meta近日推出meta版Harness环境下的Muse Code开发工具，并同步更新Muse Spark 1.2大模型。这款代码生成工具以"一个命令安装"的便捷性吸引开发者关注，其核心能力在于处理完整工程任务，包括需求理解、跨文件修改、代码编写与结果验证等全流程操作。
在官方演示中，Muse Code展现了惊人的跨模态理解能力。当用户输入一段房屋航拍视频后，系统自动生成包含营销文案与预订功能的度假屋网页，并在浏览器中实时展示效果。这种能力源于其独特的主从智能体架构：主循环负责整体调度，后台智能体则持续分析项目结构、依赖关系和历史修改记录，避免重复劳动。开发者可通过参数设置实现工作隔离，确保主代码库不受子任务修改影响。
系统运行时产生的详细事件日志构成可追溯的审计链条。每步操作、工具调用和修改记录都被精确记录，支持任务中断后的精准恢复。这种设计既保障了开发连续性，也为团队协作提供了透明化基础。配套的默认技能集包含计划生成、压力测试和目标驱动三种模式，开发者可根据需求灵活调用。
新发布的Muse Spark 1.2模型通过强化训练显著提升编程能力。meta在训练阶段投入更多算力资源，特别加强代码生成、复杂调试和库理解等专项能力。训练数据融合了拒绝采样轨迹和工具集优化方案，使模型与Muse Code运行环境深度适配。长时程任务训练成为亮点，模型通过整仓库生成和端到端项目开发，掌握了工作排序、目标维持和上下文压缩等高级技能。
自我改进机制构成模型迭代的创新路径。1.1版本自动生成编码挑战作为训练素材，1.2版本则通过评分系统筛选优质解决方案，形成规模化训练数据。这种闭环设计使复杂指令遵循能力获得突破性提升。在英伟达Hopper GPU的实测中，模型独立完成KDA和MLA内核优化，通过1000余次工具调用和24小时持续运行，最终实现显著性能提升。
meta推出的"贡献者计划"引发行业讨论。用户同意上传使用数据即可享受0.5折优惠，这种激进定价策略被解读为数据收集战略。该模型支持多层级技能扩展，可兼容Claude和Codex的现有技能库，并通过MCP协议连接外部工具。这种开放架构为开发者提供了灵活的定制空间，同时也引发对数据隐私的持续关注。
