تصور کنید یک برنامهنویس بتواند ۲۴ ساعت تمام، بدون دخالت انسان، روی بهینهسازی هستههای GPU کار کند و کد را بهصورت تکرارپذیر (Iterative) اصلاح کند. با انتشار نسخهی بتأ Muse Code و مدل Muse Spark 1.2 در ۵ آگوست ۲۰۲۶، متا این رویا را به واقعیت تبدیل کرده و تمرکز را از تکمیل سادهٔ کد به مهندسی نرمافزار خودگردان و بلندمدت (Long-horizon) تغییر داده است.
این بهروزرسانی بر پایهٔ پوشش پیشین ما از Muse Spark 1.1 است که تمرکز آن بر کاهش هزینهها و افزایش نمرات کدنویسی بود. در حالی که نسخه قبلی تولید کد خام را بهبود بخشیده بود، آپدیت ۱.۲ یکپارچگی عمیقی میان مدل و یک محیط عاملمحور (Agentic) ایجاد کرده است تا مشکلاتی را که کل مخزن کد (Repository) را درگیر میکند، حل نماید.
زمینه: تغییر به سمت جریانهای کاری عاملمحور
Muse Code برای مدیریت وظایف پیچیده مهندسی نرمافزار در مخازن بزرگ طراحی شده است. این فرآیند شامل برنامهریزی تغییرات، نوشتن کد و اعتبارسنجی نتایج است. این سیستم با هماهنگ کردن چندین عامل فرعی پایدار (Persistent Subagents) برای هر تسک، این هدف را محقق میکند که باعث میشود مشکلات دشوار سریعتر و با دخالت کمتر انسان حل شوند. این رویکرد چندعاملی مشابه استراتژیهای به کار رفته در سایر مدلهای پیشرو است، چنانکه پنلهای چندعاملی Anthropic توانستند نرخ خطای شناسایی آسیبهای امنیتی را بهطور قابلتوجهی کاهش دهند.
Muse Code از طریق یک حلقهٔ اصلی مدیریت میشود که توسط عاملهای پسزمینهٔ ناهمگام (Async) پشتیبانی میگردد. برخلاف عاملهای سنتی که برای یک تکتسک ساخته و سپس حذف میشوند، این دستیاران متخصص در طول کل جلسه فعال میمانند تا تأخیر کاهش یابد و از جمعآوری دادههای تکراری جلوگیری شود. این عاملها خودشان تصمیم میگیرند چه زمانی نتایج را به عامل اصلی گزارش دهند و در نتیجه نیاز به هدایت دستی در تسکهای چندمرحلهای کاهش مییابد.
برای تضمین پایداری در طول تسکهای طولانی، سیستم از یک «دفتر ثبت رویداد محلی» (Local Event Log) استفاده میکند. هر فراخوانی مدل، اجرای ابزار، تأییدیه کاربر و ویرایش کد در این منبع واحد ثبت میشود. این طراحی باعث میشود اجرای سیستم دقیقاً قابل بازپخش (Replay-exact) و در برابر توقفهای ناگهانی مقاوم (Restart-safe) باشد؛ به این معنا که اگر سیستم کرش کند، عامل دقیقاً از همان نقطهای که متوقف شده بود، کار را از سر میگیرد. این قابلیت به Muse Code اجازه میدهد تسکهای طولانیمدت را بدون ترس از شکستهای سیستمی به پیش ببرد. این تمرکز بر مستندسازی خودکار جریان کار، یادآور قابلیتهای Claude Code در استخراج گزارشهای فنی از جلسات کدنویسی است تا خروجیهای توسعه به صورت به اشتراک گذاشتنی درآیند.
ابزارهای یکپارچه و تخصصها
Muse Code شامل سه مهارت اصلی بستهبندیشده برای توسعهدهندگان است:
/plan: تبدیل یک تسک به یک برنامهٔ مرحلهبندیشده (Gated Plan) که نیاز به تأیید کاربر دارد./grill: تست فشار روی برنامه برای یافتن نقاط ضعف و حفرههای منطقی پیش از اجرا./goal: هدایت عامل به سمت تکمیل موفقیتآمیز یک هدف (Objective) مشخص.
بهعنوان نمونهای از تواناییهای این سیستم، کاربر میتواند یک ویدیو (فرمت mp4) از بازدید یک خانه را در ترمینال وارد کند. Muse Code این ویدیو را تفسیر کرده و بر اساس آن، یک صفحهٔ وب غنی از نظر بصری برای بازاریابی و رزرو آن خانه تولید میکند.
مهندسی مدل Spark 1.2
Muse Spark 1.2 یک بهروزرسانی متمرکز بر کدنویسی نسبت به نسخه ۱.۱ است که در زمینههای عیبیابی (Debugging) پیچیده، درک ساختار مخزن کد و جریانهای کاری جامع توسعهدهندگان بهبود یافته است. متا حجم محاسبات (Compute) مربوط به آموزش در تسکهای کدنویسی را افزایش داده و تنوع محیطهای آموزشی را گسترش داده است، در حالی که قدرت مدل را در عمل به عنوان یک عامل عمومی حفظ کرده است.
Muse Spark 1.2 بهطور مشترک با مجموعه ابزارهای Muse Code آموزش دیده تا سازگاری حداکثری با محیط اجرایی (Harness) داشته باشد. این آموزش شامل بهینهسازی دستورالعملها (Recipes) برای اهداف، فشردهسازی (Compaction) و مدیریت عاملهای فرعی و همچنین استفاده از مسیرهای نمونهبرداری شده از طریق Rejection Sampling بود.
این مدل بهطور گسترده روی تسکهای بلندمدت آموزش دیده است؛ از جمله تولید کل یک مخزن کد، پروژههای بزرگ سرتاسری (End-to-End) و پژوهشهای خودکار (Auto-research). مدل از برنامهریزی برای ترتیببندی کارها، شرطبندی هدف (Goal Conditioning) برای حفظ جهت حرکت و فشردهسازی بافت (Context Compaction) برای حفظ دانش در حافظه استفاده میکند.
تیم متا همچنین یک حلقه خودبهبودی (Self-improvement loop) پیاده کرد که در آن Muse Spark 1.1 محیطهای دشوار کدنویسی و قالبهای دستورالعمل (Instruction-following templates) را تولید میکرد. سپس مدل جدیدتر (1.2)، پاسخهای کاندید را نمرهگذاری میکرد. این روش یک مجموعه داده مقیاسپذیر ایجاد کرد که باعث شد مدل جدید بتواند دستورات پیچیده را با دقتی بیشتر از نسل قبلی دنبال کند.
کاربرد واقعی: هستههای GPU
در یک مطالعه موردی کلیدی، این مدل هستههای GPU را روی پردازندههای NVIDIA Hopper بهینه کرد. طی بیش از ۱,۰۰۰ فراخوانی ابزار که تا ۲۴ ساعت به طول انجامید، عامل کدها را نوشت، کامپایل کرد و پروفایل نمود تا از پیادهسازیهای پایهٔ FLA Triton برای هستههای KDA و MLA پیشی بگیرد. این سطح از تعامل مستقیم با لایههای پایین سختافزار، مشابه گامی است که Arm برای فراهم کردن دسترسی Claude Code به سختافزار لبه از طریق پروتکل MCP برداشت تا عملیات کامپایل و فلش کردن روی سختافزار تسهیل شود.
نکته حیاتی این است که مدل از وارد کردن (Import) مستقیم کتابخانههای شخص ثالث مانند FLA منع شده بود. Muse Spark 1.2 مجبور شد دانش تخصصی خود را برای پیادهسازی الگوریتم در Triton به کار بگیرد. برای مثال، مدل یک هسته آمادهسازی موازی تکهای (Chunk-parallel preparation kernel) را با یک اسکن متوالی بین-تکهای (Sequential inter-chunk scan) جفت کرد و بهینهسازیهای خاص KDA مانند بازتنظیم (Re-centering) زوال تجمعی گیتدار در نقطه میانی تکه را با ادغام (Fusion) و کاشیبندی (Tiling) استاندارد ترکیب نمود.
چرخش به سمت «کدنویسی عاملمحور» نشان میدهد که گلوگاه (Bottleneck) بعدی در مهندسی نرمافزار، توانایی نوشتن یک تابع نیست، بلکه توانایی حفظ وضعیت (State) و جهت حرکت در طول روزهای کاری تکراری است. متا با تبدیل محیط کدنویسی به یک ماشین وضعیت دائمی، به سمت عاملهایی حرکت میکند که بیشتر شبیه مهندسان جونیور هستند تا ابزارهای پیشرفتهٔ تکمیل کد.
در حال حاضر میتوانید از Muse Spark 1.2 از طریق API مدلهای متا با دسترسی جهانی گسترشیافته، یا با نصب Muse Code روی سیستمعاملهای macOS و لینوکس استفاده کنید.
گام بعدی شما
- اگر از ابزارهای تکمیل کد ساده استفاده میکنید، Muse Code را برای مدیریت تسکهای چندروزه امتحان کنید.
- قابلیت
/grillرا برای به چالش کشیدن معماریهای نرمافزاری خود پیش از پیادهسازی به کار ببرید. - خروجیهای مدل را در تسکهای بهینهسازی سختافزاری با بنچمارکهای Triton مقایسه کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو