메타는 2026년 8월 5일, 터미널에서 동작하는 코딩 에이전트 “뮤즈 코드(Muse Code)”의 베타 버전과, 그 기반 모델 “뮤즈 스파크 1.2(Muse Spark 1.2)”를 발표했습니다. 대규모 코드 리포지토리를 대상으로, 변경 계획 수립, 구현, 검증까지 일관된 과정을 처리하며, 장시간에 걸쳐 복잡한 소프트웨어 개발에도 대응합니다.
뮤즈 코드는 macOS 또는 Linux 터미널에서 이용 가능한 코딩 에이전트입니다. 코드 조각을 생성하는 것뿐만 아니라, 리포지토리 전체를 조사하여 필요한 변경 사항을 계획하고, 코드를 작성한 후에 테스트 및 동작 확인까지 실행합니다.
주요 특징 중 하나가, 메인 에이전트와 병행하여 동작하는 “비동기 백그라운드 에이전트”입니다. 보조 에이전트가 정보 수집 및 검증을 지속적으로 수행하고, 필요한 시점에 결과를 보고함으로써, 메인 에이전트는 전체적인 방향 및 구현에 집중할 수 있습니다. 뮤즈 코드는 모델에 대한 지시, 도구 실행, 파일 편집, 사용자 승인 등의 작업을 로컬 이벤트 로그에 기록합니다. 이 로그를 기반으로 상태를 복원하기 때문에, 처리 중에 크래시하더라도 중단 지점부터 작업을 재개할 수 있습니다.
작업을 지원하는 명령어도 제공됩니다. “/plan”은 작업을 실행 계획에 분해하고, “/grill”은 그 계획의 약점을 검토합니다. “/goal”은 지정된 목표를 달성할 때까지 작업을 지속하기 위한 기능입니다.
기반 모델인 뮤즈 스파크 1.2는 기존의 뮤즈 스파크 1.1을 코딩에 맞게 훈련 재시켰을 모델입니다. 코드 생성, 버그 수정, 기존 코드 전체를 이해하는 능력에 더하여, 리포지토리를 완전히 구축하거나 자동 조사와 같은 시간 소요가 많은 작업을 수행할 수 있도록 학습에 사용하는 계산량을 늘리고 학습 환경을 확장했습니다. 뮤즈 스파크 1.2와 뮤즈 코드는 조합되었을 때 높은 성능을 발휘하도록 공동으로 훈련되었습니다. 학습에서는 여러 실행 기록에서 우수한 것을 선별하는 리젝션 샘플링(rejection sampling)을 사용했으며, 장시간 작업에도 목표를 유지하는 능력, 필요한 정보를 압축하여 컨텍스트에 보존하는 능력, 보조 에이전트를 적절하게 활용하는 능력이 강화되었습니다.
메타에 따르면, 학습 데이터의 생성에는 기존 모델인 뮤즈 스파크 1.1도 활용되었습니다. 뮤즈 스파크 1.1에 어려운 코딩 과제나 지시를 생성시키고, 답변이 요구 사항을 충족하는지 평가시키는 방식으로, 뮤즈 스파크 1.2를 위한 훈련 데이터를 구축했습니다.
다양한 벤치마크에서 Muse Spark 1.2와 Muse Code의 조합이 터미널 상에서의 작업을 얼마나 수행할 수 있는지 측정하는 Terminal-Bench 2.1에서 82.9%를 기록, Claude Opus 5와 Claude Code의 86.7%에 이어 2위를 차지했습니다. 실제 리포지토리를 수정하는 능력 측면에서 DeepSWE 1.1에서는 59.3%를 기록, Claude Opus 5의 65.0%와 GPT-5.6 Terra의 64.8%에 이은 3위입니다. 반면, Meta 내부의 440건의 개발 과제를 사용한 평가에서는 70.6%를 기록했습니다. Claude Opus 5의 79.4%에는 닿지 못했지만, 구형 모델인 Muse Spark 1.1의 68.3%와 GPT-5.6 Terra의 65.4%는 상회했습니다. 다만, 모델마다 조합된 코딩 에이전트가 다르므로, 이러한 결과는 모델 단체의 성능을 엄밀하게 비교한 것이 아니라고 Meta는 주의를 촉구했습니다.
장 시간에 걸쳐 자율적으로 개발을 진행할 수 있는지 확인하기 위해 Meta는 NVIDIA의 호퍼 세대 GPU를 위해 KDA와 MLA라는 두 가지 처리 방식을 담당하는 커널을 고속화하는 실험을 진행했습니다. Muse Code와 Muse Spark 1.2의 조합은 코드 생성, 컴파일, 성능 측정, 수정 과정을 반복하며 최대 24시간 동안 1,000회 이상의 툴 호출을 실행하여 기준 구현을 크게 고속화했다고 합니다.
아래 그래프는 가로축이 툴 호출의 누적 횟수, 세로축이 기준 구현에 대한 고속화율을 나타내며, 선이 위쪽으로 갈수록 고속화율이 높다는 것을 의미합니다. KDA에서는 Muse Spark 1.2가 최종적으로 68.7%의 고속화를 달성, Opus 5의 74.0%, GPT-5.6 Sol의 71.2%, Opus 4.8의 69.6%에 이은 결과가 되었습니다.
MLA에서는 특정 조건을 모아놓은 상태에서 PyTorch로 작성된 기준 구현에서 얼마나 고속화되었는지가 비교되었습니다. Muse Spark 1.2는 툴 호출이 약 450회에 달한 시점에서 60%를 초과, 최종적으로 61.1%의 고속화를 달성했습니다. Opus 5의 75.4%, Opus 4.8의 67.1%, GPT-5.6 Sol의 62.9%에는 미치지 못했지만, GPT-5.6 Terra의 47.7%와 Gemini 3.6 Flash의 39.1%를 상회했습니다.
고속화에서는 AI가 문장을 처리할 때 사용하는 키(K)와 밸류(V)에 대해 양쪽의 원료로 되는 압축 데이터를 공유함으로써, 중복되는 계산이나 데이터 전송을 줄였습니다. 더불어, 원래는 별개였던 여러 처리 과정을 모아놓는 “커널 융합”과 데이터를 작은 단위로 나누어 처리하는 “타일링”을 결합하여 2개의 커널로 구성되는 트라이톤 파이프라인을 설계했다고 Meta는 보고했습니다. Muse Spark 1.2는 Muse Code에 내장되어 있으며, Meta Model API를 통해서도 이용할 수 있습니다. Muse Code는 기사 작성 시점에 베타 버전이며, Meta는 에이전트 환경의 기능 확충과 더 크고 고성능 모델의 투입을 진행할 계획입니다.
원문 보기 | 출처: Gigazine