Meta fornisce Muse Code, un agente di codifica che continua a funzionare dopo un arresto anomalo
Meta ha rilasciato Muse Code in versione beta per macOS e Linux, basato su un nuovo modello Muse Spark 1.2. Le sue due idee interessanti sono gli agenti in background che rimangono attivi per un'intera sessione e un registro eventi locale che consente di riprendere un lavoro interrotto esattamente dal punto in cui si era interrotto.
Mercoledì Meta ha rilasciato Muse Code in versione beta, un agente di codifica che viene eseguito nel tuo terminale anziché in una finestra di chat. Lo ha annunciato lo stesso Mark Zuckerberg. Funziona su un nuovo modello chiamato Muse Spark 1.2 e mette Meta direttamente contro Claude Code di Anthropic e Codex di OpenAI in quello che è diventato silenziosamente l’angolo più competitivo del settore.
Lo scopo è completare le attività software su basi di codice di grandi dimensioni: l’agente pianifica una modifica, scrive il codice, quindi controlla se il risultato funziona effettivamente. Si installa su macOS e Linux con un singolo comando shell e Muse Spark 1.2 è disponibile anche tramite l’API Meta Model. Ci sono tre abilità integrate, chiamate semplicemente routine che puoi chiamare: “/plan” trasforma una richiesta in un piano che devi approvare, “/grill” attacca il piano per vedere se sopravvive e “/goal” continua a funzionare finché l’obiettivo non viene raggiunto.
Vale la pena comprendere due scelte di progettazione anche se non si scrive mai codice. Innanzitutto, gli agenti in background rimangono attivi per l’intera sessione invece di essere creati di nuovo per ciascuna attività, quindi non devono rileggere più e più volte gli stessi file. In secondo luogo, ogni chiamata al modello, esecuzione dello strumento, approvazione e modifica viene aggiunta a un file di registro locale, che Meta descrive come riproduzione esatta e riavvio sicuro. In parole povere: se l’oggetto si blocca dopo quattro ore dall’inizio di un lavoro, riprende esattamente da dove si era fermato anziché ricominciare. Meta ha mostrato un caso di studio in cui il sistema ha effettuato più di 1.000 chiamate a strumenti nell’arco di 24 ore, ottimizzando i kernel della GPU.
Cosa sta realmente succedendo qui
L’affermazione interessante non è il punteggio del benchmark, ma che Meta ha addestrato il modello insieme allo strumento che lo esegue. La maggior parte dei laboratori costruisce un modello e poi lo avvolge in un harness, ovvero l’impalcatura che consente a un modello di utilizzare un terminale, leggere file ed eseguire test. Meta ha co-addestrato Muse Spark 1.2 con Muse Code, quindi il modello ha fatto pratica nell’esatto ambiente in cui viene spedito. Meta è in anticipo sul fatto che il suo harness potrebbe non essere ottimizzata per i modelli della concorrenza, il che è un modo educato per dire che i suoi numeri di confronto con Claude Opus 5, GPT-5.6 Terra, Gemini 3.6 Flash, Grok 4.5 e Kimi K3 dovrebbero essere letti con attenzione.
Vale la pena saperlo prima di emozionarsi: questo è un software beta, non ci sono pesi scaricabili, quindi dipendi dai server di Meta e installi qualsiasi cosa con un curl | bash significa fidarsi completamente dell’editore.
Cosa significa per te: se non codifichi, niente oggi, ma l’idea di ripresa dell’arresto anomalo è un’anteprima di dove stanno andando tutti gli assistenti IA, dai lunghi lavori di ricerca al lavoro documentale notturno. Se esegui il codice, questa è ora una vera quarta opzione che vale la pena testare nel fine settimana, soprattutto per i refactoring lunghi in cui l’agente perdeva il thread. Conservalo in una sandbox con cancelli di revisione, come qualsiasi agente.
Fonti
Fonti: https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2
OpenAI fornisce tre plugin didattici e ammette tranquillamente che la maggior parte degli studenti utilizza a malapena gli strumenti a disposizione
Nuovi plugin per insegnanti delle scuole primarie e secondarie, docenti universitari e studenti universitari arrivano in ChatGPT Edu e ChatGPT for Teachers. Sepolto nell'annuncio: anche gli utenti studenti avanzati sfruttano le capacità di ChatGPT dal 90 al 99% in meno rispetto agli utenti esperti.