Meta发布Muse Code编程智能体 挑战AI编程工具市场

近日，Meta正式推出其首款面向编程场景的智能体工具Muse Code，同时发布了专门针对编程任务优化的前沿大模型Muse Spark 1.2，这也是该公司在AI编程工具赛道的一次重磅布局。

Meta首席执行官马克·扎克伯格在社交平台亲自公布了这款产品，称测试版的Muse Code可以在大型代码库中完成完整的软件工程任务，直接向行业内的领先玩家发起挑战。

这款工具由Meta AI负责人Alexandr Wang主导研发，他同时掌管Meta超级智能实验室与基础模型研发业务。Wang于去年6月加入Meta，是扎克伯格为重振公司AI战略所引入的核心人才之一。

基于终端打造的Muse Code由Muse Spark 1.2提供算力支持，在代码生成、复杂调试、代码库理解以及端到端开发者工作流等多个维度都进行了针对性优化。

核心架构与性能表现

Muse Code最核心的架构亮点在于其异步后台智能体设计。与多数竞品需要为每个任务临时生成辅助智能体的模式不同，Muse Code会在整个会话周期中保留一组专属的后台智能体持续运行，避免了反复收集信息的冗余操作，这些智能体可以自主执行后续步骤，并自行选择向主智能体汇报的时机。

这种架构带来的最直接优势是更低的延迟和更少的人工监督：已经熟悉目标代码库的智能体无需在开发者每次提出新需求时重新遍历代码。当任务规模较大时，Muse Code会将工作分发到独立的子智能体并行处理，每个子智能体都在隔离的git工作树中运行，完全不会干扰开发者的本地工作副本。

另一个值得关注的设计点是可审计性。如果Muse Code在长达20小时的长周期任务中崩溃，它可以从停止的位置精准恢复，不会丢失任何工作进度，也不需要重新发起提示。所有的模型调用、工具运行、审批操作和代码编辑都会在执行前追加到本地事件日志中，Meta表示这种单一事实来源让运行时具备了精确重放和安全重启的特性。

本次同步推出的Muse Spark 1.2模型是和Muse Code联合开发训练的，进一步提升了整体编程性能。Meta发布了多组基准测试数据对比结果：在Terminal-Bench 2.1测试中，搭载在Muse Code中的Muse Spark 1.2得分达到82.9%，略高于OpenAI的GPT-5.6 Terra和xAI的Grok 4.5，但落后于Anthropic Opus 5在Claude Code中的最高成绩86.7%；在DeepSWE 1.1测试中，该模型取得59.3%的成绩，排名第三，仅次于Opus 5和GPT-5.6 Terra；在Meta内部的编程基准测试中，Muse Spark 1.2以70.6%的成绩击败了GPT-5.6 Terra和Gemini 3.6 Flash，但仍比Opus 5的79.4%低近9个百分点，即便在自家设计的测试中，Anthropic的模型依然占据榜首位置。

不过该模型的代际提升依然明显：相比Muse Spark 1.1，它在Terminal-Bench上提升了6.7个百分点，在DeepSWE上提升了6.3个百分点。

Meta还展示了一个长周期测试案例：让Muse Spark 1.2在NVIDIA Hopper硬件上连续运行24小时，完成超过千次工具调用，进行GPU内核优化。该智能体基于Triton语言开发，且无法调用现有第三方库，最终在KDA和MLA内核上实现了实质性改进，包括重新中心化门控累积衰减这类非直观的优化手段。扎克伯格表示，该智能体在初始探索阶段之后依然在持续发现新的优化空间。

差异化定价策略

Meta希望通过亲民的定价让Muse Code与Anthropic、OpenAI的同类产品形成差异化竞争，为此推出了两个层级的API服务。

基础标准层级采用按量付费模式，每百万输入token收费1.25美元，每百万输出token收费4.25美元，这一价格低于Anthropic的Sonnet 5模型。Meta承诺该层级的提示词和生成内容不会用于模型训练，速率限制为每分钟每团队3000次请求和400万token。

此外还有一个贡献者层级，价格比标准层级还要低10倍以上，每百万输入token仅0.10美元，每百万输出token0.20美元。不过使用该层级的开发者需要选择加入，同意将自己的数据用于模型优化，同时速率限制更为严格，仅为每分钟60次请求，主要面向个人开发者和小型实验项目。

值得注意的是，这一定价甚至比DeepSeek-V4-Flash还要更低，而近期DeepSeek还宣布将上调API服务定价。

Meta还提到，企业客户可以选择零数据保留选项，即公司不会留存开发者的数据用于模型训练，但需要支付额外费用，这一功能被认为是面向企业客户的重要企业级特性。

上周Meta发布的财报表现不佳，营收预测疲软且自由现金流萎缩，导致股价大幅下跌。该公司98%的收入来自在线广告业务，而这款新的编程智能体是扎克伯格寻求从AI业务中获得新收入增长点的又一次尝试，与此同时Meta仍在持续大规模投资数据中心和相关计算基础设施。

开源战略的重大转变

本次发布中最引人关注的一点是Meta没有提及任何开源相关的计划。在社交平台回应开发者提问时，扎克伯格表示“很快会有更多消息分享”，暗示未来可能存在开源的可能性。

过去三年，Meta凭借Llama系列大模型成为开源AI领域的代表品牌：从2023年2月LLaMA泄露引发消费级AI热潮，到Llama 2的商业许可发布，再到4050亿参数的Llama 3.1以及扎克伯格“开源AI是未来发展方向”的表态，Meta一直向开发者承诺可以免费下载、自托管和微调前沿大模型权重。这一策略取得了显著成效，截至2026年初，Llama家族的下载量已经达到约12亿次，日均下载量超过百万，自托管模式为企业节省了最高达88%的成本。

这种开源策略的裂痕从Llama 4开始出现。2025年4月推出的Llama 4模型评价平平，最终承认基准测试结果存在虚报，而DeepSeek、阿里巴巴、智谱AI等中国开源模型快速崛起，到2025年底已经占据Hugging Face下载量的约41%，侵蚀了Llama的市场领导地位。这次挫折促使扎克伯格在2025年夏季将Meta的AI业务重组为Meta超级智能实验室（MSL），并挖来Scale AI联合创始人Alexandr Wang。

今年4月8日，Llama时代正式宣告结束。MSL发布了首个专有模型Muse Spark，该模型没有可下载的权重，不支持自托管，仅提供云端API服务。当时Meta发言人仅表示“当前的Llama模型将继续开源”，但对未来的模型计划保持沉默；Wang则曾表示“计划开源未来的模型版本”。但四个月后的今天，Muse Code的发布没有任何开源承诺，既没有提供模型权重，也没有相关许可证，发布博文和扎克伯格的公开帖子中都没有出现“开源”一词。

这种转向显得尤为尖锐，因为行业内的竞争对手正在朝相反的方向发展：OpenAI在Apache 2.0许可下开源了Codex CLI，并推出了gpt-oss开放权重模型；Google的Gemini CLI同样采用Apache许可证。如今Meta的姿态更接近Anthropic的专有模型路线，曾经高呼开源是发展方向的公司，现在开始要求开发者按token付费使用模型。

新推出的贡献者层级在某种程度上延续了Llama时代的策略逻辑：不再通过免费的模型权重换取市场份额，而是以低廉的token费用换取训练数据，开发者需要用自己的数据来“补贴”模型的迭代优化。