2026/08/06 4:15
Muse Code および Muse Spark 1.2
RSS: https://news.ycombinator.com/rss
要約▶
Japanese Translation:
Muse Code（beta）は、大規模リポジトリ全体にわたる複雑なソフトウェア工学タスクを処理するように設計された新しい Muse Spark 1.2 モデルを活用した強力なターミナルベースのコーディングエージェントとして正式にローンチされました。このシステムは、複数ステップのタスクにおける遅延の削減と冗長なデータ収集の排除を実現するために、非同期のバックグラウンドプロセスにより強化された恒久的エージェントループを利用します。さらに、すべてのモデル呼び出しおよびツールの実行をキャプチャするローカルイベントログを通じてクラッシュ耐性を確保し、ランタイムを再現精度（replay-exact）で保証しています。Meta Model API 経由で利用可能な Muse Spark 1.2 は、コーディングタスクにおけるスケールアップされた計算リソースと拒絶サンプリングされた軌跡を用いて Muse Code と共同トレーニングされ、コード生成、デバッグ、およびリポジトリ全体生成のような長期視野の能力を強化しました。Spark 1.1 を含む自己改善ループにより、NVIDIA Hopper GPU などハードウェア上のインストラクションフォローとパフォーマンスがさらに微調整されました。開発者は、承認ゲート付き計画を提供する
/plan/grill/goal本文
MUSE Code（ベータ版）と MUSE Spark 1.2 のリリース案内
本日、大規模で能力が大幅に向上したターミナル型コーディングエージェント MUSE Code（β版）を正式にリリースいたします。さらに大規模なモデルも近日中に登場予定です。
MUSE Code の概要とインストール
機能
- 大規模なリポジトリ内の複雑なソフトウェアエンジニアリングタスクを一括処理します。
- 変更の計画立案、コード記述、結果検証までを網羅します。
- 複数の永続的なサブエージェントを活用し、人的介入を最小限に抑えながら高速かつ高精度に課題を解決します。
主な特徴
MUSE Code は以下の技術的革新を搭載しています：
-
非同期バックグラウンドエージェント
- メインエージェントの能力を一層高める一連の非同期バックグラウンドエージェントで構成されています。
- これらの専門エージェントはセッション全体にわたって活性化され、個別タスクごとに生成される必要はありません。
- 不要な情報収集プロセスを回避し、必要なタイミングで自律的にメインエージェントへ情報を返します。
- これにより、困難な多段階タスクにおける遅延や方向調整の必要性が大幅に削減されます。
-
ランタイム設計
- すべてのモデル呼び出し、ツール実行、承認、およびエディット操作を記録したローカルイベントログを採用しています。
- 「単一の真実」としてのログにより、ランタイムは再生可能かつ再起動安全に動作します。
- クラッシュ発生時も停止地点から正確に再開可能で、長時間実行されるタスクも失敗中断なく担当できます。
-
バンドルされたスキル
-
以下のような機能をデフォルトで内蔵しています：
：タスクを承認ゲート付きの計画に変換/plan
：計画の堅牢性を検証するためのストレステスト実施/grill
：指定された目標達成に向けて作業を進める/goal
-
利用例：ユーザーが家庭内の動画を mp4 ファイルとしてターミナルに入力すると、MUSE Code は動画を読み込み、視覚的に豊かな休暇住宅向けのプロモーションブッキングページを自動生成します。
-
MUSE Spark 1.2 の詳細
モデルの進化
MUSE Spark 1.2 は、コード生成、高度なデバッグ、コードベース理解、エンドツーエンド開発ワークフローにおいて改善されたアップデートです（前モデル：Spark 1.1）。
- トレーニング強化：コーディングタスクに対する計算資源を大幅拡大し、トレーニング環境の多様性も拡張。
- 総合性能：一般エージェントなど他の領域でも優れた性能を維持。
技術的アプローチ
Co-Training with MUSE Code
MUSE Spark 1.2 は MUSE Code と共同トレーニングされており、連携時のパフォーマンスと使いやすさを最適化しました。
- トレーニング内容：拒否サンプリングによるハーネス軌跡、目標最適化、コンパクト化、サブエージェントレシピ最適化を含む。
- ツールセット統合：MUSE Code のツールセットを統合し、ハーネスとの互換性を最大化。
長期視野タスク（Long-Horizon）
全リポジトリ生成、大規模エンドツーエンドプロジェクト、自動研究などに対応するトレーニングを実施。
- 適切に作業をシーケンスするための計画立案。
- 方向性を維持するための目標条件付け。
- コンテキストコンパクト化による知識保持。
自己改善（Self-Improvement）
困難なコーディング環境や指示追従テンプレートを生成し、モデルがそれらを評価するループを通じたデータ産出を行いました。
- これにより、MUSE Spark 1.2 は前世代モデルよりも複雑な指示を精密に追従する能力を獲得しました。
ケーススタディ：GPU カーネル最適化
モデルが 1,000 回以上のツール呼び出し（最大 24 時間）を用いて GPU カーネルを反復的に最適化する能力を検証しました。
- タスク内容：
- ベンチマーク対象：NVIDIA Hopper GPU 向けの KDA および MLA カーネル。
- 制限条件：FLA Triton による実装が基準であり、サードパーティ製ライブラリの直接インポートは禁止（既存実装のラップではなく、Triton アルゴリズム実装必須）。
- 成果：
- エージェント環境を活用し、記述・コンパイル・プロファイルングを通じて段階的に性能を改善。
- チャンク並列事前準備カーネルとシーケンシャル間チャンクスキャンを組み合わせた構成を採用。
- 標準的な融合に加え、KDA に特化した最適化（例：ゲート付き累積減衰の再中心化）も施し、著しい性能向上を達成。
利用状況と今後の展望
- 現在利用可能：MUSE Spark 1.2 は今日から MUSE Code および Meta Model API で利用可能です（グローバルアクセス範囲拡大）。
- 今後の予定：
- 新機能（ハーネス関連など）の開発。
- より高性能なモデルの実装。
皆様からどのような素晴らしいアプリケーションが開発されるのか、心待ちにしております。
MUSE Code をぜひお試しください。