目錄
2026 年 8 月 5 日，Meta Superintelligence Labs 發布 Muse Code early beta——Meta 的第一個終端原生 coding agent。領導這個團隊的是 Alexandr Wang（Meta 的 Chief AI Officer，前 Scale AI 創辦人）。
Muse Code 在技術上有幾個有趣的設計選擇。但它最被討論的不是技術，是定價模型：你可以用標準價格，或者讓 Meta 拿你的程式碼去訓練，換取 20 倍的折扣。
技術架構
靜態 binary
Muse Code 發布為單一靜態連結 binary（名稱 muse），不依賴 Node.js、Python 或 Homebrew。實作語言未公開。
curl -fsSL https://dev.meta.ai/install.sh | bash安裝到 ~/.local/bin/muse，內建自動更新（每小時檢查一次，MUSE_NO_AUTO_UPDATE=1 停用）。支援 macOS 和 Linux（x86_64 / arm64），Windows 需要 WSL2。
Append-only event log
Muse Code 把每個 session 的操作記錄為 append-only event log。這讓它能做 crash recovery 和 session 恢復：
muse resume程式崩潰或手動中斷後，session 可以從上次的狀態接續。這跟 OMP 2 的 content-addressed blob storage + append-only transcripts 和 Pi v2 的 lane-based durable session 是同一個方向——session 持久化正在變成所有 harness 的共同演化方向。
Persistent sub-agent + worktree 隔離
Muse Code 的子 agent 是 persistent 的——它們在同一個 session 內跨任務存活，不需要每次重建。寫入檔案的子 agent 在獨立的 git worktree 裡執行，使用者的工作目錄不會被動到。
這個設計選擇值得注意：大多數 coding agent 的子 agent 是用完即棄的。persistent sub-agent 意味著子 agent 可以累積 context，但也意味著更複雜的生命週期管理。
模型：Muse Spark 1.2
Muse Spark 1.2 是 Meta 專門為 coding 訓練的閉源模型，特點是模型和 harness 一起訓練——模型行為和 agent 目標作為一個單元最佳化，不是先訓模型再套 agent loop。
參數量未公開。社群在 OpenRouter 上觀察到的吞吐量（~150-180 tok/s）暗示它可能沒有最前沿的模型那麼大。
Meta 另外釋出了 Muse Glimmer 30B（29.6B dense，從 Spark 蒸餾而來，Apache 2.0，131K context），但這不是 Muse Code 預設使用的模型。
Benchmark（Meta 自行公布，未經獨立驗證）
| Benchmark | Muse Spark 1.2 | Opus 5 (Claude Code) | GPT-5.6 Terra (Codex) |
|---|---|---|---|
| Terminal-Bench 2.1 | 82.9% | 86.7% | 81.8% |
| DeepSWE 1.1 | 59.3% | 65.0% | 64.8% |
| Meta Internal | 70.6% | 79.4% | 65.4% |
Meta 在所有公開 benchmark 上承認落後 Opus 5。Muse Code 的差異化不在品質，在價格。
定價：訓練權換折扣
| 方案 | Input | Cached Input | Output |
|---|---|---|---|
| Standard | $1.25/M tokens | $0.15/M | $4.25/M |
| Contributor | $0.10/M tokens | $0.002/M | $0.20/M |
Contributor 方案便宜最多 20 倍，但明確授權 Meta 拿你的 prompt 和 completion 去訓練。
這是 Muse Code 最大的爭議。對個人開發者寫開源專案來說，Contributor 定價非常有吸引力。但對企業使用者來說，程式碼進入 Meta 的訓練管線是直接的合規風險。Contributor 方案內沒有細粒度的 opt-out——你要嘛全開，要嘛付標準價。
這個定價模型在 coding agent 領域是獨一無二的。Claude Code、Antigravity CLI 和其他商業工具的定價跟訓練資料權利是分開的。Muse Code 把它們綁在一起。
風險
Beta 就是 beta。 社群回報品質問題——重構後留下死碼、restructuring 過於淺層。
Benchmark 未獨立驗證。 上面那張表是 Meta 自己的評估結果，不在官方排行榜上。比較對象選了 GPT-5.6 Terra 而不是更高階的模型。
閉源 binary + 自動更新。 你無法審核 muse binary 的行為，而且它預設每小時自動更新。在 Grok Build 的隱私事件之後，閉源 coding agent 的信任成本更高了。
Muse Spark 1.2 權重未開源。 Zuckerberg 在 8 月 10 日宣布計畫開源，但截至目前只有蒸餾版 Glimmer 30B 是 Apache 2.0。
跟其他 Coding Agent 的對照
| Muse Code | Claude Code | Antigravity CLI | dsh | |
|---|---|---|---|---|
| 開源 | 閉源 | 閉源 | 閉源 | MIT |
| 模型 | Muse Spark 1.2 | Claude | 多模型 | 自選 |
| 子 agent | Persistent + worktree | 單 session | 內建編排器 | Cordis plugin |
| 定價特色 | 訓練權換折扣 | 訂閱制 | 額度制 | 自帶 API key |
| Session 持久化 | Event log + resume | 有 | 不明 | Plugin 可換 |
整體來說
Muse Code 的技術架構有值得關注的選擇——persistent sub-agent、event log crash recovery、模型與 harness 共同訓練。這些在其他 agent 上不常見。
但它面臨兩個核心問題：品質還在追趕（Meta 自己的 benchmark 落後 Claude Code 4-9 分），以及定價模型的信任成本。Contributor 方案的 20 倍折扣很誘人，但「用程式碼換折扣」這個交易在企業場景裡很難通過合規審查。
在 H2 2026 的 harness 大戰裡，Muse Code 代表的是模型廠商直接進場做 agent 的趨勢——不是提供 API 讓別人做 harness，而是連 harness 一起做。Google 的 Antigravity CLI、xAI 的 Grok Build 都是同一個方向。
參考資料
Loading...