Meta เปิดตัว Muse Code เบต้าและอัปเดต Muse Spark 1.2 พร้อมเอเจนต์ทำงานแบบอะซิงโครนัส

Meta ปล่อย Muse Code เวอร์ชันเบต้าและอัปเดตโมเดล Muse Spark 1.2 พร้อมคุณสมบัติการทำงานแบบเอเยนต์พื้นหลังแบบอะซิงโครนัส เพื่อตั้งตำแหน่งตัวเองสู่การแข่งขันด้าน AI‑coding กับ Anthropic, OpenAI และผู้ให้บริการอื่น ๆ ที่กำลังเติบโตอย่างรวดเร็ว

Overview

Meta เปิดตัว Muse Code บนเทอร์มินัลเป็นเอเยนต์ AI ที่สามารถทำงานวิศวกรรมซอฟต์แวร์เต็มรูปแบบได้ ตั้งแต่การวางแผนเปลี่ยนแปลงในรีโปสิตอรี ขนาดใหญ่ ไปจนถึงการเขียนโค้ดและตรวจสอบผลลัพธ์ การเปิดตัวครั้งนี้เป็นขั้นตอนสำคัญที่บริษัทเลือกเข้าสู่ตลาด AI‑coding อย่างจริงจัง หลังจากหลายปีที่เน้นโมเดลเปิด‑weight Llama เป็นหลัก

ตามโพสต์ของ CEO Mark Zuckerberg บน X (ชื่อผู้ใช้ @finkd) บริษัทได้ให้คำสั่งติดตั้งด้วยบรรทัดเดียวบน macOS หรือ Linux ผ่าน `curl -fsSL https://dev.meta.ai/install.sh | bash` ผู้ใช้ต้องเข้าสู่ระบบด้วยบัญชี Meta และระบุข้อมูลการเรียกเก็บเงินเพื่อเริ่มใช้งาน ทั้งนี้ Muse Code ยังอยู่ในขั้นตอนเบต้าและอาจมีการปรับปรุงต่อไป

Key Features

หนึ่งในจุดเด่นของ Muse Code คือ async background agents ซึ่งเป็นเอเยนต์พื้นหลังที่คงอยู่ตลอดเซสชัน แทนที่จะสร้างเอเยนต์ใหม่สำหรับแต่ละงานตามแบบแผนของเครื่องมือคู่แข่ง ทำให้ลดความล่าช้าและการเก็บข้อมูลซ้ำซ้อนได้อย่างมีประสิทธิภาพ

เมื่อทำภารกิจขนาดใหญ่ Muse Code จะเปิดใช้งาน sub‑agents หลายตัวทำงานพร้อมกันใน git worktree แยกจากกัน ซึ่งหมายความว่าไฟล์ต้นฉบับของนักพัฒนาจะไม่ถูกแก้ไขโดยตรง ตัวอย่างการทดสอบที่ Zuckerberg ระบุคือสร้างคุณลักษณะหกรายการสำหรับเกมเดียวกันพร้อมกันโดยไม่มีการชนกัน

อีกหนึ่งฟีเจอร์สำคัญคือ auditability ทุกการเรียกโมเดล การใช้เครื่องมือ การอนุมัติและการแก้ไขจะถูกบันทึกลงในล็อกเหตุการณ์แบบโลคัล ทำให้ระบบสามารถ “replay‑exact” และ “restart‑safe” หากเกิดข้อผิดพลาดระหว่างทำงาน ยืดเวลาการฟื้นตัวโดยไม่ต้องเริ่มต้นใหม่

• /plan** – แปลงภารกิจเป็นแผนที่ต้องการการอนุมัติ
• /grill** – ทดสอบความแข็งแรงของแผนจนกว่าจะผ่านเกณฑ์
• /goal** – นำเอเยนต์สู่เป้าหมายที่กำหนดไว้

Technical Architecture

Muse Code ถูกพัฒนาให้ติดตั้งได้ด้วยคำสั่ง `curl` เพียงครั้งเดียวและทำงานร่วมกับโมเดล Muse Spark 1.2 อย่างใกล้ชิด การฝึกโมเดลโดยใช้ข้อมูลจากตัว harness เอง (co‑training) ทำให้ AI สามารถเข้าใจบริบทของโค้ดในสภาพแวดล้อมที่จริงได้ดีขึ้น

การออกแบบเอเยนต์พื้นหลังแบบ persistent ทำให้แต่ละเอเยนต์สามารถเก็บสถานะของรีโปสิตอรีและข้อมูลที่สำคัญไว้ระหว่างคำขอหลายครั้ง ลดภาระการสำรวจซ้ำซ้อน นอกจากนี้ การทำงานใน isolated worktrees ช่วยแยกผลลัพธ์ของแต่ละ sub‑agent ออกจากกัน ป้องกันความเสี่ยงจากการแก้ไขไฟล์โดยไม่ได้ตั้งใจ

Meta ยังได้เพิ่มกลไก self‑improvement loop ให้กับ Muse Spark 1.2 โดยให้เวอร์ชันก่อนหน้า (Muse Spark 1.1) สร้างสภาพแวดล้อมและเทมเพลตการทำงานที่ท้าทาย แล้วประเมินผลของโมเดลเพื่อสร้างชุดข้อมูลฝึกใหม่แบบอัตโนมัติ ซึ่งเป็นแนวทางที่ช่วยเพิ่มความสามารถในการปฏิบัติงานตามคำสั่งซับซ้อน

Benchmark & Performance

Muse Spark 1.2 ได้รับการปรับขนาดคอมพิวเตอร์สำหรับการฝึกบนงานเขียนโค้ดและเพิ่มความหลากหลายของข้อมูลฝึก ทำให้ประสิทธิภาพด้าน code generation, debugging และ codebase understanding ดีขึ้นอย่างเห็นได้ชัด แม้ Meta จะไม่เปิดเผยคะแนนเฉพาะบนบอร์ดลีดเดอร์เช่น Terminal‑Bench 2.1 หรือ DeepSWE 1.1 แต่บริษัทได้เผยแผนภูมิเปรียบเทียบกับโมเดลอื่น ๆ เช่น Claude Opus 4.6, Gemini 3.1 Pro และ GPT‑5.4

ในรุ่นก่อนหน้า Muse Spark ได้คะแนน 77.4 บน SWE‑Bench Verified ซึ่งต่ำกว่า Claude Opus 4.6 (80.8) และ Gemini 3.1 Pro (80.6) อย่างชัดเจน การอัปเดต 1.2 จึงมุ่งเติมเต็มช่องว่างนี้โดยใช้ข้อมูลการฝึกที่ออกแบบเฉพาะสำหรับ Muse Code

การสาธิตกรณีศึกษาระยะยาวของ Meta แสดงให้เห็นว่า Muse Spark 1.2 สามารถทำงานปรับแต่งเคอร์เนล GPU ได้มากกว่า 1,000 การเรียกเครื่องมือต่อเนื่องเป็นเวลา 24 ชั่วโมงบนฮาร์ดแวร์ NVIDIA ซึ่งบ่งบอกถึงศักยภาพในการจัดการภารกิจที่ต้องใช้เวลานานและซับซ้อน

Industry Impact

การเปิดตัว Muse Code และ Muse Spark 1.2 ทำให้ Meta ก้าวเข้าสู่การแข่งขันระดับหัวใจของตลาด AI‑coding ที่ก่อนหน้านี้บริษัทเน้นให้บริการโมเดลโอเพน‑source เป็นหลัก การใช้ persistent async agents ร่วมกับ audit logs ตรงข้ามกับแนวทางที่หลายบริษัทเลือกใช้เอเยนต์แบบสปอนด์ครั้งเดียวและไม่มีระบบบันทึกเหตุการณ์อย่างละเอียด

สำหรับผู้จัดการทีมวิศวกรรมซอฟต์แวร์ ความสามารถในการรีสตาร์ทงานโดยไม่สูญเสียข้อมูลหรือต้องทำ prompt ใหม่อาจเป็นจุดขายสำคัญในด้านความปลอดภัยและประสิทธิภาพ นอกจากนี้ การฝึกโมเดลร่วมกับ harness เฉพาะของบริษัทบ่งชี้ว่าตลาดกำลังเคลื่อนจากการแยก “model” กับ “tooling” ไปสู่การผสมผสานแบบครบวงจร

อย่างไรก็ตาม ตลาดยังคงให้ความสำคัญต่อคะแนนบนบอร์ดลีดเดอร์และประสบการณ์ผู้ใช้จริง การที่ Meta ไม่เปิดเผยตัวเลขเฉพาะอาจทำให้บางองค์กรลังเลในการนำไปใช้งานระดับองค์กรในระยะสั้น แต่การแสดงกรณีศึกษาการทำงานต่อเนื่องหลายชั่วโมงบน GPU แสดงถึงศักยภาพที่น่าติดตาม

Summary

Meta เปิดตัว Muse Code เวอร์ชันเบต้าและอัปเดตโมเดล Muse Spark 1.2 ที่มาพร้อมกับเอเยนต์พื้นหลังแบบ persistent async, การทำงานขนานใน worktree แยกจากกัน และระบบบันทึกเหตุการณ์โลคัล เพื่อให้ผู้พัฒนาสามารถจัดการโค้ดระดับใหญ่ได้อย่างมีประสิทธิภาพและปลอดภัย แม้บริษัทจะไม่เปิดเผยคะแนนเฉพาะบนบอร์ดลีดเดอร์ การสาธิตกรณีศึกษาที่ยาวนานแสดงศักยภาพของเทคโนโลยีใหม่ที่อาจเปลี่ยนแนวทางการใช้ AI ในการเขียนโค้ดในอนาคต.