Meta släppte kodagenten Muse Code i beta den 5 augusti

Muse Code är en AI-agent som körs i terminalen på din egen dator, planerar kodändringar, skriver dem och testar resultatet. Meta Superintelligence Labs släppte den 5 augusti 2026 tillsammans med den underliggande modellen Muse Spark 1.2. Versionsnumret vid lanseringen var 0.1.0-R708.1, alltså uttalad beta. Metas AI-chef Alexandr Wang beskrev den som ett verktyg för planering, kodskrivning och validering av resultat och konkurrenterna heter OpenAI Codex och Anthropic Claude Code.

Det intressanta är inte att Meta har byggt en kodagent. Alla har byggt en kodagent. Det intressanta är prislappen och var koden hamnar.

Två priser och det billiga betalar du med din källkod

Standard-tiern kostar 1,25 dollar per miljon input-tokens och 4,25 dollar per miljon output-tokens. Contributor-tiern kostar 0,10 respektive 0,20 dollar. Det är mellan tolv och tjugoen gånger billigare och skillnaden är enkel: på Contributor får Meta träna på din kod.

Cachad input gör klyftan absurd. Standard tar 0,15 dollar per miljon tokens för cachad input, Contributor tar 0,002. Priserna gäller under betafasen och kan ändras.

För en hobbyutvecklare som bygger en portfoliosajt är valet trivialt. För någon som jobbar med kundprojekt under NDA är det inget val alls. Och Contributor-tiern hade regionala begränsningar vid lanseringen, vilket flera i communityn påpekade samma dag.

Installationen är ett kommando på macOS eller Linux

Agenten laddas ner som en statiskt länkad binär till `~/.local/bin`.

Kör `curl -fsSL https://dev.meta.ai/install.sh | bash` i terminalen. På Windows behöver du WSL2 först, någon egen Windows-build fanns inte vid lanseringen. Verifiera sedan att `muse` hamnade i din PATH, binären är statiskt länkad så du slipper beroendehelvete. Autentisera via OAuth mot auth.meta.com: webbläsaren öppnas, du godkänner, du är inne. Välj tier, Standard eller Contributor och läs villkoren innan du väljer det billiga. Starta agenten i ett git-repo och beskriv vad du vill ha gjort, agenten planerar först och kör sedan. Godkänn de åtgärder den föreslår, approval-prompts är på från början och du behöver inte slå på dem.

Det sista steget är det viktigaste. Sandboxen är OS-tvingad och aktiv som standard, nätverksåtkomsten går bara via proxy och agenten vägrar starta om den inte kan upprätthålla gränsen. Det är en ovanligt strikt default för ett betaverktyg och den är rimlig med tanke på vad som hänt när agenter kommit ut ur sandlådan.

Bakgrundsagenterna lever hela sessionen

Här skiljer sig arkitekturen från mycket annat. De specialiserade agenterna skapas inte om för varje uppgift, utan förblir aktiva under hela sessionen. Subagenter körs i isolerade git worktrees och bara en nivå djup, så ett barn kan inte skapa egna barn. Parallelliteten skalar med maskinens kärnantal, ungefär antalet kärnor minus två, begränsat mellan 2 och 16.

En lokal append-only-logg registrerar varje modellsamtal, verktygsanrop, godkännande och redigering. Kraschar terminalen kan sessionen återupptas från exakt samma punkt. Agenten, subagenterna och loggarna körs på din maskin. Bara modellen ligger hos Meta.

Modellen har ett kontextfönster på 1 048 576 tokens och kan skriva ut 131 072 tokens. Muse Spark 1.2 tar också emot bilder, video och PDF inom samma fönster. Lanseringsdemot matade in en mp4-film från en husvisning och fick ut en bokningswebbplats.

Metas benchmarksiffror håller inte hela vägen

Meta uppger 80 procent på Terminal-Bench v2.1 för Muse Spark 1.2, upp från 78 procent för 1.1 och 54 på Intelligence Index mot tidigare 51.

Oberoende mätningar ger en dämpad bild. Vals AI placerar Muse Spark 1.2 på fjortonde plats av femtio på Terminal-Bench. Artificial Analysis mäter 80 procent, inte de 82,9 som cirkulerat. Och förra generationens påstådda 80,0 procent verifierades senare till 76,2 procent med en felmarginal på 1,2 procentenheter. Mönstret att leverantörens egna siffror ligger några procentenheter över tredjepartsmätningar är inte unikt för Meta men det är värt att ha med sig.

Metas mest imponerande exempel är en körning som optimerade NVIDIA Hopper-kärnor över tusen verktygssamtal under upp till 24 timmar. Det visar att agenten kan hålla ihop en lång session utan att tappa tråden. Det säger ingenting om hur den beter sig i ett femton år gammalt Java-monolit med trasiga tester.

Hacker News-tråden avslöjar vad som saknades vid lanseringen

Diskussionstråden på Hacker News från lanseringsdagen nådde 278 poäng och 177 kommentarer. Kritiken handlade mindre om kodkvalitet och mer om vardagsproblem: inga utgiftsgränser, inloggningsfel i Docker, regionala begränsningar för Contributor och avsaknad av Windows-build.

Avsaknaden av utgiftsgränser är den som kostar pengar. En agent som får köra tusen verktygssamtal på output-tokens à 4,25 dollar per miljon kan generera en räkning du inte planerat för och det finns ingen spärr i betaversionen.

Modellvikterna släpptes inte men Mark Zuckerberg har sagt att fler ska delas framöver.

Om Muse Code är värt att testa nu

Ja, om du har macOS eller Linux, kör i ett git-repo du kan slänga och vill se hur en agent med miljontokenfönster resonerar över en hel kodbas. Installationen är ett kommando och sandboxen är på som standard, så nedsidan är liten.

Nej, om du behöver Windows utan WSL2, arbetar med kod du inte får dela eller behöver förutsägbara kostnader. Då väntar du på att beta blir 1.0.

För svenska utvecklare finns en extra fråga: Contributor-tiern innebär att din källkod används som träningsdata hos ett amerikanskt bolag. Det är hanterbart för ett sidoprojekt. Det är en diskussion med jurist om koden tillhör en kund.

FAQ

Fungerar Muse Code på Windows?

Bara via WSL2. Någon nativ Windows-binär fanns inte vid lanseringen den 5 augusti 2026.

Vad är skillnaden mellan Muse Code och Muse Spark?

Muse Code är själva agenten: terminalen, runtime, sandboxen och loggen som körs lokalt hos dig. Muse Spark 1.2 är den kodspecialiserade språkmodellen som ligger hos Meta och besvarar agentens anrop. Modellen är co-tränad med agenten, vilket Meta anger som skäl till att den presterar bättre i just den här loopen än i generella jämförelser.

Kan Meta läsa min kod om jag kör Standard-tiern?

Träningsklausulen gäller Contributor-tiern. På Standard skickas ändå den kontext agenten behöver till modellen som körs hos Meta, så koden lämnar din maskin även där. Det är skillnad på att skicka data för inferens och att låta någon träna på den men båda innebär att koden går utanför din dator.

Hur mycket kostar en typisk session?

Det går inte att säga generellt och det är precis problemet med de saknade utgiftsgränserna. En kort uppgift landar på några cent. En körning i klass med Metas 24-timmarsexempel med över tusen verktygssamtal blir väsentligt dyrare, särskilt eftersom output-tokens kostar över tre gånger så mycket som input.