Démarrage rapide

Mets Muse Code en route en quelques minutes.

Muse Code est en bêta pour macOS et Linux. Il prend en charge des tâches d’ingénierie logicielle complexes dans de grands dépôts — planifier les changements, écrire le code et valider les résultats — sans quitter ton terminal.

1. Installation

Une seule commande installe la CLI :

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

Le script place le binaire muse dans ton PATH — vérifie avec muse --version. Tu préfères examiner le script d’abord ? Télécharge-le avec -o install.sh, audite-le, puis exécute-le.

2. Authentification

Au premier lancement, le navigateur s’ouvre pour t’authentifier sur dev.meta.ai avec ton compte développeur Meta. Les identifiants sont mis en cache localement — pas de ré-authentification à chaque session. L’accès et la facturation passent par la Meta Model API.

Exécutions non interactives. Pour la CI, les scripts et les machines headless, utilise une clé API à la place du flux navigateur : crée-la dans le tableau de bord de la Model API (API keys → Create API key) et définis-la comme MODEL_API_KEY.

3. Lance ta première tâche

Une fois l’authentification faite, tu peux démarrer dans n’importe lequel de tes répertoires de projet :

$ cd my-repo$ muse

Décris le résultat que tu veux en langage naturel. Une bonne première tâche est petite et vérifiable — « ajoute le test manquant pour parseDate et assure-toi qu’il passe » — tu verras un worker rédiger le changement, un reviewer le critiquer et le test s’exécuter.

Deux leviers de coût à connaître dès le premier jour : Muse Spark est un modèle de raisonnement — il réfléchit avant de répondre, et ces tokens sont facturés en sortie — /effort ajuste donc la réflexion à la hausse ou à la baisse selon la tâche. Quant au ton, au format et à tes autres règles permanentes, place-les dans un message système pour ne pas les répéter dans chaque prompt.

Agents asynchrones en arrière-plan

Muse Code fonctionne avec une boucle d’agent simple, complétée par un ensemble d’agents asynchrones en arrière-plan qui renforcent l’agent principal. Ces agents spécialisés restent actifs pendant toute la session au lieu d’être créés à chaque tâche, ce qui évite de collecter plusieurs fois les mêmes informations. Ils mènent les étapes suivantes de leur propre initiative et choisissent quand faire remonter l’information à l’agent principal — leur persistance réduit la latence et le besoin de pilotage sur les tâches difficiles en plusieurs étapes.

Fan-out d’agents et worktrees git

Quand un travail se découpe en plusieurs tâches, celles-ci sont automatiquement réparties entre des agents distincts : le parent crée un agent enfant avec droits d’écriture par tâche, et chaque enfant reçoit son propre git worktree — les enfants qui tournent en parallèle n’entrent jamais en collision sur les mêmes fichiers, et ta copie de travail reste propre.

Event log

Muse Code utilise un event log local auquel s’ajoutent chaque appel au modèle, chaque exécution d’outil, chaque approbation et chaque édition. Cette source de vérité unique rend le runtime rejouable à l’identique et sûr au redémarrage : après un crash, l’agent reprend exactement là où il s’était arrêté, ce qui lui permet d’assumer des tâches de longue durée sans dérailler à la moindre panne. Chaque création, chaque recadrage et chaque annulation de sous-agent est observable — muse replay parcourt une session pas à pas, et les traces complètes s’exportent pour une passation ou un audit.

Skills et commandes intégrées

Muse Code est livré avec plusieurs skills par défaut — tu y mets une idée brute, tu en sors une fonctionnalité passée au gril et validée :

/planTransforme une tâche en plan soumis à approbation avant de toucher au code
/grillMet le plan sous pression jusqu’à ce qu’il tienne la route
/goalTravaille jusqu’à l’accomplissement de l’objectif fixé — ce que tu voulais au départ est ce qui finit mergé
/modelChange le modèle sous-jacent — p. ex. vers muse-spark-1.2 au tarif standard de la Model API
/effortAjuste le raisonnement à la hausse ou à la baisse — les tokens de réflexion sont facturés en sortie, réserve donc le raisonnement profond aux tâches difficiles
muse replayParcourt l’event log d’une session pas à pas ; les traces complètes s’exportent pour une passation ou un audit

Muse Spark 1.2

Muse Spark 1.2 est une mise à jour de Muse Spark 1.1 axée sur le code, avec des progrès en génération de code, débogage complexe, compréhension des bases de code et workflows de développement de bout en bout — le calcul d’entraînement consacré aux tâches de code a été nettement augmenté, tout en élargissant la diversité des environnements. Trois choses le distinguent :

Co-entraîné avec Muse Code
Entraîné avec le harness lui-même — trajectoires du harness filtrées par rejection sampling, optimisations de recette pour les objectifs, la compaction et les sous-agents, et intégration de la panoplie d’outils de Muse Code — pour un meilleur usage des outils, moins de tentatives ratées et une sortie de meilleure qualité qu’un wrapper générique.
Long horizon
Entraîné en profondeur sur le code à long horizon : génération de dépôts entiers, grands projets de bout en bout et recherche automatique. Il planifie pour séquencer le travail, s’appuie sur le conditionnement par objectif pour garder le cap et compacte le contexte pour soutenir la progression.
Auto-amélioration
Muse Spark 1.1 a généré des environnements de code exigeants et des gabarits de suivi d’instructions, puis a noté les solutions candidates — une boucle d’entraînement scalable qui rend 1.2 plus précis que son prédécesseur dans le suivi d’instructions complexes.

Benchmarks (avec Muse Code) : Terminal-Bench 2.1 · 82,9 % — DeepSWE 1.1 · 59,3 %. La méthodologie complète se trouve dans le rapport d’évaluation de Meta sur research.meta.ai.

Étude de cas : optimisation de kernels

Meta a testé la capacité du modèle à optimiser itérativement des kernels GPU sur plus de 1 000 appels d’outils — jusqu’à 24 heures. Dans l’environnement agentique de Muse Code, le modèle écrit, compile, profile et améliore progressivement la performance des kernels par rapport à une référence, mesurée sur les kernels KDA et MLA pour GPU NVIDIA Hopper. Interdit d’encapsuler des bibliothèques de kernels tierces, il a implémenté les algorithmes directement en Triton — et n’a cessé de trouver des améliorations substantielles par rapport à la référence.

Meta Model API

Les modèles derrière Muse Code sont aussi accessibles en direct — Muse Spark 1.2 arrive dans Muse Code, la Meta Model API et OpenRouter, avec un accès mondial élargi. L’API est compatible sans modification avec l’OpenAI SDK, l’Anthropic SDK et les CLI d’agents comme OpenCode et Claude Code : pointe ton client vers la base URL et garde le reste de ton code tel quel. La fenêtre de contexte est de 1 048 576 tokens.

# export MODEL_API_KEY="LLM|{numeric_id}|{secret}"client = OpenAI( base_url="https://api.meta.ai/v1", api_key=os.environ["MODEL_API_KEY"], ) response = client.chat.completions.create( model="muse-spark-1.2", messages=[{"role": "user", "content": "Hello, world!"}], )

Cookbook

Des recettes qui tournent dès la première copie — chacune résout un problème précis, montre du code qui fonctionne et indique la suite. Trois sections, plus des recettes pour les patterns clés de Muse Code.Parcourir les 28 recettes →

Fondamentaux de l’API · 10 recettes
Vérifie que chaque primitive fonctionne : chat completions, streaming, appels d’outils, sortie structurée, prompt caching, tokens de raisonnement, entrée vision, contexte long, gestion des erreurs et search grounding avec citations en ligne.
Patterns d’agents · 5 recettes
Les boucles qui transforment un modèle en agent : la boucle percevoir-décider-agir, le raisonnement entrelacé avec l’usage d’outils, la gestion de contexte multi-tours et les éditions sur place validées.
Cas d’usage · 13 recettes
De bout en bout : design web et développement de jeux vérifiés dans le navigateur, un studio produit multi-agents à quatre profils coordonné via un tableau Kanban partagé, un bot GitHub Actions autonome sur OpenCode, l’usage de l’ordinateur sous Linux et macOS, et plus encore.
Recettes Muse Code
Fan-out d’agents — répartis un gros travail entre des sous-agents dans des worktrees isolés ; skills intégrées — une idée brute en entrée, une fonctionnalité passée au gril et validée en sortie ; suivi d’objectif — garde un agent sur sa tâche jusqu’à ce qu’il merge ce que tu voulais.