News & Deep Dives.
Ankündigungen, Research-Notizen und praxisnahe Guides zu Muse Code, Muse Spark und der Meta Model API.
Das Event-Log: exakt abspielbar, absturzsicher
Agenten, die stundenlang arbeiten, brauchen ein Gedächtnis, das alles überlebt. Die Runtime von Muse Code baut auf einem einzigen Append-only-Log — und fast jede Vertrauenseigenschaft des Produkts fällt daraus ab.
Beitrag lesen →Muse Code einrichten: Von der Installation zum ersten Merge
Metas Terminal-Coding-Agent ist bewusst minimalistisch im Setup: ein Befehl, ein Browser-Login — und du steuerst eine Multi-Agenten-Session im eigenen Repository. Hier ist der komplette Weg, inklusive der Stellen, an denen sich Innehalten lohnt.
Beitrag lesen →Ein autonomer GitHub-Bot, der weiß, wann er die Finger stillhalten muss
Das GitHub-Agent-Rezept aus dem Cookbook verdrahtet Issue-Triage, PR-Review und automatische Bugfixes mit GitHub Actions — auf OpenCode und Muse Spark. Das eigentlich Übertragbare daran sind die Leitplanken.
Beitrag lesen →Eine API für jedes Harness: Metas Ökosystem-Spielzug mit der Model API
Meta liefert sein Coding-Modell dorthin aus, wo Entwickler ohnehin schon sind — ins OpenAI SDK, ins Anthropic SDK, in die Agent-CLIs der Konkurrenz, sogar auf OpenRouter. Kompatibilität zuerst — das ist die Distributionsstrategie.
Beitrag lesen →Einfach eine MP4 ins Terminal ziehen: multimodales Coding in Aktion
Die auf leise Art radikalste Launch-Demo drehte sich weder um Geschwindigkeit noch um Parallelität — sondern darum, wie aus einer Videodatei eine Website wird.
Beitrag lesen →24 Stunden, 1.000 Tool-Calls: Was die Kernel-Fallstudie wirklich beweist
Benchmarks messen den Sprint eines Agenten. Metas Kernel-Optimierungsstudie misst den Marathon — und das ist die deutlich spannendere Zahl.
Beitrag lesen →So wurde Muse Spark 1.2 trainiert: Co-Training, Long-Horizon-Arbeit und eine Selbstverbesserungs-Schleife
„Built for Muse Spark“ ist kein Marketing-Sticker, sondern beschreibt eine Trainingsstrategie. Drei Techniken aus Metas Release Notes erklären, warum Modell und Agent zusammen besser performen als jedes von beiden mit einem Fremden.
Beitrag lesen →