{"id":3442431,"date":"2026-08-06T14:57:46","date_gmt":"2026-08-06T12:57:46","guid":{"rendered":"https:\/\/datanorth.ai\/?post_type=news&#038;p=3442431"},"modified":"2026-08-06T14:57:35","modified_gmt":"2026-08-06T12:57:35","slug":"meta-lanceert-muse-spark-1-2-en-muse-code","status":"publish","type":"news","link":"https:\/\/datanorth.ai\/nl\/nieuws\/meta-lanceert-muse-spark-1-2-en-muse-code","title":{"rendered":"Meta lanceert Muse Spark 1.2 en Muse Code"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><em>Gepubliceerd: 6 augustus 2026<\/em><\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Meta Superintelligence Labs bracht op 5 augustus 2026 Muse Code uit, een terminal-codeeragent in b\u00e8ta, samen met Muse Spark 1.2, het codeergerichte model dat de agent aanstuurt. <strong>In Meta&#8217;s eigen evaluaties<\/strong> haalt Muse Spark 1.2 82,9 procent op Terminal-Bench 2.1 en 59,3 procent op DeepSWE v1.1, tegenover 76,2 en 53,0 procent voor Muse Spark 1.1. Beide zijn vanaf nu beschikbaar via de Meta Model API, en Muse Code installeert op macOS en Linux met \u00e9\u00e9n commando.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat kan Muse Code?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Muse Code is een terminal-codeeragent die is gebouwd voor software-engineering in grote repositories. De agent plant wijzigingen, schrijft code en valideert het resultaat, en kan meerdere blijvende subagents op \u00e9\u00e9n taak inzetten. Anders dan Claude Code van Anthropic en Codex van OpenAI komt Muse Code zonder desktopapplicatie en draait het volledig vanuit de terminal.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De runtime draait om een lokaal event log waaraan alleen wordt toegevoegd. Elke modelaanroep, tool-run, goedkeuring en bewerking wordt weggeschreven naar dat log. Meta noemt dat replay-exact en restart-safe: na een crash pakt de agent precies op waar hij gebleven was. Dat maakt het mogelijk om taken van vele uren te draaien zonder voortgang te verliezen. Daarnaast draaien er async achtergrondagents die een hele sessie actief blijven in plaats van per taak te worden opgestart, wat dubbel informatie verzamelen voorkomt en minder bijsturen vraagt.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De agent wordt geleverd met drie standaardvaardigheden. Met \/plan wordt een taak omgezet in een plan dat eerst moet worden goedgekeurd, \/grill test dat plan net zo lang tot het standhoudt, en \/goal werkt toe naar het behalen van een gesteld doel. Installeren gaat met \u00e9\u00e9n regel op macOS en Linux: curl -fsSL https:\/\/dev.meta.ai\/install.sh | bash. Er is bij de lancering geen Windows-versie, en de agent wordt verspreid als closed source binary met de naam muse.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Benchmarks en technische specificaties van Muse Spark 1.2<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Muse Spark 1.2 heeft een contextvenster van 1.048.576 tokens en accepteert tekst, afbeeldingen, video en PDF als invoer, met tekst als uitvoer. Meta publiceert geen parameteraantal en geen architectuurdetails. De API-model-ID&#8217;s zijn muse-spark-1.2 en muse-spark-1.2-contributor; muse-spark-1.1 blijft vermeld als het eerdere checkpoint.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Op de grafieken bij de lancering scoort Muse Spark 1.2:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>82,9 procent op Terminal-Bench 2.1 tegenover 76,2 procent voor Muse Spark 1.1,<\/li>\n\n\n\n<li>59,3 procent op DeepSWE v1.1 tegenover 53,0 procent,<\/li>\n\n\n\n<li>70,6 procent op Meta Internal Coding Bench tegenover 68,3 procent.<\/li>\n\n\n\n<li>Terminal-Bench 2.1 omvat alle 89 taken uit de offici\u00eble release.<\/li>\n\n\n\n<li>DeepSWE v1.1 bestaat uit 113 taken verspreid over 91 repositories en vijf talen: TypeScript, Go, Python, JavaScript en Rust.<\/li>\n\n\n\n<li>Meta Internal Coding Bench telt 440 taken die zijn afgeleid van echte pull requests uit Meta&#8217;s eigen codebase. Alle cijfers zijn pass@1, gemiddeld over vijf pogingen, uitgevoerd in ge\u00efsoleerde Daytona-cloudsandboxen.<\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\">Meta schrijft de vooruitgang toe aan drie keuzes in de training. Het schaalde de rekenkracht voor codeertaken fors op en verbreedde tegelijk de diversiteit van trainingsomgevingen. Het trainde het model samen met de Muse Code-harness op rejection-sampled trajecten, met receptoptimalisaties voor doelen, contextcompactie en subagents. En het draaide een zelfverbeteringslus waarin Muse Spark 1.1 lastige codeeromgevingen en instructiesjablonen genereerde en vervolgens kandidaatoplossingen beoordeelde om de trainingsset voor 1.2 op te bouwen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Hoe verhoudt Muse Spark 1.2 zich tot Claude Opus 5 en GPT-5.6 Terra?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Meta vergeleek Muse Spark 1.2 met Muse Spark 1.1, Grok 4.5, Claude Opus 5, GPT-5.6 Terra, Gemini 3.6 Flash en Kimi K3. Elk model draaide in zijn eigen agentproduct: Muse Code voor Muse Spark 1.2, Claude Code voor Claude Opus 5, Codex voor GPT-5.6 Terra, Antigravity voor Gemini 3.6 Flash, Grok Build voor Grok 4.5 en Kimi Code voor Kimi K3, elk op de hoogste redeneerstand.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Op die grafieken staat Muse Spark 1.2 tweede achter Claude Opus 5, op alle drie de codeerbenchmarks: Terminal-Bench 2.1, DeepSWE v1.1 en Meta Internal Coding Bench. In het methodologiedocument schrijft Meta expliciet dat de eigen evaluatieopzet, inclusief agenttools en systeemprompts, niet is afgestemd op de sterke punten van modellen van derden, waardoor die cijfers hun beste prestatie mogelijk niet weergeven.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Alle cijfers uit de lancering zijn door de leverancier zelf gemeten en er was op het moment van publicatie geen onafhankelijke reproductie. Omdat de winst is gemeten binnen de harness waarmee het model samen is getraind, liggen resultaten in een generieke opzet waarschijnlijk lager.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Prijzen en beschikbaarheid van Muse Spark 1.2<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">De prijzen op de standaardtier zijn ongewijzigd ten opzichte van Muse Spark 1.1: $1,25 per miljoen invoertokens, $0,15 per miljoen gecachete invoertokens en $4,25 per miljoen uitvoertokens. Web search grounding kost $2,50 per 1.000 queries. Meta meldt dat er geen toeslag geldt voor lange context en dat ingevoegde steeringtokens niet worden gefactureerd.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De tweede tier, muse-spark-1.2-contributor, kost $0,10 per miljoen invoertokens, $0,002 per miljoen gecachete invoertokens en $0,20 per miljoen uitvoertokens. Dat is een korting van 12,5x op invoer en 21,25x op uitvoer, met een expliciete tegenprestatie: Meta mag prompts en antwoorden van die tier gebruiken om toekomstige modellen te trainen. Deze tier is bovendien begrensd op 60 requests per minuut per team, tegenover 3.000 op de standaardtier, en is daarmee alleen geschikt voor werk met lage gelijktijdigheid.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Muse Spark 1.2 is beschikbaar via de Meta Model API, die Meta nu omschrijft als wereldwijd breder toegankelijk, en binnen Muse Code. De gewichten zijn gesloten. Er is geen Hugging Face-repository voor Muse Spark of Muse Code en geen mogelijkheid tot self-hosting, waardoor evaluatiegewoonten uit het Llama-tijdperk niet opgaan voor deze familie.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Casus: GPU-kerneloptimalisatie over 24 uur<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Meta publiceerde een casus waarin Muse Spark 1.2 GPU-kernels stapsgewijs optimaliseerde over meer dan 1.000 tool calls, in runs die tot 24 uur duurden. Binnen Muse Code schreef, compileerde en profileerde het model KDA- en MLA-kernels voor NVIDIA Hopper-GPU&#8217;s en verbeterde het die telkens verder ten opzichte van een aangeleverde basisimplementatie.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Voor KDA was de FLA Triton-implementatie de basislijn en mocht het model geen externe kernelbibliotheken zoals FLA rechtstreeks importeren. Muse Spark 1.2 combineerde een chunk-parallelle voorbereidingskernel met een sequenti\u00eble scan tussen chunks, waarbij standaardfusie en tiling werden gecombineerd met KDA-specifieke optimalisaties. Voor MLA was de referentie een PyTorch-implementatie bij batchgrootte 1, 64 heads, sequentielengte 8192 en latente dimensie 512; daar bouwde het model een Triton-pijplijn van twee kernels die de gedeelde KV-latent hergebruikt als zowel K als V.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Meta presenteert dit als demonstratie van wat het model kan, niet als benchmarkresultaat.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><em>De volledige aankondiging, de benchmarkgrafieken en de driepagina&#8217;s tellende evaluatiemethodologie staan op <a href=\"https:\/\/research.meta.ai\/blog\/introducing-muse-code-and-muse-spark-1-2\" target=\"_blank\" rel=\"noreferrer noopener\">de Meta Research blog aankondiging van Muse Spark 1.2 en Muse Code<\/a>, met model- en prijsdocumentatie op <a href=\"https:\/\/dev.meta.ai\/docs\" target=\"_blank\" rel=\"noreferrer noopener\">de Meta Developer Docs<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Muse Spark 1.2 is een codeergericht checkpoint met een context van 1 miljoen tokens tegen ongewijzigde standaardprijzen, geleverd samen met de terminalagent waarmee het is meegetraind.<\/p>\n","protected":false},"author":12,"featured_media":3442429,"template":"","tags":[],"news-category":[],"class_list":["post-3442431","news","type-news","status-publish","has-post-thumbnail"],"meta_box":[],"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news\/3442431","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/12"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3442429"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3442431"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3442431"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news-category?post=3442431"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}