Meta, Muse Spark 1.2 기반의 터미널 코딩 에이전트인 Muse Code 출시

Meta AI Research는 소프트웨어 엔지니어링에 맞춰 업그레이드된 Muse Spark 1.2 모델과 함께 영구 하위 에이전트를 조정하는 터미널 기반 코딩 에이전트인 Muse Code를 출시했습니다.

메타의 AI 연구 부문은 새로운 단말 기반 코딩 에이전트인 뮤즈 코드(Muse Code)와 이를 구동하는 업그레이드 모델인 뮤즈 스파크 1.2(Muse Spark 1.2)로 에이전트 코딩 경쟁에 돌입했습니다. 2026년 8월 5일에 발표된 이번 릴리스는 OpenAI, Anthropic 및 수많은 스타트업의 전용 코딩 도구에 도전하려는 Meta의 가장 직접적인 시도입니다. 최신 AI 도구 및 에이전트 플랫폼을 따르는 개발자를 위해 Muse Code는 AI 쌍 프로그래머가 어떻게 행동해야 하는지에 대한 뚜렷한 연구 중심 견해를 제공합니다.

Muse Code는 변경 계획, 코드 작성, 결과 검증 등 대규모 코드베이스 전반에 걸쳐 복잡한 소프트웨어 엔지니어링 작업을 수행하도록 설계되었습니다. Meta는 에이전트가 더 크고 더 유능한 모델을 통해 "미개척지를 향한 다음 단계"를 대표한다고 말합니다.

장기 작업을 위해 구축된 다중 에이전트 설계

Muse Code에서 가장 주목할만한 아키텍처 선택은 지속적인 백그라운드 에이전트를 사용한다는 것입니다. 각 하위 작업에 대해 새로운 하위 에이전트를 생성하는 대신 Muse Code는 전체 세션 동안 일련의 비동기 백그라운드 에이전트를 활성 상태로 유지합니다. 이러한 에이전트는 스스로 정보를 수집하고 다음 단계를 수행하며, 관련이 있는 경우에만 주 에이전트에게 보고합니다.

Meta는 이 설계가 대기 시간을 줄이고 어려운 다단계 문제에 대한 인간의 지속적인 조정 필요성을 줄여준다고 주장합니다. "그들의 지속성은 지연 시간과 조정의 필요성을 줄여줍니다."라고 회사는 밝혔습니다. 에이전트가 이미 보유하고 있는 컨텍스트를 중복적으로 다시 수집하는 것을 피하기 때문입니다.

Muse Code는 충돌에도 견딜 수 있도록 제작되었습니다. 모든 모델 호출, 도구 실행, 승인 및 편집은 단일 정보 소스 역할을 하는 로컬 이벤트 로그에 추가됩니다. Meta에 따르면 런타임은 "정확하고 다시 시작하기에 안전한" 런타임이 됩니다. 오류가 발생한 후 에이전트는 중지된 위치에서 정확하게 재개할 수 있으므로 탈선하지 않고 장기 실행 작업을 처리할 수 있습니다.

에이전트에는 작업을 승인 기반 계획으로 바꾸는 `/plan` 명령, 계획이 유지될 때까지 스트레스 테스트를 수행하는 `/grill` 명령, 지정된 목표를 향해 작동하는 `/goal` 명령 등 여러 기본 기술이 포함되어 있습니다.

Muse Spark 1.2: 코딩 우선 업그레이드

Muse Spark 1.2는 이전 Muse Spark 1.1 모델에 대한 코딩 중심의 업데이트입니다. Meta는 일반 에이전트 작업의 강점을 유지하면서 코딩 작업에 대한 교육 컴퓨팅을 크게 확장하고 교육 환경의 다양성을 확장하여 모델의 코드 생성, 복잡한 디버깅, 코드베이스 이해 및 엔드 투 엔드 개발자 워크플로를 개선했다고 말했습니다.

결정적으로 Meta는 Muse Code 자체와 함께 Muse Spark 1.2를 공동 교육했습니다. 교육에는 호환성을 최대화하기 위한 Muse Code 도구 세트의 통합과 함께 거부 샘플링된 하네스 궤적과 목표, 컨텍스트 압축 및 하위 에이전트에 대한 레시피 최적화가 통합되었습니다.

이 회사는 또한 자체 개선 루프를 채택했습니다. Muse Spark 1.1을 사용하여 까다로운 코딩 환경과 지침을 따르는 템플릿을 생성한 다음 요구 사항을 얼마나 잘 충족하는지에 대한 모델 등급 후보 솔루션을 확보했습니다. 이 프로세스를 통해 Muse Spark 1.2가 이전 제품보다 더 정확하게 복잡한 지침을 따르는 데 도움이 되는 확장 가능한 교육 데이터 세트가 생성되었습니다.

GPU 커널 최적화 벤치마킹

Muse Spark 1.2의 기능을 시연하기 위해 Meta는 최대 24시간 동안 세션이 지속되는 1,000회 이상의 도구 호출을 통해 GPU 커널을 반복적으로 최적화하는 모델의 기능을 테스트했습니다. Muse Code의 에이전트 환경을 사용하여 모델은 제공된 기준에 대해 커널 성능을 작성, 컴파일, 프로파일링하고 점진적으로 개선했습니다.

벤치마크는 NVIDIA Hopper GPU에서 실행되는 KDA 및 MLA 커널을 대상으로 했습니다. Meta는 에이전트가 기본 구현에 비해 "상당한 개선"을 달성했다고 보고했습니다. MLA 워크로드의 경우 모델은 잠재 관심 아키텍처에 특정한 최적화와 커널 융합 및 타일링을 결합한 2커널 Triton 파이프라인을 설계했습니다. 모델은 단순히 타사 커널 라이브러리를 가져오는 것이 금지되었으며 Triton에서 처음부터 알고리즘을 구현해야 했습니다.

가용성 및 다음 단계

Muse Spark 1.2는 현재 Muse Code와 Meta Model API를 통해 사용할 수 있으며, Meta에서는 "확장된 글로벌 액세스"라고 설명합니다. 회사는 이것이 "새로운 하네스 기능과 더욱 강력한 모델"을 곧 선보일 임시 단계일 뿐임을 강조했습니다.

출시로 인해 Meta는 복잡하고 경쟁이 치열한 분야에 놓이게 되었습니다. 코딩 에이전트는 버그 수정부터 전체 기능 구현에 이르기까지 모든 것을 자율적으로 처리할 수 있는 도구를 통해 AI에서 가장 인기 있는 카테고리 중 하나가 되었습니다. Meta의 차별화 요소는 깊은 연구 경력과 몇 시간 동안 무인으로 실행할 수 있는 지속적이고 충돌 복원력이 있는 에이전트에 중점을 둔 것입니다.

개발자가 확고한 대안보다 Muse 코드를 채택할지 여부는 아직 알 수 없지만 Meta의 신호는 분명합니다. 회사는 소비자 챗봇뿐만 아니라 에이전트 소프트웨어 엔지니어링 분야에서 진지하게 경쟁할 계획입니다. 곧 더 큰 모델이 약속되면서 코딩 에이전트 전쟁이 더욱 치열해질 것입니다.