Meta veröffentlicht Coding-Tool Muse Code

Meta hat mit Muse Code sein erstes eigenständiges Werkzeug für die KI-gestützte Softwareentwicklung vorgestellt. Das Tool befindet sich derzeit in der Beta-Phase und läuft auf dem neuen Modell Muse Spark 1.2.

Muse Code ist als Terminal-Agent konzipiert und lässt sich unter macOS und Linux über ein einzelnes Installationsskript einrichten. Damit tritt Meta in eine Kategorie ein, die bislang vor allem von Anthropics Claude Code und OpenAIs Codex geprägt wurde, die ebenfalls als terminalbasierte Coding-Agenten arbeiten. Laut Meta ist das Tool für komplexe Software-Engineering-Aufgaben in großen Repositories gedacht, von der Planung über das Schreiben von Code bis zur Überprüfung der Ergebnisse. Dabei kann es mehrere dauerhaft aktive Subagenten gleichzeitig koordinieren, um schwierige Aufgaben schneller, genauer und mit weniger manuellem Eingreifen zu lösen.

Hintergrundagenten arbeiten mitlaufend

Ein zentrales technisches Merkmal ist die Kombination aus einer einfachen Hauptschleife und mehreren asynchron arbeitenden Hintergrundagenten. Diese bleiben laut Meta über die gesamte Sitzung hinweg aktiv, anstatt für jede einzelne Aufgabe neu erzeugt zu werden, was doppelte Informationsbeschaffung vermeiden soll. Die Hintergrundagenten erledigen eigenständig Zwischenschritte und entscheiden selbst, wann sie sich wieder beim Hauptagenten melden.

Wiederaufnahme nach Abstürzen

Für die technische Grundlage sorgt ein lokales Ereignisprotokoll, in dem jeder Modellaufruf, jede Werkzeugausführung, jede Freigabe und jede Änderung festgehalten wird. Dieses Protokoll soll laut Meta sicherstellen, dass der Agent nach einem Absturz exakt an der unterbrochenen Stelle weiterarbeiten kann. In der Ankündigung beschreibt Meta das Ergebnis als eine Ausführung, die „exakt wiederholbar und neustartsicher“ sei. Damit soll Muse Code auch bei lange laufenden Aufgaben nicht durch einzelne Fehler aus der Bahn geworfen werden.

Vorinstallierte Skills

Muse Code bringt bereits mehrere Standardfunktionen mit. Der Befehl /plan wandelt eine Aufgabe in einen Plan um, der erst nach Freigabe umgesetzt wird. Mit /grill lässt sich dieser Plan anschließend auf Schwachstellen prüfen, während /goal auf die eigenständige Fertigstellung eines festgelegten Ziels hinarbeitet.

Neues Modell Muse Spark 1.2

Parallel zu Muse Code hat Meta mit Muse Spark 1.2 ein aktualisiertes Modell veröffentlicht, das gezielt für Programmieraufgaben weiterentwickelt wurde. Gegenüber der Vorgängerversion 1.1 verbessert es laut Meta unter anderem die Codegenerierung, komplexes Debugging und das Verständnis größerer Codebasen. Erreicht wurde dies durch deutlich mehr Trainingsrechenleistung für Programmieraufgaben und eine größere Vielfalt an Trainingsumgebungen, ohne die Stärken des Modells in allgemeinen Agentenaufgaben zu verlieren.

Muse Spark 1.2 wurde zudem gemeinsam mit Muse Code trainiert, damit beide Komponenten im Zusammenspiel möglichst gut funktionieren. Ins Training flossen dabei unter anderem ausgewählte Agentenverläufe sowie Anpassungen für Zielverfolgung, Kontextkomprimierung und den Einsatz mehrerer Subagenten ein.

Training für lange Aufgaben

Ein weiterer Schwerpunkt lag auf sogenannten Long-Horizon-Aufgaben, also Projekten, die sich über viele Schritte hinziehen, etwa die Generierung ganzer Repositories oder größere eigenständige Rechercheaufgaben. Dafür setzt das Modell auf Planung zur Strukturierung der Arbeit, auf eine Zielvorgabe zur Beibehaltung der Richtung und auf Kontextkomprimierung, um relevantes Wissen über den gesamten Verlauf hinweg nicht zu verlieren.

Zusätzlich nutzte Meta das Vorgängermodell Muse Spark 1.1, um selbst anspruchsvolle Programmierumgebungen und Vorlagen für das Befolgen von Anweisungen zu erzeugen und die daraus entstandenen Lösungen zu bewerten. Aus diesem Selbstverbesserungsprozess entstand ein Trainingsdatensatz, der Muse Spark 1.2 laut Meta dabei helfen soll, komplexe Anweisungen präziser umzusetzen als das Vorgängermodell.

Testlauf mit GPU-Kernel-Optimierung

Als praktisches Beispiel testete Meta, wie gut das Modell GPU-Kernel über mehr als 1.000 Werkzeugaufrufe und bis zu 24 Stunden hinweg iterativ optimieren kann. Dabei musste das Modell selbst Code schreiben, kompilieren, das Laufzeitverhalten analysieren und die Leistung gegenüber einer vorgegebenen Basisimplementierung schrittweise verbessern, getestet an Kernels für aktuelle Nvidia-Hopper-GPUs. Externe Kernel-Bibliotheken durften dabei nicht direkt eingebunden werden, sodass das Modell die zugrunde liegenden Algorithmen eigenständig in Triton umsetzen musste.

Verfügbarkeit

Muse Spark 1.2 ist ab sofort sowohl in Muse Code als auch über die Meta Model API verfügbar, mit erweitertem globalem Zugang. Für Entwickler, die Muse Code nutzen wollen, dürfte vor allem die enge Abstimmung zwischen Modell und Werkzeug interessant sein, die laut Meta gezielt auf dieses Zusammenspiel hin trainiert wurde.

(red)