Meta lanza Muse Code, un agente de codificación que sigue funcionando después de fallar
Meta lanzó Muse Code en versión beta para macOS y Linux, impulsado por un nuevo modelo Muse Spark 1.2. Sus dos ideas interesantes son agentes en segundo plano que permanecen activos durante toda una sesión y un registro de eventos local que permite que un trabajo interrumpido se reanude exactamente donde se detuvo.
Meta lanzó Muse Code en versión beta el miércoles, un agente de codificación que se ejecuta en su terminal en lugar de en una ventana de chat. El propio Mark Zuckerberg lo anunció. Se ejecuta en un nuevo modelo llamado Muse Spark 1.2 y coloca a Meta directamente contra Claude Code de Anthropic y Codex de OpenAI en lo que silenciosamente se ha convertido en el rincón más competitivo de la industria.
El argumento es completar tareas de software en grandes bases de código: el agente planifica un cambio, escribe el código y luego verifica si el resultado realmente funciona. Se instala en macOS y Linux con un único comando de shell, y Muse Spark 1.2 también está disponible a través de Meta Model API. Hay tres habilidades integradas, que son simplemente rutinas con nombre a las que puedes llamar: /plan convierte una solicitud en un plan que tienes que aprobar, /grill ataca ese plan para ver si sobrevive y /goal sigue funcionando hasta que se cumple el objetivo.
Vale la pena comprender dos opciones de diseño incluso si nunca escribe código. En primer lugar, los agentes en segundo plano permanecen activos durante toda la sesión en lugar de crearse nuevos para cada tarea, por lo que no tienen que volver a leer los mismos archivos una y otra vez. En segundo lugar, cada llamada de modelo, ejecución de herramienta, aprobación y edición se agrega a un archivo de registro local, que Meta describe como reproducción exacta y reinicio seguro. En términos sencillos: si la cosa falla cuatro horas después de un trabajo, continúa precisamente donde se detuvo en lugar de comenzar de nuevo. Meta mostró un estudio de caso en el que el sistema realizó más de 1000 llamadas a herramientas en ejecuciones de hasta 24 horas mientras optimizaba los núcleos de GPU.
¿Qué está pasando realmente aquí?
La afirmación interesante no es la puntuación de referencia, sino que Meta entrenó el modelo junto con la herramienta que lo ejecuta. La mayoría de los laboratorios construyen un modelo y luego lo envuelven con un harness, es decir, el andamiaje que permite al modelo usar una terminal, leer archivos y ejecutar pruebas. Meta coentrenó Muse Spark 1.2 con Muse Code, por lo que el modelo ha practicado dentro del entorno exacto en el que se envía. Meta es sincero en que su harness puede no estar adaptado a los modelos de la competencia, lo cual es una forma educada de decir que sus números de comparación con Claude Opus 5, GPT-5.6 Terra, Gemini 3.6 Flash, Grok 4.5 y Kimi K3 deben leerse con atención.
Vale la pena saberlo antes de emocionarse: este es un software beta, no hay pesos descargables, por lo que depende de los servidores de Meta e instala cualquier cosa con un curl | El comando bash significa confiar completamente en el editor.
Qué significa esto para ti: si no codifica, nada hoy, pero la idea de reanudación de fallas es una vista previa de hacia dónde se dirigen todos los asistentes de IA, desde largos trabajos de investigación hasta trabajos de documentación nocturnos. Si codifica, esta es ahora una cuarta opción genuina que vale la pena probar durante el fin de semana, especialmente para refactorizaciones largas donde el agente solía perder el hilo. Guárdelo en un sandbox con puertas de revisión, igual que cualquier agente.
Fuentes
Fuentes: https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2
OpenAI incluye tres complementos educativos y admite silenciosamente que la mayoría de los estudiantes apenas usan las herramientas que tienen
Nuevos complementos para profesores K-12, educadores universitarios y estudiantes universitarios llegan a ChatGPT Edu y ChatGPT for Teachers. Enterrado en el anuncio: incluso los usuarios estudiantes avanzados aprovechan las capacidades de ChatGPT entre un 90 y un 99 por ciento menos que los usuarios avanzados.
