// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Muse Code: Meta entra nel settore dello sviluppo AI
Meta Muse Code porta nel terminale un agente capace di pianificare modifiche, scrivere codice e verificare i risultati anche su repository di grandi dimensioni. Meta lo ha presentato il 5 agosto 2026 insieme a Muse Spark 1.2, il modello su cui si basa. Il software è distribuito in beta su macOS e Linux, mentre il modello è accessibile anche tramite Meta Model API con una disponibilità globale ampliata e fatturazione a consumo.
L'interazione con Muse Code comprende tre comandi dedicati a momenti distinti del lavoro. Con /plan l'agente prepara un piano prima di modificare il progetto; /grill serve a esaminare in modo più approfondito una codebase o una proposta tecnica; /goal permette di affidargli un obiettivo da portare avanti nel tempo. L'accesso e le indicazioni per l'installazione sono disponibili nella pagina ufficiale di Muse Code per sviluppatori.
Il sistema può creare subagenti specializzati, persistenti e asincroni, assegnando loro attività differenti in parallelo. Questi processi restano attivi per l'intera sessione e conservano il contesto già raccolto, evitando di ricostruirlo a ogni nuovo incarico. Muse Code può così separare, per esempio, l'analisi di una parte del repository dalla scrittura e dalla successiva convalida delle modifiche.
La continuità del lavoro dipende anche da un registro locale append-only. Il runtime annota le chiamate al modello, gli strumenti eseguiti, le approvazioni concesse e ogni modifica applicata. Dopo un crash o un arresto, Muse Code può usare questa cronologia per ripristinare con precisione lo stato della sessione, invece di affidarsi soltanto a una ricostruzione parziale delle operazioni precedenti.
Meta Superintelligence Labs ha co-addestrato Muse Spark 1.2 con l'ambiente di Muse Code, concentrando l'aggiornamento sulla generazione di codice, sul debugging complesso, sulla comprensione dei repository e sui flussi di sviluppo completi. L'addestramento ha incluso la creazione di interi repository e progetti estesi, oltre a pianificazione, goal conditioning e compattazione del contesto. Quest'ultima tecnica consente di gestire attività prolungate senza mantenere integralmente nella finestra del modello ogni passaggio accumulato.
Per mostrare il comportamento sulle esecuzioni lunghe, Meta riferisce un test dedicato all'ottimizzazione di kernel GPU per NVIDIA Hopper. Il sistema avrebbe effettuato oltre 1.000 chiamate agli strumenti durante sessioni durate fino a 24 ore. Si tratta di un risultato dichiarato dall'azienda, legato a uno scenario specifico. Muse Spark 1.2 è per ora disponibile attraverso Muse Code e Meta Model API; la relativa scheda ufficiale raccoglie le informazioni per l'impiego del modello tramite API.
Aggiungi Tom's Hardware alle tue fonti preferite su Google