بخش تحقیقات هوش مصنوعی متا با Muse Code، یک عامل کدنویسی جدید مبتنی بر ترمینال، و Muse Spark 1.2، مدل ارتقا یافته ای که آن را تقویت می کند، وارد مسابقه کدنویسی عاملی شده است. انتشار، که در 5 آگوست 2026 اعلام شد، مستقیم ترین تلاش متا را برای به چالش کشیدن ابزارهای کدگذاری اختصاصی OpenAI، Anthropic و موجی از استارتاپ ها نشان می دهد. برای توسعه‌دهندگانی که از جدیدترین ابزارهای هوش مصنوعی و پلتفرم‌های عاملی پیروی می‌کنند، Muse Code یک برداشت کاملاً مبتنی بر تحقیق در مورد نحوه رفتار یک برنامه‌نویس جفت هوش مصنوعی ارائه می‌دهد.

Muse Code برای انجام وظایف پیچیده مهندسی نرم افزار در پایگاه های کد بزرگ طراحی شده است - برنامه ریزی تغییرات، نوشتن کد و اعتبارسنجی نتایج. متا می‌گوید که این عامل نشان‌دهنده «گام بعدی آن به سوی مرز» است که مدل‌های بزرگ‌تر و توانمندتری در راه است.

طراحی چند عاملی که برای کارهای طولانی ساخته شده است

قابل توجه ترین انتخاب معماری در Muse Code استفاده از عوامل پس زمینه مداوم است. Muse Code به‌جای ایجاد یک عامل فرعی جدید برای هر زیرکار، مجموعه‌ای از عوامل پس‌زمینه ناهمزمان را در کل جلسه زنده نگه می‌دارد. این عوامل اطلاعات را جمع آوری می کنند و مراحل بعدی را به تنهایی انجام می دهند و تنها در صورت لزوم به عامل اصلی گزارش می دهند.

متا استدلال می‌کند که این طراحی تأخیر و نیاز به هدایت مداوم انسان در مسائل دشوار و چند مرحله‌ای را کاهش می‌دهد. این شرکت نوشت: «تداوم آنها تأخیر و نیاز به فرمان را کاهش می دهد، زیرا نمایندگان از جمع آوری مجدد مضمونی که قبلاً در اختیار دارند اجتناب می کنند.

Muse Code نیز برای زنده ماندن در تصادفات ساخته شده است. هر فراخوانی مدل، اجرای ابزار، تأیید و ویرایش به گزارش رویداد محلی اضافه می‌شود که به عنوان یک منبع منفرد حقیقت عمل می‌کند. به گفته متا، این باعث می‌شود زمان اجرا «دقیق پخش مجدد و راه‌اندازی مجدد» ایمن باشد.

عامل دارای چندین مهارت داخلی است: یک دستور «/plan» که یک کار را به یک طرح دارای مجوز تبدیل می‌کند، یک دستور «/grill» که آن برنامه را تا زمانی که پایدار بماند، آزمایش می‌کند، و یک دستور «/goal» که برای یک هدف مشخص کار می‌کند.

Muse Spark 1.2: اولین ارتقاء کدنویسی

Muse Spark 1.2 یک به‌روزرسانی مبتنی بر کدنویسی برای مدل قبلی Muse Spark 1.1 است. متا گفت که تولید کد مدل، اشکال‌زدایی پیچیده، درک پایگاه کد و جریان‌های کاری توسعه‌دهنده انتها به انتها را با افزایش قابل توجهی در محاسبات آموزشی در مورد وظایف کدنویسی و گسترش تنوع محیط‌های آموزشی آن بهبود بخشیده است، در حالی که نقاط قوت خود را در وظایف عامل عمومی حفظ می‌کند.

مهمتر از همه، متا در کنار خود Muse Code، Muse Spark 1.2 را آموزش داد. این آموزش شامل مسیرهای مهار نمونه رد و بهینه سازی دستور برای اهداف، فشرده سازی زمینه و عوامل فرعی، همراه با ادغام مجموعه ابزار Muse Code برای به حداکثر رساندن سازگاری بود.

این شرکت همچنین از یک حلقه بهبود خود استفاده کرد: از Muse Spark 1.1 برای ایجاد محیط‌های کدنویسی چالش برانگیز و الگوهای پیروی از دستورالعمل‌ها استفاده کرد، سپس راه‌حل‌های کاندید درجه مدل را در مورد میزان برآورده کردن الزامات داشت. این فرآیند یک مجموعه داده آموزشی مقیاس‌پذیر تولید کرد که به Muse Spark 1.2 کمک کرد دستورالعمل‌های پیچیده‌تری را با دقت بیشتری نسبت به نسخه قبلی خود دنبال کند.

بنچمارک در بهینه سازی هسته GPU

برای نشان دادن قابلیت‌های Muse Spark 1.2، متا توانایی این مدل را برای بهینه‌سازی مکرر هسته‌های GPU در بیش از 1000 تماس ابزار، با جلسات تا 24 ساعت آزمایش کرد. با استفاده از محیط عامل Muse Code، این مدل نوشت، کامپایل، نمایه کرد و به تدریج عملکرد هسته را در برابر یک خط پایه ارائه شده بهبود بخشید.

معیارها هسته‌های KDA و MLA را که روی پردازنده‌های گرافیکی NVIDIA Hopper اجرا می‌شوند، هدف قرار داده‌اند. متا گزارش داد که عامل به "پیشرفت های قابل توجهی" نسبت به پیاده سازی های پایه دست یافته است. برای بار کاری MLA، این مدل یک خط لوله تریتون دو هسته ای را طراحی کرد که ترکیبی از همجوشی هسته و کاشی کاری با بهینه سازی های خاص معماری توجه پنهان را ترکیب می کند. مدل‌ها از وارد کردن کتابخانه‌های هسته شخص ثالث منع شدند و مجبور بودند الگوریتم‌ها را از ابتدا در Triton پیاده‌سازی کنند.

در دسترس بودن و چه چیزی بعد

Muse Spark 1.2 امروز از طریق Muse Code و از طریق Meta Model API با آنچه متا به عنوان "دسترسی گسترده جهانی" توصیف می کند، در دسترس است. این شرکت تاکید کرد که این تنها یک گام موقتی است که "ویژگی های مهار جدید و مدل های قدرتمندتر" را در افق به نمایش می گذارد.

این راه اندازی متا را کاملاً در یک میدان شلوغ و رقابتی قرار می دهد. عامل‌های کدنویسی به یکی از داغ‌ترین دسته‌بندی‌ها در هوش مصنوعی تبدیل شده‌اند، با ابزارهایی که نوید مدیریت مستقل همه چیز از رفع اشکال تا اجرای کل ویژگی را می‌دهند. وجه تمایز متا، شجره تحقیقات عمیق و تاکید آن بر عوامل پایدار و مقاوم در برابر تصادف است که می توانند ساعت ها بدون مراقبت کار کنند.

اینکه آیا توسعه‌دهندگان Muse Code را بر روی جایگزین‌های جاافتاده اتخاذ می‌کنند، باید دید، اما سیگنال متا واضح است: این شرکت قصد دارد به طور جدی در مهندسی نرم‌افزار عامل رقابت کند، نه فقط چت ربات‌های مصرف‌کننده. با مدل‌های بزرگ‌تر وعده داده شده به زودی، جنگ‌های عامل کدنویسی تشدید می‌شوند.

از هوش مصنوعی جلوتر بمانید

ابزارهای جدید هوش مصنوعی و عوامل کدنویسی هر هفته ارسال می شوند. برای پیگیری آخرین پیشرفت‌های هوش مصنوعی - از نسخه‌های مدل گرفته تا پلتفرم‌های توسعه‌دهنده - AI Buzz Wire را در چرخش خود نگه دارید.

اخبار هوش مصنوعی را بیشتر بخوانید →