Meta lancia Muse Code, l’agente di coding da terminale con il modello Muse Spark 1.2

Meta ha deciso di entrare nella competizione più calda del momento tra i laboratori di intelligenza artificiale, quella degli agenti che scrivono codice. Il 5 agosto 2026 Meta Superintelligence Labs ha rilasciato in beta Muse Code, un agente di coding che vive dentro il terminale, insieme a Muse Spark 1.2, il nuovo modello che lo alimenta. È la risposta di Menlo Park a strumenti ormai familiari come Claude Code di Anthropic, Codex di OpenAI e le CLI di Google, e arriva con un’idea precisa: non un assistente che completa qualche riga, ma un collaboratore digitale capace di lavorare per ore su interi repository.

La mossa segna anche un ritmo impressionante. In poco più di quattro mesi Meta ha portato sul mercato prima Muse Spark, poi Muse Spark 1.1 con la Meta Model API a pagamento, e ora questa versione 1.2 disegnata su misura per il codice. Ti conviene guardare oltre i numeri di prestazione, perché è la strategia di prezzo scelta da Meta a poter fare la differenza.

Che cosa è Muse Code e come lavora dentro il terminale

Muse Code si installa su macOS e Linux con un singolo comando e si usa direttamente dalla riga di comando, lo stesso ambiente in cui gli sviluppatori passano gran parte della giornata. Non è pensato per suggerire completamenti mentre digiti, ma per prendere in carico compiti di ingegneria del software complessi su repository di grandi dimensioni: pianifica le modifiche, scrive il codice e verifica i risultati. Il tutto senza che tu debba restare a supervisionare ogni passaggio.

La caratteristica che distingue di più questo agente è la capacità di coordinare più sottoagenti che restano attivi per tutta la sessione di lavoro. È qui che Muse Code prova a smarcarsi dalla concorrenza.

Agenti in background che non ripartono da zero

Nella maggior parte degli strumenti concorrenti, quando serve un aiuto specializzato viene generato un sottoagente temporaneo che nasce, svolge il suo compito e muore, costringendo il sistema a raccogliere ogni volta le stesse informazioni sul progetto. Muse Code cambia questo schema: gli agenti in background sono persistenti, restano vivi lungo l’intera sessione e portano avanti i passi successivi decidendo da soli quando comunicare con l’agente principale.

Il vantaggio pratico è doppio. Da un lato si riduce la latenza, perché non serve ricostruire il contesto a ogni richiesta. Dall’altro cala la necessità di guidare l’agente a mano nei compiti lunghi e a più stadi, quelli in cui di solito gli assistenti si perdono. È un’evoluzione della stessa logica che Meta aveva sperimentato con un secondo agente incaricato di fare da coach della memoria nei compiti di lunga durata.

Un registro degli eventi che rende l’agente a prova di crash

C’è poi una scelta di ingegneria che merita attenzione. Muse Code tiene un registro locale degli eventi in cui viene annotata ogni singola azione: ogni chiamata al modello, ogni strumento usato, ogni approvazione e ogni modifica al codice. Meta descrive questo registro come l’unica fonte di verità del sistema, capace di rendere l’esecuzione riproducibile e sicura di fronte ai riavvii.

Che cosa significa per te? Se l’agente si blocca o il computer va in crash nel bel mezzo di un lavoro di ore, non ricomincia da capo. Riprende esattamente dal punto in cui si era interrotto, e questo permette di affidargli attività molto lunghe senza il timore di perdere tutto per un errore imprevisto.

A completare il quadro ci sono alcune abilità già integrate. Il comando dedicato alla pianificazione trasforma una richiesta in un piano che richiede la tua approvazione prima di procedere, un altro comando mette sotto stress quel piano finché non regge davvero, e un terzo lavora in autonomia verso l’obiettivo che gli hai indicato.

Muse Spark 1.2, il modello co-addestrato con l’agente

Il motore di tutto questo è Muse Spark 1.2, un aggiornamento della precedente versione 1.1 orientato in modo specifico al codice. Meta dichiara progressi nella generazione di codice, nel debugging complesso, nella comprensione di intere basi di codice e nei flussi di lavoro completi dello sviluppatore. Per ottenerli, il laboratorio ha aumentato in modo netto la potenza di calcolo dedicata all’addestramento sui compiti di programmazione e ha ampliato la varietà degli ambienti di training.

Il punto chiave, però, è un altro: modello e agente sono stati addestrati insieme.

Questo co-addestramento serve a fare in modo che Muse Spark 1.2 dia il meglio proprio quando è abbinato a Muse Code, con un uso degli strumenti più preciso, meno tentativi a vuoto e un risultato finale di qualità più alta rispetto a un modello generico incapsulato in un’interfaccia esterna. Il modello è stato allenato in particolare su compiti a lungo orizzonte, dalla generazione di interi repository ai grandi progetti end to end, sfruttando la pianificazione per mettere in sequenza il lavoro e la compattazione del contesto per non perdere le informazioni utili lungo la strada. Secondo quanto riportato, la finestra di contesto arriva a un milione di token, abbastanza per gestire compiti lunghi dall’inizio alla fine in un’unica sessione.

Interessante anche il metodo usato per migliorare il modello. Meta ha impiegato la versione 1.1 per generare ambienti di codice difficili e modelli di istruzioni, poi ha fatto valutare allo stesso sistema quanto le soluzioni candidate rispettassero quei requisiti. Un ciclo di auto miglioramento che ha prodotto un dataset di addestramento su larga scala e ha reso Muse Spark 1.2 più bravo del predecessore a seguire istruzioni complesse.

I benchmark e la prova dei kernel GPU

Sul piano dei numeri, Meta colloca Muse Spark 1.2 nella parte alta della classifica, senza però rivendicare il primato assoluto. Sul benchmark Terminal-Bench 2.1, il modello dentro Muse Code raggiunge circa l’82,9%, davanti a GPT-5.6 Terra usato in Codex, fermo intorno all’81,8%, e a Grok 4.5 dentro l’ambiente di xAI, all’81,6%. A guidare resta però Claude Opus 5 di Anthropic, che alla massima intensità di calcolo tocca l’86,7%.

Sul benchmark DeepSWE 1.1 Muse Spark 1.2 si ferma al terzo posto con circa il 59,3%, dietro Opus 5 e GPT-5.6 Terra. Sul test interno di Meta, invece, il modello dichiara un 70,6% che batte in modo netto sia GPT-5.6 Terra sia Gemini 3.6 Flash.

Come sempre, i benchmark interni vanno letti con prudenza.

Più concreta è la dimostrazione sui kernel per GPU, il codice a basso livello che spreme le prestazioni dell’hardware. Meta ha messo il modello a ottimizzare kernel per le schede NVIDIA Hopper lasciandolo lavorare oltre mille chiamate a strumenti e fino a ventiquattro ore di seguito. In questo scenario l’agente scrive, compila, misura le prestazioni e migliora progressivamente il risultato rispetto a una versione di partenza, ottenendo accelerazioni significative senza poter usare scorciatoie come le librerie di kernel già pronte. È il tipo di lavoro paziente e iterativo che mostra il senso degli agenti in background persistenti.

Il prezzo come arma: lo standard e il tier “contributor”

La parte più strategica dell’annuncio riguarda i costi. Muse Spark 1.2 è disponibile attraverso la Meta Model API in due livelli molto diversi tra loro. Il livello standard costa 1,25 dollari per milione di token in ingresso e 4,25 dollari per milione in uscita, con l’input in cache a 0,15 dollari, e Meta garantisce che i tuoi prompt e le risposte non verranno usati per addestrare i suoi modelli.

Poi c’è il livello che cambia le regole del gioco.

Il tier chiamato contributor scende a 0,10 dollari per milione di token in ingresso e 0,20 in uscita, con l’input in cache a un valore quasi simbolico. In cambio, autorizzi Meta a usare i tuoi prompt e le risposte del modello per allenare i sistemi futuri. Parliamo di un prezzo circa dodici volte più basso in ingresso e ventuno volte più basso in uscita rispetto allo standard: uno sconto enorme, pagato non con denaro ma con i tuoi dati di programmazione.

È una scommessa che va nella direzione opposta rispetto a chi taglia i listini per competere, come ha fatto di recente OpenAI dando il via a una vera e propria guerra dei prezzi tra i modelli. Meta non si limita ad abbassare la tariffa: costruisce un meccanismo in cui gli sviluppatori più attenti al budget diventano una fonte continua di dati reali di coding, esattamente il carburante che serve per addestrare i modelli della prossima generazione.

Perché questo lancio conta davvero

Muse Code e Muse Spark 1.2 non sono soltanto l’ennesima uscita in un mercato affollato. Sono il segnale che Meta vuole stare nel cuore del lavoro degli sviluppatori, il terminale, con un prodotto completo e non con una semplice API da integrare altrove. La cadenza con cui il laboratorio pubblica nuovi modelli, tre in quattro mesi, racconta di un’azienda che ha messo la potenza di calcolo e il talento al servizio di un obiettivo dichiarato: avvicinarsi alla frontiera.

Per chi scrive codice, il messaggio è concreto. Hai a disposizione un nuovo agente da terminale pensato per i compiti lunghi, con la capacità di sopravvivere ai crash e di coordinare più aiutanti in parallelo, e un modello che promette prestazioni vicine ai migliori a un costo che, nella versione contributor, non ha eguali. Il prezzo da valutare, letteralmente, è quanto ti importa che i tuoi progetti finiscano nel prossimo ciclo di addestramento di Meta.

Il consiglio è di provarlo con progetti non sensibili e di misurarne il comportamento sui tuoi flussi reali, dove i benchmark contano meno dell’esperienza quotidiana. Se ti occupi di sviluppo o segui da vicino l’evoluzione degli agenti AI, questo è il momento giusto per capire come cambia il lavoro: leggi anche gli approfondimenti che pubblichiamo sui nuovi modelli e torna a trovarci per i prossimi aggiornamenti dal fronte della programmazione assistita dall’intelligenza artificiale. Puoi consultare i dettagli tecnici direttamente nell’annuncio ufficiale di Meta Superintelligence Labs.