上次我們提到 Meta 發表了 Muse Code ，不過沒有提到背後的驅動模型 Muse Spark 1.2。後來才在一些新聞上面看到相關的訊息，所以就到 Meta 網站上看了官方發表的內容。
新聞重點：Muse Code 與 Muse Spark 1.2 的技術細節
上次我們有提到，Muse Code 是一款運行於終端機的編碼代理（Coding Agent），專門處理規劃、撰寫與驗證程式碼等軟體工程任務。
而這次我們討論的新聞，Meta 官方提到幾個Muse Code 與 Muse Spark 1.2技術亮點：
1. 持久性子代理（Persistent Subagents）： 與傳統 AI 每次對話都重新開始不同，Muse Code 的子代理在整個作業期間會保持活躍，減少重複收集資訊的延遲。
2. 重啟安全（Restart-safe）設計： 透過本地事件日誌記錄所有操作，即使系統崩潰也能從中斷點恢復。
3. Muse Spark 1.2 模型： 這是專為編碼強化的模型，透過與 Muse Code 環境協同訓練（Co-training），提升了處理長程任務（Long-Horizon）的能力。
4. 實戰案例： 在 GPU 核心優化的測試中，模型在不使用第三方資料庫的情況下，經歷超過 1,000 次工具呼叫、長達 24 小時的迭代，成功優化了 NVIDIA Hopper GPU 的核心效能，超越了基準線。
目前 Muse Code 支援 macOS 與 Linux 系統，並已透過 Meta Model API 開放存取。
我的觀察：Meta 的戰略佈局
看完這篇技術發布，我認為 Meta 正在走一條追趕 OpenAI 及 Anthropic 路：
模型與環境
Meta 不只是單純競逐模型的 Benchmark 分數，而是想要將 Muse Spark 1.2 與 Muse Code 的執行環境進行深度聯合訓練。這種做法符合讓 AI 真正與終端機的操作邏輯整合，想要創造更深化的使用情境。
以極低價格換取「Agent 軌跡數據」
Meta 這次採用的「貢獻者模式」，價格極其低廉。我認為這是一種「規模優先」的戰略。當開發者因為便宜而開始大量使用 Muse Code 進行除錯、規劃時，這些真實的 Agent 操作軌跡（Agentic Trajectories）就會成為 Meta 訓練下一代 AI 最寶貴的資產。這是一個強大的數據飛輪。
習慣鎖定（Lock-in）與標準制定
透過 /plan（生成計畫）、/grill（壓力測試）等內建指令，Meta 正在默默制定未來「終端機 AI Agent」的操作標準。一旦開發者習慣了這套工作流，就很容易產生生態系的依賴。
這件事值得繼續觀察什麼
1. 資安與合規性： 雖然低價模式對個人開發者很有吸引力，但對於企業來說，數據回傳訓練的機制是否符合資安規範，將是能否普及的關鍵。
2. 長程任務的穩定性： Meta 提到的 24 小時連續運作是否能在更多現實場景中保持穩定，而不產生嚴重的幻覺或邏輯崩潰，值得我們後續觀察。
原文連結：https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2
