LLM Wiki

Meta, 터미널 코딩 에이전트 Muse Code와 코딩 특화 모델 Muse Spark 1.2 출시

Properties2
descriptionPyTorchKR 9bow 게시글의 핵심 내용과 실무적 의미를 원문에 근거해 정리한다.
tagsai-models, open-source, research

6 min read

출처

Meta, 터미널 코딩 에이전트 Muse Code와 코딩 특화 모델 Muse Spark 1.2 출시

개요

Meta는 터미널 코딩 에이전트 Muse Code를 베타로 공개하고, 이를 지원하는 코딩 특화 모델 Muse Spark 1.2를 함께 출시했다. Muse Code는 대규모 저장소에서 계획 수립, 코드 작성, 결과 검증을 수행하며 여러 서브에이전트를 조율한다. 주요 설계는 세션 동안 유지되는 백그라운드 서브에이전트, append-only 이벤트 로그 기반의 재시작 가능한 런타임, /plan·/grill·/goal 스킬이다. Muse Spark 1.2는 1.1 대비 코딩 및 일반 에이전트 벤치마크 점수가 모두 올랐지만, 제시된 다섯 개 벤치마크 중 MCP Atlas에서만 1위를 기록했다. 일부 벤치마크는 모델뿐 아니라 하네스도 함께 변경된 조건이므로 점수 상승을 모델 성능 향상으로만 해석하기 어렵다.

핵심 포인트

  • 모델과 하네스의 결합: Muse Code는 대규모 코드베이스의 계획·구현·검증을 담당하고, Muse Spark 1.2는 이 하네스와 공동 학습되어 도구 사용 및 장기 코딩 작업에 맞춰졌다.
  • 세션 단위 백그라운드 서브에이전트: 작업마다 새로 생성하는 대신 세션 내내 에이전트를 유지한다. 작업 수행 워커는 병렬로 실행하고, 리뷰어 역할의 에이전트는 백그라운드에 상주하는 구조다.
  • 재시작 가능한 이벤트 로그 런타임: 모델 호출, 도구 실행, 승인, 편집 등을 로컬 append-only 로그에 기록해 프로세스가 중단돼도 멈춘 지점부터 재생·재시작할 수 있도록 설계했다.
  • 계획 검증 중심의 기본 스킬: /plan은 사람 승인 전 실행을 멈추는 계획을 만들고, /grill은 계획의 취약점을 검토하며, /goal은 목표 달성까지 작업을 이어간다.
  • Muse Spark 1.2의 학습 방식: Muse Code 하네스 실행 궤적을 활용한 공동 학습, 저장소 전체 생성과 자동 연구 등 장기 과제 학습, Muse Spark 1.1이 생성·평가한 데이터를 활용한 자기 개선 루프를 적용했다.
  • 벤치마크 결과: Terminal-Bench 2.1은 82.9%, DeepSWE v1.1은 59.3%, Meta Internal Coding Bench는 70.6%, GDPVal-AA v2는 Elo 1,631, MCP Atlas는 90.3%를 기록했다. 1.1 대비 모든 항목이 상승했지만 MCP Atlas를 제외한 비교에서는 Opus 5가 앞섰으며, Terminal-Bench와 DeepSWE는 1.1을 mini-swe-agent, 1.2를 Muse Code로 측정했다.
  • 장기 작업 사례와 이용 조건: 1,000회 이상의 도구 호출과 최대 24시간에 걸친 NVIDIA Hopper GPU 커널 최적화 사례를 공개했다. 두 모델 모두 100만 토큰 컨텍스트를 제공하며, muse-spark-1.2-contributor는 데이터의 제품 개선 활용을 조건으로 더 저렴한 단가를 적용한다.

이용 및 가격

Muse Code는 베타 서비스인 dev.meta.ai에서 이용할 수 있으며 macOS와 Linux의 x86_64·arm64를 지원한다. 설치 스크립트는 다음과 같다.

curl -fsSL https://dev.meta.ai/install.sh | bash

Muse Spark 1.2는 Meta Model API에서도 OpenAI SDK 호환 방식으로 사용할 수 있다.

모델입력 / 1M 토큰캐시 입력출력데이터 이용 조건
muse-spark-1.2-contributor$0.10$0.002$0.20Meta 제품 개선에 사용
muse-spark-1.2$1.25$0.15$4.25제품 개선에 사용하지 않음

왜 중요한가

Muse Code는 단순히 코딩 모델을 공개하는 대신, 장기 작업을 처리하기 위한 서브에이전트 수명 관리와 이벤트 로그 기반 런타임을 모델과 함께 제시했다. 특히 장시간 실행되는 코드 수정이나 GPU 커널 최적화에서는 세션 지속성과 중단 후 복구가 실용적인 설계 요소가 될 수 있다. 다만 공개된 비교 결과는 하네스 차이의 영향을 포함하며, 모델과 하네스 각각의 기여도는 아직 분리되어 확인되지 않았다.

후속으로 볼 링크 및 키워드

관련 위키

원문 보존 위치

원문 전체는 raw source: 2026-08-09-pytorchkr-topic-11554-meta-muse-code-muse-spark-1-2에 source_url 및 HTML 원문과 함께 저장되어 있습니다.