——价格约为标准层的1/10，甚至低于当前多数开源模型API。代价是开发者需主动选择加入数据贡献计划，授权Meta使用其提示词与生成内容持续优化模型。该层级速率限制更严格（60请求/分钟），明确服务于个人开发者与小型实验团队。 企业客户可额外付费启用零数据保留选项，确保全部交互内容不出域、不用于训练，满足强合规要求。 开源叙事的悄然转向 本次发布最耐人寻味的缺席，是“开源”一词的彻底消失。从Llama 2的商业友好许可，到Llama 3.1的“开源AI是前进之路”宣言，Meta曾以开放权重、可自托管、可商用的策略赢得全球开发者信任。但自2025年4月Muse Spark作为首个纯云端专有模型发布起，路线已发生根本转变。 Muse Code延续此路径：无模型权重释放、无许可证说明、无本地部署支持。扎克伯格在回应开源提问时仅表示“我很快会有更多消息分享”，留下战略伏笔。而贡献者层级实质上重构了“开源契约”——不再以免费模型换取生态规模，而是以超低价token换取高质量真实编程数据，形成新的开发者—平台共生逻辑。 当OpenAI开源Codex CLI、Google以Apache 2.0发布Gemini CLI之际，Meta正坚定走向一条更接近Anthropic的专有服务路径。这场转向背后，是AI商业化压力与技术纵深需求的双重驱动：它不再仅仅出售算力，而是出售经由真实世界代码不断淬炼的、具备工程直觉的智能体能力。