Meta lanza Muse Code, un rival multiagente persistente de Claude Code y Codex

Why it matters

Muse Code moves Meta from supplying AI models to owning the developer workflow, where persistent agents, audit logs and parallel execution are becoming core infrastructure.

Mark Zuckerberg (@finkd) lanzó Muse Code de Meta en beta el 5 de agosto, ofreciendo a los desarrolladores un agente para terminal diseñado para planear, ejecutar y validar trabajo de ingeniería de software a través de repositorios grandes.

Muse Code es el primer agente de codificación dedicado de Meta construido alrededor de la familia de modelos Muse. El lanzamiento lleva a Meta más allá de vender acceso a modelos mediante una API y hacia la capa de aplicación, donde Anthropic, OpenAI, Google y Cursor compiten por controlar cómo los desarrolladores delegan trabajo a la IA.

Zuckerberg, fundador, presidente y CEO de Meta, dijo en un hilo en X que Muse Code funciona con Muse Spark 1.2, una actualización recién anunciada enfocada en codificación de Muse Spark 1.1, que Meta lanzó a través de una vista previa pública del Model API el 9 de julio. Meta lanzó el Muse Spark original en abril después de reconstruir su pila de IA bajo Meta Superintelligence Labs. Zuckerberg estudió informática en Harvard antes de trasladar Facebook, que fundó en 2004, a Palo Alto, según el perfil de liderazgo de Meta.

Para Zuckerberg, Muse Code coloca un producto para desarrolladores detrás de su afirmación más amplia de que los agentes de IA se harán cargo de porciones más grandes de la producción de software. Meta apuesta a que el mercado de la codificación recompensará sistemas capaces de sostener trabajo por horas, coordinar múltiples trabajadores y recuperarse de fallas, en lugar de asistentes que producen sugerencias de código aisladas.

Persistent agents and parallel worktrees

Muse Code mantiene agentes especializados en segundo plano activos durante toda una sesión, permitiéndoles acumular contexto en lugar de reiniciarse para cada tarea, dijo Zuckerberg. Para trabajos más grandes, Muse Code delega piezas de la tarea a subagentes que operan en paralelo dentro de worktrees aislados de Git.

Esa arquitectura sigue de cerca la dirección de productos de codificación competidores. La Codex app de OpenAI admite agentes paralelos que trabajan en worktrees separados, mientras que los agentes en segundo plano de Cursor ejecutan tareas de codificación asíncronas en entornos remotos. La competencia se ha desplazado hacia la orquestación: cuánto tiempo puede trabajar un agente, qué tan efectivamente divide un proyecto y qué tan fácil es para un desarrollador inspeccionar el resultado.

El diferenciador de Meta es un registro de eventos local que graba cada llamada al modelo, ejecución de herramienta y edición de código antes de que la acción se ejecute, según Zuckerberg. Muse Code puede usar ese registro para reanudar una tarea después de un fallo sin requerir que el desarrollador reconstruya la sesión. El diseño también ofrece a los desarrolladores un registro cronológico para auditar lo que un agente intentó y cambió.

Ese registro importa a medida que los agentes de codificación reciben mayor acceso a shells, credenciales y repositorios de producción. La autonomía de larga duración incrementa la cantidad de código que un agente puede cambiar antes de una revisión humana, convirtiendo la trazabilidad y la recuperación en parte del producto más que en una característica administrativa.

Meta claims gains on long-running coding work

Zuckerberg dijo que Meta probó Muse Spark 1.2 en una tarea de optimización de kernel NVIDIA Hopper que implicó más de 1,000 llamadas a herramientas durante 24 horas. Dijo que el modelo continuó encontrando mejoras después de su exploración inicial, aunque Meta no publicó la tarea, los cambios de código ni una evaluación reproducible de forma independiente en el hilo.

Un gráfico de referencia adjunto al anuncio de Zuckerberg reporta una puntuación de 82.9% para Muse Code en Terminal-Bench 2.1, por detrás del 86.7% que Meta lista para Opus 5 de Anthropic y por delante de varias otras configuraciones en la comparación de Meta. Un segundo gráfico sitúa a Muse Code en 59.3% en DeepSWE 1.1, por debajo de los resultados de Opus 5 y GPT-5.6 Terra mostrados por Meta. El mismo gráfico lista Muse Spark 1.1 en 53%.

Esas cifras son las evaluaciones de Meta. El anuncio no establece si cada modelo recibió herramientas equivalentes, presupuestos de inferencia o asignaciones de tiempo por tarea, variables que pueden cambiar materialmente los resultados de los benchmarks de agentes. La corrida de kernel de 24 horas de Meta también demuestra persistencia más que la calidad o el valor de producción de la optimización resultante.

Muse Spark 1.2 sigue a Muse Spark 1.1, que Meta lanzó mediante una vista previa pública del Model API el 9 de julio. Meta dijo que esa versión podía manejar una ventana de contexto de un millón de tokens, delegar trabajo a subagentes paralelos y manejar planificación, uso de herramientas y compactación de contexto. Muse Code empaqueta esas capacidades subyacentes en un flujo de trabajo que los desarrolladores pueden operar directamente desde una terminal.

Zuckerberg dijo que los desarrolladores pueden instalar Muse Code con un solo comando y comenzar en un nivel de contribuyente. Meta está lanzando Muse Code como beta, posicionando el uso por parte de desarrolladores tanto como distribución del agente como retroalimentación para los próximos modelos Muse. Zuckerberg dijo que están en desarrollo modelos más grandes.

El lanzamiento da a Meta una ruta directa hacia los flujos de trabajo de desarrolladores después de años usando modelos Llama abiertos para cultivar adopción fuera de sus aplicaciones de consumo. Muse Code sigue la estrategia más reciente de Muse: Meta controla el servicio del modelo y ahora el agente que corre sobre él. Eso crea un producto que Meta puede mejorar con datos de uso mientras compite por las cargas de trabajo de ingeniería que se están convirtiendo en uno de los mercados comerciales más claros para la IA de frontera.