Meta открыла веса Muse Spark Open: агентный кодинг и 1M токенов уже на Modal

Открытые веса для агентного кодинга — та категория, где разработчики сначала спрашивают не «насколько модель умная», а «где её запустить и сколько это стоит». Именно на второй вопрос быстро ответил Modal: как только Meta выложила веса Muse Spark Open, платформа подняла модель на своих Auto Endpoints.

Что за модель и для чего она

Muse Spark Open сделана под агентные сценарии. Это не «ответь на вопрос по коду», а «возьми задачу и доведи её до конца». По описанию, модель умеет писать и отлаживать код, строить многошаговые планы, последовательно вызывать инструменты и восстанавливаться после сбоев в длинных цепочках действий.

Последний пункт самый приземлённый. Кто запускал агента на реальном репозитории, знает: он редко ломается на первом шаге. Чаще это происходит на двадцатом, когда команда в терминале упала, а агент продолжает так, будто всё в порядке. Умение заметить ошибку и откатиться порой важнее, чем красивый код с первой попытки.

Есть ещё два параметра. Первый — нативное понимание мультимодальных данных: скриншот ошибки или макет интерфейса можно отдать модели напрямую, без промежуточного описания. Второй — контекст в 1 млн токенов. Для агента это значит, что в окно помещается заметная часть репозитория, история прошлых шагов и логи, и не нужно сразу городить сложную схему сжатия памяти. Но «влезает» не означает «хорошо использует», и это нужно проверять отдельно.

Как читать бенчмарки

Meta приводит два результата:

• 76,4 балла на Terminal-Bench 2.1 с агентом Terminus 2;
• 60 баллов на DeepSWE 1.1 с обвязкой, которую предпочитает сама Meta.

Оба замера сделаны при уровне рассуждения xhigh, то есть при самом высоком усилии «раздумий». Это важная оговорка: такой режим обычно расходует больше токенов и времени, чем стандартный. Terminal-Bench — про работу агента в терминале, DeepSWE — про программную инженерию. Оба теста близки к тому, что реально нужно агентам.

Тем не менее цифры получены самой Meta на выбранных ею настройках. Полные условия оценки — в опубликованной карточке модели. Обвязка (harness) нередко двигает результат сильнее, чем разница между соседними моделями. Поэтому сравнивать эти числа с чужими без поправки на обвязку и режим рассуждения некорректно.

Как попробовать и что проверить

На Modal модель работает как Shared Endpoint: общий эндпоинт с оплатой за токены, без аренды выделенных GPU. Для команды это удобный способ провести короткий пилот. Подставляете модель в свой агентный цикл и смотрите, что получается на живых задачах.

Что стоит измерить:

• долю доведённых до конца задач на вашем репозитории против текущей модели;
• поведение после сбоя инструмента: заметила ли модель ошибку и исправилась ли;
• стоимость задачи целиком, а не одного токена: агент с высоким уровнем рассуждения может тратить их очень много;
• качество на длинном контексте, а не только на коротких промптах.

Если результаты устроят, а объём запросов вырастет, можно задуматься о собственном деплое. В этом и смысл открытых весов: контроль над данными, зафиксированная версия модели без сюрпризов от провайдера и теоретическая возможность дообучения.

Чего мы пока не знаем

Из анонса не видно размера модели, требований к железу, цены за миллион токенов и лицензионных условий. Всё это нужно смотреть в карточке модели и на странице Modal до того, как закладывать её в продукт. Кроме того, это сообщение от провайдера инференса, а не независимый тест. Пока нет сторонних замеров на разных задачах, цифры Meta стоит считать заявкой, а не доказательством.

Разумная позиция сейчас простая: Muse Spark Open — хороший кандидат на оценку для тех, кто строит кодовых агентов и хочет открытые веса. Проверьте её на собственном репозитории, посчитайте цену задачи целиком — и только потом решайте, переключаться ли.