5 августа Meta представила Muse Code — терминального coding-агента, работающего на новой модели Muse Spark 1.2. Главная фишка релиза не в самом агенте, а в схеме цен: одна и та же модель доступна под двумя ID, и разница между ними — почти порядок в стоимости токенов, в обмен на согласие отдать данные Meta.

Если вы выбираете модель для агентного кодинга и уже пробовали Claude Code, Cursor или Codex, разбор ниже поможет понять, чем Muse Code отличается и стоит ли переключаться.

Почему это не просто ещё одна модель

Последние релизы крупных лабораторий сходятся в одном: главное конкурентное преимущество модели — не общий бенчмарк, а способность держать длинную цепочку агентных вызовов инструментов (long-sequence agentic tool calling) без потери контекста и без застревания в цикле. Meta пошла тем же путём и, что показательно, выпустила не просто модель, а собственного coding-агента вместе с ней — Muse Code.

Это значит, что Muse Spark 1.2 тренировали не изолированно, а в связке с конкретным харнессом (harness — программная обёртка, которая даёт модели доступ к файловой системе, терминалу и инструментам). По словам Meta, обучение включало rejection sampled harness trajectories — то есть модель училась на реальных траекториях работы агента, из которых отбирали только удачные попытки, а также оптимизацию под цели, компакцию контекста и субагентов.

Что внутри Muse Code

Muse Code — терминальный агент с несколькими практическими особенностями:

• Persistent background agents — агент может продолжать работу в фоне, не блокируя терминал.
• Repository-scale execution — задачи ставятся на уровне всего репозитория, а не одного файла.
• Built-in verification — встроенная проверка изменений перед тем, как они считаются готовыми.
• Parallel sub-agents — несколько субагентов могут работать одновременно над разными частями задачи.
• Worktree isolation — каждый субагент работает в изолированном git worktree, чтобы не конфликтовать с остальными.
• Crash-safe event log — журнал событий, который переживает падение процесса, что важно для длинных фоновых задач.

Meta прямо говорит, что Muse Spark 1.2 обучали на long-horizon coding tasks: генерации целых репозиториев с нуля, больших end-to-end проектах и авто-исследовании (auto-research) — когда агент сам разбирается в незнакомой кодовой базе перед тем, как вносить изменения. Это отличает подход Meta от точечной генерации сниппетов — модель целится в задачи, которые растягиваются на десятки и сотни шагов.

Два ID одной модели: как выбрать между ценой и приватностью

Самая практичная часть релиза — схема цен. Модель Muse Spark 1.2 доступна под двумя названиями:

``` muse-spark-1.2 $1.25 / млн входных токенов $4.25 / млн выходных токенов

muse-spark-1.2-contributor $0.10 / млн входных токенов $0.20 / млн выходных токенов ```

Разница — в согласии на использование ваших данных «для улучшения продуктов» Meta. Если вы даёте такое согласие, получаете muse-spark-1.2-contributor — цену почти в 20 раз ниже по входным токенам и в 21 раз ниже по выходным.

Для ориентира: обычная цена ($1.25/$4.25) близка к Gemini 3.6 Flash ($1.50/$7.50). Цена contributor-версии ($0.10/$0.20) ближе к GPT-5.6 Luna ($0.20/$1.20) и Gemini 3.1 Flash-Lite ($0.25/$1.50) — то есть Meta фактически предлагает вам купон на уровень бюджетных моделей за счёт данных.

Практическое правило: если вы работаете с проприетарным или клиентским кодом под NDA, contributor-режим не для вас — используйте обычный muse-spark-1.2 несмотря на цену. Для личных пет-проектов, открытого кода или прототипирования разница в цене может оправдать согласие на сбор данных, особенно при больших объёмах токенов на длинных агентных сессиях.

Как быстро оценить качество перед тем, как переключаться

Прежде чем менять основной инструмент, есть простой неформальный тест, который использует независимый аналитик Саймон Уиллисон: попросить модель нарисовать SVG-иллюстрацию пеликана на велосипеде. Тест не про качество кода напрямую, но хорошо показывает, насколько модель понимает пространственные отношения и умеет доводить сложную генерацию до конца без деградации на длинной последовательности инструкций.

По сравнению с версией Muse Spark 1.1 от 9 июля результат 1.2 заметно, но не радикально лучше — Уиллисон описывает это как «небольшое, но материальное улучшение». Для реальной оценки стоит прогнать несколько ваших типовых задач:

```bash

Пример структуры теста для агента

1. Дать задачу на весь репозиторий (не один файл)

2. Замерить, сколько шагов агент делает без вмешательства

3. Проверить, срабатывает ли built-in verification

4. Оценить качество работы parallel sub-agents на независимых модулях

```

Такой тест покажет, оправдывает ли Muse Code переход больше, чем разовый бенчмарк на leaderboard.

Где ломается и на что смотреть внимательно

Muse Code вышел в статусе beta — это значит, что стабильность харнесса ещё не проверена месяцами продакшн-использования, в отличие от более зрелых конкурентов вроде Claude Code. Стоит закладывать время на баги в crash-safe event log и на неожиданное поведение parallel sub-agents при работе с большими монорепозиториями.

Второй момент — цена contributor-версии выглядит привлекательно, но условие «использование данных для улучшения продуктов» сформулировано широко. Прежде чем подключать эту версию к рабочим проектам, стоит уточнить точные формулировки политики использования данных Meta, а не полагаться на маркетинговое описание.

Третий момент — сравнение цен корректно только на момент публикации. Рынок инференса меняется быстро: буквально через месяц могут появиться новые модели с другим прайсингом, поэтому стоит сверяться с актуальными таблицами вроде llm-prices.com, куда добавили и цены Muse Spark 1.2.

Что попробовать дальше

Если вы уже пользуетесь агентными coding-инструментами, имеет смысл прогнать Muse Code на одной некритичной задаче — например, генерации целого небольшого репозитория с нуля, где особенно заметны long-horizon возможности модели. Сравните время выполнения и число шагов без вмешательства с вашим текущим инструментом.

Отдельно стоит протестировать разницу между muse-spark-1.2 и muse-spark-1.2-contributor на одинаковых промптах — иногда более дешёвая версия работает идентично на несложных задачах, и тогда экономия оправдана даже с учётом сбора данных. Но для чувствительного кода правило простое: сначала приватность, потом цена.

Источники

• Simon Willison: Introducing Muse Code and Muse Spark 1.2