Die wichtigsten Erkenntnisse
Muse Code ist Metas erster speziell für das Programmieren entwickelter Agent, der unter macOS und Linux installiert werden kann und auf dem neuen Modell „Muse Spark 1.2“ läuft.
Muse Spark 1.2 ist ein auf das Programmieren ausgerichtetes Update der Version 1.1 – mit demselben Kontextfenster und demselben Standardpreis, jedoch gemeinsam mit dem Muse-Code-Harness selbst trainiert.
In Metas eigenen Benchmarks übertrifft Muse Spark 1.2 GPT-5.6 Terra und Grok 4.5 bei Terminal-Bench 2.1 knapp, bleibt jedoch bei allen veröffentlichten Programmierkennzahlen hinter Claude Opus 5 zurück.
Das eigentliche Highlight dieser Einführung ist die Preisgestaltung: Eine „Contributor“-API-Stufe senkt die Kosten um das 12,5-Fache bis zu 92 %, im Gegenzug dafür, dass Meta die eingereichten Eingabeaufforderungen und Vervollständigungen zum Training nutzen darf.
Einen Tag nach dieser Einführung, am 10. August 2026, veröffentlichte Meta die offenen Gewichte eines kleineren Modells (Muse Glimmer) und signalisierte, dass offene Gewichte für Muse Spark 1.2 selbst „bald“ folgen könnten.
Muse Code ist Beta-Software – bewerten Sie es als vielversprechenden, aber noch jungen Marktteilnehmer, nicht als gleichwertigen Ersatz für Claude Code oder Codex.
Am 5. August 2026 veröffentlichte Meta Superintelligence Labs „Muse Code“, einen Beta-Terminal-Codierungsagenten für macOS und Linux, der auf „Muse Spark 1.2“ basiert – einem auf Codierung ausgerichteten Update der im Juli erschienenen Version „Muse Spark 1.1“. Diese Kombination markiert Metas ersten echten Einstieg in den Markt für agentische Codierung, der bereits von „Claude Code“ von Anthropic, „Codex“ von OpenAI und „Antigravity“ von Google besetzt ist. Muse Spark 1.2 ist über die Meta Model API in zwei Preisstufen erhältlich – einer Standardtarif und einer stark vergünstigten „Contributor“-Stufe – und erzielt bei Benchmarks für agentisches Programmieren deutliche Verbesserungen gegenüber Version 1.1, liegt jedoch nach den von Meta selbst veröffentlichten Ergebnissen weiterhin hinter Claude Opus 5 zurück.
Was sind Muse Code und Muse Spark 1.2?
Muse Code und Muse Spark 1.2 sind zwei miteinander verbundene Produkte von Meta Superintelligence Labs:
Muse Spark 1.2 ist das zugrunde liegende große Sprachmodell – ein auf das Programmieren spezialisiertes Upgrade von Muse Spark 1.1 mit erweitertem Training in den Bereichen komplexes Debugging, Verständnis von Codebasen und langfristige Entwickler-Workflows.
Muse Code ist die terminalbasierte Agent-Umgebung, die für den Einsatz auf Basis von Muse Spark 1.2 entwickelt wurde. Sie lässt sich direkt über die Befehlszeile installieren, plant mehrstufige Entwicklungsaufgaben, bearbeitet Code in umfangreichen Repositorys, führt Tools aus und überprüft ihre eigenen Ergebnisse.
Meta hat beide Komponenten gemeinsam entwickelt, anstatt ein Allzweckmodell nachträglich für die Programmierung anzupassen. Laut der offiziellen Ankündigung von Meta wurde Muse Spark 1.2 direkt innerhalb der Muse-Code-Laufzeitumgebung mittrainiert, wobei auf der Grundlage von Agententrajektorien mit Rejection-Sampling sowie durch Rezeptoptimierung für Zielverfolgung, Kontextkomprimierung und die Koordination von Unteragenten gearbeitet wurde – so wurden das Verhalten des Modells und das Design des Testumfangs gemeinsam optimiert, anstatt sie separat anzupassen.
Was ist Muse Code? Wichtigste Funktionen
Muse Code befindet sich derzeit in der Beta-Phase und lässt sich unter macOS und Linux mit einem einzigen Terminalbefehl von dev.meta.ai installieren. Es zielt auf Engineering-Aufgaben für das gesamte Repository ab und nicht auf die Autovervollständigung einzelner Funktionen. Zu den zentralen Designentscheidungen gehören:
Persistente asynchrone Hintergrund-Agenten
Anstatt für jede kleine Aufgabe einen neuen Unteragenten zu starten, führt Muse Code spezialisierte Hintergrund-Agenten aus, die während der gesamten Sitzung aktiv bleiben. Diese Agenten sammeln proaktiv Informationen, führen Folgeschritte eigenständig durch und melden sich nur bei Bedarf beim Hauptagenten zurück – dies reduziert redundante Arbeit und verringert die Häufigkeit, mit der ein Entwickler den Agenten bei langen, mehrstufigen Aufgaben manuell steuern muss. Meta berichtet, sechs Features für ein Spiel gleichzeitig entwickelt zu haben, ohne dass es zu Konflikten zwischen den Unteragenten kam, wobei jeder in seinem eigenen Git-Worktree isoliert war.
Replay-Exact, Restart-Safe-Laufzeitumgebung
Muse Code führt ein lokales, nur-zum-Anhängen-bestimmtes Ereignisprotokoll, in dem jeder Modellaufruf, jede Tool-Ausführung, jede Freigabe und jede Dateibearbeitung aufgezeichnet wird. Da das Protokoll die einzige verlässliche Informationsquelle darstellt, kann eine Sitzung nach einem Absturz oder einer Unterbrechung genau dort fortgesetzt werden, wo sie unterbrochen wurde – ein wichtiges Zuverlässigkeitsmerkmal für Aufgaben, die über Stunden laufen.
Gebündelte Skills
Der Agent verfügt standardmäßig über drei Fähigkeiten:
/plan – wandelt eine Aufgabe in einen genehmigungsabhängigen Ausführungsplan um, bevor Codeänderungen vorgenommen werden.
/grill – unterzieht diesen Plan vor Beginn der Ausführung einem Stresstest, um Schwachstellen aufzudecken.
/goal – sorgt dafür, dass der Agent über viele Schritte hinweg auf ein festgelegtes Ziel hinarbeitet.
Video-Link: Meta
Multimodale Aufgabenstellung
Metas eigene Demo zeigt, wie Muse Code ein Fly-Through-Video eines Hauses als .mp4-Datei als Eingabe verwendet und daraus eine vollständige Marketing- und Buchungswebseite für eine Ferienwohnung generiert, was verdeutlicht, dass das Tool mehr als nur Textvorgaben und vorhandenen Code verarbeiten kann.
Erste Schritte mit Muse Code
Muse Code lässt sich mit einem einzigen Terminalbefehl installieren, wie direkt aus dem Ankündigungsbeitrag von Meta hervorgeht:
bash
curl -fsSL https://dev.meta.ai/install.sh | bash
Nach der Installation sieht eine praktische erste Sitzung wie folgt aus:
Führen Sie /plan für eine echte Aufgabe aus – weisen Sie Muse Code zunächst auf ein tatsächliches Repository-Issue oder eine Feature-Anfrage hin, anstatt auf eine Spielerei, damit der genehmigungsgebundene Plan die tatsächlichen Einschränkungen der Codebasis widerspiegelt.
Verwenden Sie /grill vor der Genehmigung – lassen Sie den Agenten seinen eigenen Plan auf Randfälle hin testen, bevor Codeänderungen vorgenommen werden.
Legen Sie mit /goal einen Umfang fest – definieren Sie bei mehrstufigen Aufgaben das Ziel explizit, damit die Hintergrundagenten über eine lange Sitzung hinweg aufeinander abgestimmt bleiben.
Wählen Sie Ihre API-Stufe aus, bevor Sie Jobs mit hohem Datenaufkommen ausführen – die Unterscheidung zwischen Standard- und Contributor-Tarif (siehe unten) gewinnt an Bedeutung, sobald Sie über eine einzelne Testsitzung hinausgehen, da sich die Kosten der beiden Stufen um ein zweistelliges Vielfaches unterscheiden.
Da sich Muse Code derzeit ausschließlich unter macOS und Linux in der Beta-Phase befindet, benötigen Windows-Nutzer derzeit WSL oder eine Linux-VM, um es auszuprobieren.
Muse Spark 1.2 vs. Muse Spark 1.1: Was ist eigentlich anders?
Muse Spark 1.2 wird von Meta ausdrücklich als ein auf das Programmieren ausgerichtetes Update und nicht als vollständiger Generationssprung dargestellt, wobei sich die Unterschiede auf drei Bereiche konzentrieren: Trainingsschwerpunkt, Harness-Integration und gemessene Programmierleistung.
Aspekt | Muse Spark 1.1 (9. Juli 2026) | Muse Spark 1.2 (5. August 2026) |
Schwerpunkt | Allgemeines multimodales, agentisches Schlussfolgern | Programmierung, Debugging und Workflows auf Repository-Ebene |
Begleitwirkstoff | mini-swe-agent (Harness eines Drittanbieters) | Muse Code (gemeinsam trainiertes, hauseigenes Harness) |
Trainingsdatenquelle | Standard-Trainingspipeline | Teilweise selbst generiert: Muse Spark 1.1 erstellte und bewertete Trainingsumgebungen für 1.2 |
Kontextfenster | ~1.048.576 Token | ~1.048.576 Token (unverändert) |
Standard-API-Preise | 1,25 $ / 4,25 $ pro 1 Mio. Token (Eingabe/Ausgabe) | 1,25 $ / 4,25 $ pro 1 Mio. Token (Eingabe/Ausgabe) — unverändert |
Terminal-Bench 2.1 (eigenes Harness) | ~80,0 % (über mini-swe-agent) | 82,9 % (über Muse Code) — Meta berichtet einen Zuwachs von +6,7 Punkten |
DeepSWE 1.1 (eigenes Harness) | ~53,3 % | 59,3 % — Meta berichtet einen Zuwachs von +6,3 Punkten |
Wer die beiden Generationen direkt miteinander vergleicht, sollte einige Vorbehalte beachten. Meta hat für seine Codierungsbewertungen jede Modellversion mit einem anderen Agenten-Harness kombiniert – Version 1.1 lief im generischen Mini-SWE-Agenten, während Version 1.2 im speziell entwickelten Muse Code lief. Das bedeutet, dass die angegebenen Verbesserungen die kombinierte Verbesserung des Modells, des Harness, der System-Prompt sowie der Komprimierungs- und Sub-Agenten-Logik widerspiegeln und nicht das zugrunde liegende Modell für sich allein. In Metas eigenem Dokument zur Bewertungsmethodik wird dies ausdrücklich erwähnt. Dort wird darauf hingewiesen, dass agentenbasierte Bewertungen für Modelle von Drittanbietern nach bestem Wissen und Gewissen reproduziert wurden und möglicherweise nicht die stärkste Konfiguration dieser Wettbewerber widerspiegeln.
Was bei beiden Versionen konstant bleibt, sind das Kontextfenster von etwa 1 Million Token und der Standard-API-Preis. Was sich ändert, sind die programmierspezifischen Fähigkeiten sowie die Hinzufügung eines wirklich neuen Produkts – Muse Code –, über das Version 1.1 nie verfügte.
Muse Spark 1.2-Benchmarks: Wie schneidet es ab?
Meta hat Muse Spark 1.2 im Vergleich zu Muse Spark 1.1, Grok 4.5, Claude Opus 5, GPT-5.6 Terra, Gemini 3.6 Flash und Kimi K3 bewertet – wobei jedes Modell in seinem jeweiligen bevorzugten Agent-Produkt (Muse Code, Grok Build, Claude Code, Codex, Antigravity bzw. Kimi Code) mit der höchsten Einstellung für die Schlussfolgerungsfähigkeit des jeweiligen Modells ausgeführt wurde.
Benchmark | Muse Spark 1.2 | Claude Opus 5 | GPT-5.6 Terra | Grok 4.5 | Gemini 3.6 Flash |
Terminal-Bench 2.1 | 82.9% | 86.7% | 81.8% | 81.6% | — |
DeepSWE 1.1 | 59.3% | 65.0% | 64.8% | — | — |
Meta Internal Coding Bench | 70.6% | 79.4% | 65.4% | — | 63.9% |
Programmierung
Generalvertreter
Es ist wichtiger, diese Ergebnisse im Kontext zu betrachten, als sich nur auf die Schlagzeilenzahlen zu konzentrieren. Bei Terminal-Bench 2.1 – einem Benchmark für reale Softwareentwicklungsaufgaben in der Befehlszeile – liegt Muse Spark 1.2 um etwa einen Punkt vor GPT-5.6 Terra und Grok 4.5, bleibt jedoch um fast vier Punkte hinter Claude Opus 5 zurück. Bei DeepSWE 1.1 belegt es den dritten Platz hinter Opus 5 und GPT-5.6 Terra. Bei Metas eigenem internen Programmier-Benchmark – dem von Meta selbst entwickelten Test – liegt Muse Spark 1.2 immer noch fast neun Punkte hinter Claude Opus 5, was VentureBeat in seiner unabhängigen Analyse der Markteinführung als ungewöhnlich ehrliches Ergebnis für ein Unternehmen bezeichnet hat, das sein eigenes Modell vorstellt.
Es ist zudem erwähnenswert, wer in Metas Vergleichsgruppe fehlt: GPT-5.6 Sol, das Flaggschiff-Modell von OpenAI (im Gegensatz zur kostengünstigeren Terra-Variante), und Claude Fable 5 von Anthropic tauchen in den von Meta veröffentlichten Diagrammen nicht auf, was – wie mehrere Medien hervorgehoben haben – die Verallgemeinerbarkeit der Aussage „schlägt GPT-5.6“ einschränkt.
Fallstudie: Autonome Optimierung von GPU-Kerneln
Einer der besonders aussagekräftigen Tests, die Meta durchführte, bestand darin, Muse Spark 1.2 – das innerhalb von Muse Code läuft – GPU-Kernel über mehr als 1.000 Tool-Aufrufe hinweg in Sitzungen von bis zu 24 Stunden Dauer iterativ optimieren zu lassen. Das Modell schrieb, kompilierte, profilierte und verbesserte schrittweise die Kernel-Implementierungen für zwei Workloads auf NVIDIA-Hopper-GPUs:
KDA (Kernel Data Attention): Der Vergleich erfolgte mit der FLA-Triton-Referenzimplementierung, wobei den Modellen der direkte Import von Kernel-Bibliotheken von Drittanbietern untersagt war. Muse Spark 1.2 kombinierte einen chunk-parallelen Vorbereitungskernel mit einem sequenziellen Scan zwischen den Chunks sowie KDA-spezifische Tricks wie die Neuzentrierung des gated cumulative decay am Mittelpunkt des Chunks.
MLA (Multi-Head Latent Attention): Der Vergleich erfolgte mit einer PyTorch-Referenz bei einer Batchgröße von 1, 64 Attention-Heads, einer Sequenzlänge von 8.192 und einer latenten Dimension von 512. Das Modell baute eine Triton-Pipeline mit zwei Kerneln auf, die das gemeinsam genutzte Schlüssel-Wert-Latent sowohl für die K- als auch für die V-Rolle wiederverwendete.
In beiden Fällen berichtet Meta, dass der Agent mit steigender Anzahl an Tool-Aufrufen erhebliche und anhaltende Beschleunigungen gegenüber den angegebenen Basiswerten erzielte – ein Demonstrationsversuch, der ganz darauf abzielte, ein langfristig ausgerichtetes, selbstkorrigierendes Verhalten des Agenten zu zeigen und nicht die einmalige Codegenerierung.
Muse Spark 1.2 API: Zugriff, Modelle und Funktionen
Muse Spark 1.2 ist ab heute über die Meta Model API verfügbar und bietet einen erweiterten globalen Zugriff, der über die ausschließlich auf die USA beschränkte Einführung hinausgeht, die mit der öffentlichen Vorschau von Muse Spark 1.1 einherging. Die API verwendet ein OpenAI-kompatibles Anfrageformat, was bedeutet, dass bei bestehenden SDK-Integrationen, die für andere Anbieter entwickelt wurden, in der Regel lediglich die Basis-URL und der Modellname geändert werden müssen, um den Datenverkehr an Muse Spark 1.2 weiterzuleiten.
Wichtige technische Spezifikationen, die für die API angegeben wurden:
Kontextfenster: ca. 1.048.576 Token (etwa 1 Million Token).
Eingabemodalitäten: Text, Bilder, Video, Audio und PDF-Dokumente.
Ausgabemodalität: ausschließlich Text.
Fähigkeiten: strukturierte Ausgabe, parallele Funktionsaufrufe und konfigurierbarer Denkaufwand (Meta führte eigene Evaluierungen mit „xhigh“-Denkaufwand durch).
Agentenkompatibilität: Konzipiert für den Einsatz entweder als leitender Planungs-/Delegierungsagent oder als parallel arbeitender Subagent; neben Muse Code ist das System mit mehreren Programmierumgebungen von Drittanbietern kompatibel.
Für dieselben zugrunde liegenden Gewichte werden zwei Modellkennungen veröffentlicht – „muse-spark-1.2“ für die Standardstufe und „muse-spark-1.2-contributor“ für die unten beschriebene, vergünstigte Stufe mit Datenaustausch. Die frühere Kennung „muse-spark-1.1“ bleibt separat aufgeführt für Entwickler, die noch die vorherige Generation verwenden.
Preise für Muse Spark 1.2: Standard- vs. Contributor-Stufe
Der Teil der Markteinführung, über den am meisten gesprochen wird, ist nicht eine Benchmark-Tabelle – es ist die Preisstruktur. Meta bietet Muse Spark 1.2 in zwei Stufen auf genau demselben Modell-Checkpoint an, die sich lediglich darin unterscheiden, ob Meta die Prompts und Vervollständigungen eines Entwicklers zum Training zukünftiger Meta-Modelle verwenden darf.
Tier | Eingabe (pro 1 Mio. Token) | Zwischengespeicherte Eingaben (pro 1 Mio. Token) | Ertrag (pro 1 Mio. Token) | Datennutzung |
Standard (muse-spark-1.2) | $1.25 | $0.15 | $4.25 | Wird nicht für Schulungen verwendet |
Mitwirkender (muse-spark-1.2-contributor) | $0.10 | $0.002 | $0.20 | Prompts und Vervollständigungen könnten zukünftige Meta-Modelle trainieren |
Das entspricht für Entwickler, die sich für die „Contributor“-Stufe entscheiden, einem Rabatt von etwa dem 12,5-Fachen auf Eingabetoken, dem 21-Fachen auf Ausgabetoken und dem 75-Fachen auf zwischengespeicherte Eingabetoken. Die Preise für die „Standard“-Stufe sind seit der Einführung von Muse Spark 1.1 im Juli unverändert geblieben.
Um die Einsparungen konkret zu veranschaulichen: Ein Workload von 100 Millionen Eingabetoken und 10 Millionen Ausgabetoken kostet in der Standard-Stufe etwa 167,50 US-Dollar, in der Contributor-Stufe hingegen etwa 12,00 US-Dollar – eine Ersparnis von mehr als 92 %. Bei einem kleineren, einzelnen Agentic-Durchlauf – beispielsweise einer Diff-Überprüfung mit 40.000 Token, die 6.000 Token an Feedback erzeugt – liegen die Standardkosten bei etwa 0,076 US-Dollar, während der „Contributor“-Tarif diese auf rund 0,005 US-Dollar senkt.
Der Kompromiss betrifft den Datenschutz, nicht die Modellleistung: In der Dokumentation von Meta wird die „Contributor“-Stufe als derselbe Checkpoint mit demselben Kontextfenster und denselben Funktionen beschrieben, der lediglich einer anderen Vereinbarung zur Datennutzung unterliegt. Teams, die mit proprietären oder Kunden-Codebasen arbeiten, werden aus diesem Grund in der Regel bei der Standardstufe bleiben wollen, während Entwickler, die an Open-Source-, Wegwerf- oder nicht sensiblen Projekten arbeiten, den „Contributor“-Rabatt möglicherweise attraktiv finden, insbesondere bei agentischen Schleifen mit hohem Durchsatz, die stark auf Output- und Cached-Context-Token angewiesen sind.
Auch die angegebenen Ratenbegrenzungen unterscheiden sich erheblich zwischen den verschiedenen Tarifen: Der Standardtarif unterstützt deutlich höhere Obergrenzen für Anfragen pro Minute und Tokens pro Minute als der Contributor-Tarif, sodass bei Produktionsanwendungen mit sehr hohem Durchsatz diese Obergrenzen möglicherweise berücksichtigt werden müssen, unabhängig davon, welcher Tarif gewählt wird. Entwickler sollten die aktuellen Begrenzungen direkt anhand der offiziellen API-Dokumentation von Meta überprüfen, da sich Ratenbegrenzungen und regionale Verfügbarkeit am ehesten nach dem Start ändern können.
Aktuelles Update: Offene Gewichtsklassen könnten eingeführt werden
Dies ist ausdrücklich erwähnenswert, da es die Lage nur wenige Tage nach der Einführung verändert: Am 10. August 2026 – fünf Tage nach der Veröffentlichung von Muse Code – stellte Meta ein kleineres Modell mit 30 Milliarden Parametern namens Muse Glimmer unter Apache 2.0 zur Verfügung, das aus Muse Spark abgeleitet wurde. Im Zusammenhang mit dieser Veröffentlichung erklärten sowohl Mark Zuckerberg als auch Meta-AI-Chef Alexandr Wang auf X, dass die offenen Gewichte für Muse Spark 1.2 selbst – das Modell, das Muse Code tatsächlich antreibt – „bald“ verfügbar sein werden. Ein Datum wurde noch nicht bestätigt, und es handelt sich hierbei eher um eine Absichtserklärung als um eine bereits erfolgte Veröffentlichung; betrachten Sie dies daher eher als Richtungsangabe denn als feststehenden Plan. Sollte dies geschehen, würde Muse Spark 1.2 in dieselbe Kategorie der selbst hostbaren Modelle wie Alibabas Qwen und Moonshots Kimi fallen und nicht mehr in die Kategorie der Modelle mit ausschließlich geschlossener API, der es derzeit angehört.
Warum diese Markteinführung von Bedeutung ist
Meta war in den letzten zwei Jahren vor allem für die Veröffentlichung der Open-Weight-Modelle der Llama-Reihe bekannt. Mit der Einführung von Muse Spark im April 2026 vollzog das Unternehmen eine Wende hin zu proprietären Modellen; Muse Spark 1.1 im Juli führte Metas erste kostenpflichtige Entwickler-API ein; und nun stellt Muse Spark 1.2 mit Muse Code Metas erstes speziell für die Programmierung entwickeltes Produkt dar, das etwa ein Jahr nach der Einführung von Anthropics Claude Code und OpenAIs Codex auf den Markt kommt, die diese Kategorie etabliert haben. Mit dieser Einführung tritt Meta in direkten Wettbewerb mit Claude Code, Codex, Grok Build von xAI, Antigravity von Google und Kimi Code von Moonshot – ein umkämpftes Feld, in dem zunehmend die Kosten pro abgeschlossener Aufgabe und nicht nur die reinen Benchmark-Ergebnisse darüber entscheiden, welches Tool Entwickler tatsächlich weiterhin nutzen.
Metas eigene Benchmark-Diagramme zeigen, dass Claude Opus 5 bei jeder veröffentlichten Programmierkennzahl vorne liegt, was die Preisgestaltung für die „Contributor“-Stufe – und nicht die in den Schlagzeilen genannten Intelligenzwerte – zum entscheidenden Unterscheidungsmerkmal dieser Version für kostenbewusste Teams macht, die umfangreiche agentenbasierte Workloads ausführen.
Sollten Sie Muse-Code verwenden?
Muse Code ist eine gute Wahl, wenn Sie:
Führen Sie umfangreiche, nicht sensible oder Open-Source-Workloads im Bereich der agentischen Programmierung aus, bei denen der Rabatt von über 90 % der „Contributor“-Stufe Ihre Wirtschaftlichkeit erheblich verbessert.
Sie möchten mit persistenten, parallelen Subagenten und Worktree-Isolation für große Jobs mit zahlreichen Funktionen experimentieren.
Sie bauen bereits auf dem Modell-Ökosystem von Meta auf und bevorzugen First-Party-Tools gegenüber Lösungen von Drittanbietern.
Sie haben kein Problem damit, Beta-Software zu nutzen und Fehler zu melden, anstatt sich auf ein ausgereiftes, praxiserprobtes Tool zu verlassen.
Sie sollten sich wahrscheinlich für Claude Code, Codex oder eine andere bewährte Option entscheiden, wenn Sie:
Sie benötigen die stärkste verfügbare Roh-Codierungsleistung – Claude Opus 5 liegt in jedem von Meta selbst veröffentlichten Benchmark vor Muse Spark 1.2.
Sie arbeiten hauptsächlich unter Windows ohne WSL, da Muse Code derzeit nur macOS und Linux unterstützt.
Sie arbeiten mit proprietären oder Kunden-Codebasen und möchten von den Kostenvorteilen einer vergünstigten Stufe profitieren – der Contributor-Rabatt setzt jedoch ausdrücklich den Verzicht auf diesen Datenschutz voraus.
Sie wünschen sich ein Tool mit einer längeren Erfolgsbilanz im produktiven Einsatz; Muse Code befindet sich noch in der Beta-Phase, und seine „replay-safe“-Laufzeitumgebung sowie die Isolierung des Arbeitsverzeichnisses wurden noch nicht in demselben Umfang einem Stresstest unterzogen wie bei Claude Code und Codex.
Zu beachtende Einschränkungen
Die Benchmark-Vergleiche sind nicht vollständig vergleichbar. Jedes Modell lief in seinem eigenen bevorzugten Test-Harness, sodass die angegebenen Leistungssteigerungen das Zusammenspiel aus Modell, Harness, Prompt und Komprimierungslogik widerspiegeln – und nicht das zugrunde liegende Modell für sich allein.
Zwei relevante Konkurrenten fehlen in den Diagrammen von Meta: GPT-5.6 Sol (das Flaggschiff von OpenAI, nicht die kostenoptimierte Terra-Variante) und Claude Fable 5 von Anthropic sind nicht berücksichtigt, was die Verallgemeinerbarkeit der veröffentlichten Vergleiche einschränkt.
Beta-Status und Plattformunterstützung: Nur macOS und Linux, noch keine Windows-Unterstützung, und bei Beta-Software ist mit Unausgereiftheiten zu rechnen.
Die Ausgabe erfolgt ausschließlich als Text, obwohl Text, Bilder, Videos, Audiodateien und PDFs als Eingabe akzeptiert werden – Muse Spark 1.2 kann keine nicht-textuellen Ausgaben direkt generieren.
Die Ratenbeschränkungen für die „Contributor“-Stufe sind niedriger als für die Standardstufe, was für Produktionspipelines mit hohem Durchsatz unabhängig von den Kosteneinsparungen von Bedeutung sein kann.
Fazit
Muse Code und Muse Spark 1.2 stellen Metas erste ernstzunehmende, speziell entwickelte Antwort auf die agentischen Programmierwerkzeuge dar, die bereits von Anthropic, OpenAI, xAI und Google angeboten werden. Das Modell selbst ist eher eine schrittweise, auf das Programmieren ausgerichtete Weiterentwicklung als eine komplette Neugestaltung – dasselbe Kontextfenster, dieselbe Standardpreisgestaltung und in jedem von Meta veröffentlichten Programmier-Benchmark weiterhin hinter Claude Opus 5 zurückbleibend. Wirklich neu ist Muse Code als Produkt sowie die stark reduzierte Preisstufe für Mitwirkende, die Muse Spark 1.2 zu einer attraktiven Option für kostenbewusste, volumenintensive agentische Workloads machen könnte, bei denen Entwickler bereit sind, Datenschutz gegen einen erheblichen Rabatt pro Token einzutauschen. Die aktuellen Spezifikationen, Ratenbeschränkungen und die regionale Verfügbarkeit entnehmen Sie bitte direkt der offiziellen Ankündigung von Meta zu Muse Code und Muse Spark 1.2, da sich Preis- und Zugangsdetails für neu eingeführte KI-Produkte in der Regel schnell ändern.
FAQs
Was ist Muse Code?
Muse Code ist der Beta-Terminal-Codierungsagent von Meta, der auf Muse Spark 1.2 basiert und mithilfe persistenter Hintergrundagenten sowie eines „replay-safe“-Ausführungsprotokolls Codeänderungen über gesamte Repositorys hinweg plant, schreibt und validiert.
Was ist Muse Spark 1.2?
Muse Spark 1.2 ist das auf Programmierung ausgerichtete Update von Meta Superintelligence Labs zu Muse Spark 1.1, mit erweiterter Trainingsleistung für Programmieraufgaben und Co-Training in Verbindung mit dem Muse-Code-Agenten-Harness.
Wie unterscheidet sich Muse Spark 1.2 von Muse Spark 1.1?
Muse Spark 1.2 behält das gleiche Kontextfenster von etwa 1 Million Token und die Standardpreise wie 1.1 bei, bietet jedoch deutlich mehr auf das Programmieren ausgerichtetes Training, wurde gemeinsam mit dem neuen Muse-Code-Agenten-Harness trainiert und erzielt bei der Bewertung innerhalb seines eigenen Agenten mehrere Punkte mehr bei Terminal-Bench 2.1 und DeepSWE 1.1.
Wie viel kostet die Muse Spark 1.2-API?
Die Standardpreise betragen 1,25 US-Dollar pro Million Eingabetoken und 4,25 US-Dollar pro Million Ausgabetoken. Eine vergünstigte „Contributor“-Stufe kostet 0,10 US-Dollar pro Million Eingabetoken und 0,20 US-Dollar pro Million Ausgabetoken, wobei Meta im Gegenzug die Erlaubnis erhält, eingereichte Prompts und Vervollständigungen zur Verbesserung zukünftiger Modelle zu nutzen.
Ist Muse Spark 1.2 beim Programmieren besser als Claude oder die GPT-Modelle?
Nicht laut den von Meta selbst veröffentlichten Benchmarks. Claude Opus 5 übertrifft Muse Spark 1.2 bei Terminal-Bench 2.1, DeepSWE 1.1 und Metas internem Programmier-Benchmark, obwohl Muse Spark 1.2 GPT-5.6 Terra und Grok 4.5 bei Terminal-Bench 2.1 knapp übertrifft.
Wo kann ich auf Muse Spark 1.2 zugreifen?
Über die Meta Model API (Modell-IDs „muse-spark-1.2“ und „muse-spark-1.2-contributor“) sowie über den Muse Code-Terminal-Agenten, der unter macOS und Linux mit dem Befehl „curl -fsSL https://dev.meta.ai/install.sh | bash“ installiert werden kann.
Wird Muse Spark 1.2 als Open-Weight-Modell verfügbar sein?
Derzeit noch nicht, aber am 10. August 2026 haben Führungskräfte von Meta öffentlich signalisiert, dass Open-Weight-Versionen für Muse Spark 1.2 „bald“ erscheinen werden, zusammen mit der Open-Weight-Veröffentlichung des kleineren Modells Muse Glimmer. Ein konkretes Datum steht noch nicht fest.