Meta gjør Muse Spark 1.2 til kodeagent

Meta har lansert Muse Code i beta, en terminalbasert kodeagent drevet av den nye modellen Muse Spark 1.2. Det er ikke bare enda en Copilot-variant. Meta beskriver en agent som planlegger endringer, skriver kode, validerer resultatet og kan holde flere vedvarende underagenter i gang rundt samme oppgave. Den viktige detaljen er at Muse Spark 1.2 ikke bare er satt bak et nytt grensesnitt. Modellen er trent sammen med selve agentmiljøet.

For virksomheter som allerede tester Claude Code, Codex, Cursor, Gemini CLI eller interne agentløp, er signalet tydelig: konkurransen flytter seg fra rene chatmodeller til hele utviklingssystemer. Modellkvalitet er fortsatt viktig, men den blir mindre løsrevet fra runtime, verktøy, logg, gjenopptak, godkjenning og måten agenten holder retning over mange timer. Det er her Meta prøver å skille seg ut. Muse Code bruker en lokal append-only eventlogg for modellkall, verktøykjøringer, godkjenninger og redigeringer. Ifølge Meta skal det gjøre kjøringen replaybar og restart-sikker, slik at agenten kan fortsette etter krasj i stedet for å begynne på nytt.

Dette er en mer voksen arkitektur enn mye av agent-hypen fra 2025 og første halvår 2026. Langvarige kodeoppgaver feiler sjelden fordi modellen ikke kan skrive en funksjon. De feiler fordi kontekst råtner, deloppgaver mister eierskap, verifikasjon blir overflatisk, og fordi ingen har en god revisjonsspor når agenten har brukt 400 verktøykall og endret 31 filer. Metas vekt på lokal hendelseslogg, persistent underagent-design og eksplisitte ferdigheter som /plan og /grill peker mot at de ser samme problem: agenten må driftes som et system, ikke bare spørres som en chatbot.

Muse Spark 1.2 er en kodefokusert oppdatering av Muse Spark 1.1. Meta sier de har skalert treningscompute på kodeoppgaver, utvidet variasjonen i treningsmiljøer og trent modellen på lange oppgaver som hele repo-generering, større ende-til-ende-prosjekter og auto-research. De sier også at de brukte Muse Spark 1.1 til å lage vanskelige kode- og instruksjonsfølgingsmiljøer, og at kandidatløsninger ble gradert for å bygge treningsdata til 1.2. Det er en interessant selvforsterkende sløyfe: eldre modell hjelper til med å lage vanskeligere treningsoppgaver for neste modell.

Den mest konkrete demonstrasjonen i lanseringen er kernel-optimalisering. Meta testet Muse Spark 1.2 i et agentisk kodemiljø med over 1.000 verktøykall og løp på opptil 24 timer. Modellen skrev, kompilerte, profilerte og forbedret GPU-kjerner mot baseline-implementasjoner for NVIDIA Hopper. Slike caser er ikke nødvendigvis representative for hverdagslig enterprise-kode, men de sier noe om ambisjonsnivået: dette handler om å holde en teknisk arbeidsprosess gående lenge nok til at iterasjon faktisk betyr noe.

CIO-vinkelen er enkel. Ikke kjøp dette som et produktløfte før det er testet i egne repoer, med egne bygg, egne sikkerhetsregler og egne rollback-krav. Men heller ikke avskriv det som Meta-prat. Når en modell trenes spesifikt med agentens verktøy, logg, subagenter og arbeidsflyt, kan den få praktiske fordeler som ikke vises godt i vanlige modellbenchmarks. Det betyr at eval-regimet bør endres. Spørsmålet er ikke bare «hvilken modell scorer høyest på SWE-bench?». Spørsmålet er «hvilket komplett agentsystem fullfører trygt flest endringer i våre repoer uten å lage oppryddingsgjeld?».

CISO-er bør se på dette med samme kjølige blikk. En restart-sikker agentlogg er positivt for sporbarhet, men den øker også kravene til lokal dataklassifisering. Hva havner i loggen? Hvilke hemmeligheter kan lekke inn via terminaloutput, testdata eller stacktraces? Hvem kan lese replay-historikken? Hvordan slettes den? Hvis underagenter arbeider asynkront, må virksomheten ha tydelige grenser for filtilgang, nettverk, credentials og godkjenning før endringer kjøres mot levende systemer.

Det strategiske poenget er at Meta nå melder seg mer direkte inn i kodeagent-markedet med et modellnavn som ikke bare er «enda en LLM», men en agenttilpasset runtime. Muse Spark 1.2 er tilgjengelig i Muse Code og Meta Model API, og Reuters oppgir at standardnivået prises til 1,25 dollar per million input-tokens og 4,25 dollar per million output-tokens. Pris alene vinner ikke enterprise-markedet, men hvis Meta kan kombinere lavere kost med langvarig agentarbeid, kan dette legge press på både OpenAI, Anthropic og Google i utviklerverktøyene.

For norske ledergrupper er riktig respons en kontrollert pilot, ikke en bred utrulling. Velg tre repoer: ett gammelt, ett aktivt og ett godt testdekket. Mål fullført endring, antall menneskelige avbrudd, testpass-rate, uønskede filendringer, hemmelighetslekkasje i logger og hvor godt agenten forklarer beslutningene sine etterpå. Da får dere svar på om Muse-retningen er et reelt produktivitetsløft eller bare pen arkitektur med Meta-logo.

Kilder og medier

Primærkilde: Meta AI Research – https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2 Verifisering: Reuters rapporterte lanseringen 5. august 2026 og bekreftet at Muse Code drives av Muse Spark 1.2. Thumbnail: OpenAI Image 2 / hogby.ai