8 月 5 日，Meta 发布了其首款编码 Agent——Muse Code（beta）。这款终端工具由新模型 Muse Spark 1.2 驱动，面向 macOS 和 Linux，能在大规模代码库中规划改动、编写代码并验证结果。CEO Mark Zuckerberg 和 AI 负责人 Alexandr Wang 共同宣布了这一产品。
除了编码能力，Muse Code 还给开发者提供了一个选择：允许交互数据用于训练，换取更低的调用价格。
贡献者方案价格更低，标准方案不包含训练许可
Muse Code 提供两种付费方案，使用的是同一个模型。标准按量付费方案定价为每百万输入 token $1.25、每百万输出 token $4.25，缓存输入 $0.15，与当前主流编码模型的 API 定价处于同一区间。
贡献者方案（contributor tier）的定价则完全不同：每百万输入 token $0.10，每百万输出 token $0.20，缓存输入 $0.002。输入价格约为标准方案的十二分之一，输出价格约为二十一分之一。Wang 在接受 CNBC 采访时将其描述为"比 pay-as-you-go tier 便宜十倍以上"。
代价是：选择贡献者方案的开发者需要允许 Meta 使用其 prompts 和 completions 来训练模型。标准方案不包含这一许可。Quartz 报道称，Meta 同时开始接受企业客户的零数据留存（zero-data retention）请求——企业用户如果不想贡献数据，可以走标准方案或申请数据隔离。
Forbes 将这种定价形容为："Meta 不是定了一个折扣价格，而是贴出了一份收购你源代码的要约，支付的货币是算力。"
后台 Agent 持续收集信息，事件日志支持崩溃恢复
Muse Code 的运行时设计有几个值得注意的选择。不同于按任务生成子 Agent 随即销毁的模式，Muse Code 启动后会维持一组异步后台 Agent（async background agents），它们在整个 session 中持续存活，主动收集上下文、执行辅助工作并择机向主 Agent 报告。Meta 称这种设计避免了重复的信息收集，在多步骤复杂任务上能降低延迟和人工干预。
另一个设计是本地的只追加事件日志（append-only log）。每一次模型调用、工具执行、人工审批和代码编辑都被追加记录到这一日志中。Meta 将其称为"replay-exact 且 restart-safe"：崩溃后 Agent 可以从断点精确恢复，让长时间运行的任务不会因单次故障而前功尽弃。配套的三项内置技能——/plan（生成需要用户审批的计划）、/grill（压力测试计划）和 /goal（推进目标完成）——构成了一条从规划到验证的工作流。
并行执行方面，Muse Code 在隔离的 worktree 中派生子 Agent 并行处理独立任务。Zuckerberg 在社交媒体上透露，测试中 Muse Code 曾同时为一个游戏构建了六个功能模块，"互不冲突"。
Muse Spark 1.2 与编码工具共同训练，覆盖长时间任务
Muse Spark 1.2 是 Muse Spark 1.1 的编码专项升级版。Meta 研究团队大幅增加了编码任务上的训练算力，扩展了训练环境的多样性。一项主要训练设计是模型与 Agent 的联合训练（co-training）：训练过程中整合了 Muse Code 的工具集，包含了经拒绝采样筛选的 Agent 执行轨迹，并针对目标分解、上下文压缩和子 Agent 调度调整了训练方案。
训练还覆盖了长周期编码任务，包括整库生成、大型端到端项目和自动研究（auto-research）。模型在此过程中学习使用规划来排列工作、以任务目标约束后续行动、用上下文压缩来保留推进所需的知识。
Meta 同时使用了一个自改进循环：让 Muse Spark 1.1 生成高难度编码环境和指令遵循模板，然后对候选方案打分——成功的方案构成 Muse Spark 1.2 的可扩展训练数据集。代码领域可以用编译与测试筛选候选结果，为这类训练提供反馈；但这些检查并不意味着合成数据的质量问题已被完全解决。
在 Benchmark 方面，Meta 公布了 Terminal-Bench 2.1（89 项任务）、DeepSWE v1.1（113 项任务，覆盖 91 个仓库和 5 种语言）和 Meta Internal Coding Bench（440 项来自内部 PR 的任务）上的成绩，与 Grok 4.5、Claude Opus 5、GPT-5.6 Terra、Gemini 3.6 Flash 和 Kimi K3 等模型及各自 Agent 产品做了对比。其中，Terminal-Bench 和 DeepSWE 测试在隔离的 Daytona 云端沙箱中执行。Forbes 对公司以图表发布成绩的方式提出了疑问；这些结果仍需独立验证，尤其要核对各模型所用 Agent 和测试设置是否可比。
Meta 还公布了一项 GPU 内核优化案例研究：Muse Code 在 NVIDIA Hopper GPU 上对 KDA 和 MLA 内核进行了超过 1000 次工具调用的迭代优化，最长运行了 24 小时。Agent 持续在提供的 baseline 上取得显著改进——例如针对 MLA，模型设计了一个双内核 Triton pipeline，通过复用共享 KV latent 同时作为 K 和 V 来优化性能。
实际编码交互能提供失败尝试与修改过程
贡献者方案可能帮助 Meta 获取公开代码之外的训练材料。公开互联网已被反复爬取，数据授权协议昂贵且缓慢，合成数据在模型主要从自身产出中学习时会出现分布漂移。人类在实际约束下工作的过程数据，也因此受到模型公司的重视。
代码的一部分结果可以自动检查，这为训练提供了较直接的反馈。代码要么编译通过要么不通过，测试要么跑通要么失败，审查者也会给出批准或驳回意见。不过，通过编译和测试并不保证全部业务逻辑都正确。相比之下，一份客户服务对话或合同谈判记录没有编译器可以判定其对错——反馈可能在数周后以投诉的形式出现，甚至根本不会出现。
这类编程 session 有机会呈现真实仓库、依赖和 bug 环境下的问题、尝试与反馈。相较于仅获取最终提交，终端里的编码 Agent 还能接触失败尝试和修正路径。不过，这些信息是否全部用于训练，仍取决于产品实际收集的数据和许可条款。
这种交换让人想到 Facebook 的免费服务模式：它通过三十亿用户的行为数据支持广告业务。Muse Code 则面向开发者，将价格优惠与数据使用许可相联系。两者的服务对象、数据内容和授权条件不同，不能直接等同。
时间点同样值得注意。Meta 在 7 月底公布的 Q2 财报显示，营收 $608 亿超预期，但 EPS $6.18 远低于共识预期的 $7.14。自由现金流从去年同期的 $85 亿骤降至 $7.84 亿。2026 年资本支出指引高达 $1300-1450 亿。股票随即下跌约 8%。从资源投入看，Meta 选择以部分调用收入换取数据许可。不过，财报数字本身不足以证明这就是公司推出贡献者方案的动机。
Meta 以低价切入终端编码工具，仍需证明实际效果
Wang 在接受华尔街日报采访时明确表示，Muse Code 的竞争力来自价格而非能力。这一定位有其合理性。Muse Code 将与 Anthropic 的 Claude Code 和 OpenAI Codex 竞争。以这里列举的模型 API 单价比较，Claude 4 Sonnet 为 $3/M 输入、$15/M 输出，Muse Spark 1.2 的标准方案更低，贡献者方案则进一步压低了调用价格。这种比较不等于两款编码工具的实际总费用。
Muse Spark 1.2 同时通过 Meta Model API 和 OpenRouter 平台提供，扩大了分发渠道。Muse Code 目前仅支持 macOS 和 Linux，安装只需一条 curl 命令。
但 Meta 进入的是一个已经有明确领导者的市场。Anthropic 和 OpenAI 的编码产品已经销售了一年，Cursor 和 GitHub Copilot 分别占据了 IDE 和编辑器内编码辅助的不同位置。Muse Code 选择以终端 Agent 的形态切入——这是一个更接近专业开发者日常工作流、但也更需要用户主动学习和适应的形态。
数据条款、独立评测与开发者采用率仍需观察
Muse Code 目前处于 beta 阶段，实际性能和稳定性需要更多独立验证。外部评估还需要结合测试方法、独立复现和实际代码库中的使用表现。贡献者方案的数据使用条款细节——包括数据保留期限、去标识化措施、是否对开源项目与闭源项目区别对待——Meta 尚未完整披露。
更根本的问题是：用折扣价格换取训练数据的模式在开发者群体中能否规模化。与消费者社交服务相比，编码工具还涉及开发者是否有权授权使用代码的问题，私有代码库和商业机密尤其会影响这种选择。贡献者方案的采用率将是检验这一假设的第一个硬指标。
编码 Agent 可以通过编译器、测试套件和开发者审查获得反馈，因此工作过程中的交互数据具有训练价值。Muse Code 的定价说明 Meta 愿意用调用折扣换取这类数据许可，但还不能据此算出数据价值是否超过让出的收入。开发者有多少人选择贡献者方案、这些数据能带来多大改进，将决定这种交换是否划算。
