Meta AI ra mắt Muse Code: Trợ lý lập trình thông minh vận hành bởi Muse Spark 1.2

Meta AI vừa phát hành Muse Code (bản beta), một tác nhân lập trình trên terminal được vận hành bởi mô hình Muse Spark 1.2 mới. Meta định vị bộ đôi này là bước tiến tiếp theo hướng tới các giới hạn công nghệ mới, với những mô hình lớn hơn đang được phát triển. Muse Code nhắm đến việc kỹ thuật phần mềm phức tạp trên các kho lưu trữ (repository) lớn: nó lập kế hoạch thay đổi, viết mã và xác thực kết quả. Một tập hợp các tác nhân nền bất đồng bộ (async background agents) sẽ duy trì hoạt động trong suốt phiên làm việc thay vì được tạo mới theo từng tác vụ. Một nhật ký sự kiện cục bộ chỉ ghi thêm (append-only event log) sẽ ghi lại mọi lệnh gọi mô hình, lượt chạy công cụ, phê duyệt và chỉnh sửa, điều mà Meta gọi là "replay-exact" (phát lại chính xác) và "restart-safe" (an toàn khi khởi động lại). Muse Spark 1.2 được đồng huấn luyện cùng với chính bộ khung (harness) này. Meta cũng công bố một nghiên cứu điển hình về tối ưu hóa nhân (kernel-optimization) với hơn 1.000 lượt gọi công cụ trong thời gian kéo dài tới 24 giờ.

Có thể triển khai được không?

Có. Muse Code hiện đã có bản beta cho macOS và Linux thông qua lệnh `curl -fsSL https://dev.meta.ai/install.sh | bash`. Muse Spark 1.2 khả dụng trong Muse Code và Meta Model API, với phạm vi truy cập toàn cầu được mở rộng. Bài viết ra mắt không đề cập đến việc tải xuống trọng số (weights), vì vậy hãy coi đây là một dịch vụ được lưu trữ (hosted dependency).

Các tác nhân nền bất đồng bộ

Muse Code chạy một vòng lặp tác nhân đơn giản cùng với một tập hợp các tác nhân nền bất đồng bộ. Các tác nhân chuyên biệt này duy trì trạng thái hoạt động trong suốt mỗi phiên làm việc. Chúng không được tạo mới cho từng tác vụ riêng lẻ, điều mà Meta cho biết giúp tránh việc thu thập thông tin dư thừa. Chúng thực hiện các bước tiếp theo và tự quyết định thời điểm báo cáo lại cho tác nhân chính. Meta khẳng định tính bền bỉ này giúp giảm độ trễ và việc điều hướng trên các tác vụ phức tạp, nhiều bước.

Thiết kế thời gian chạy (Runtime)

Muse Code sử dụng một nhật ký sự kiện cục bộ. Mọi lệnh gọi mô hình, lượt chạy công cụ, phê duyệt và chỉnh sửa đều được ghi thêm vào đó. Meta gọi đây là nguồn sự thật duy nhất (single source of truth) có khả năng "replay-exact" và "restart-safe". Sau khi xảy ra sự cố, tác nhân sẽ tiếp tục chính xác tại điểm dừng, cho phép các tác vụ chạy dài hạn vượt qua được các lỗi phát sinh.

Các kỹ năng tích hợp

Ba kỹ năng mặc định được tích hợp sẵn trong tác nhân. `/plan` chuyển đổi một tác vụ thành một kế hoạch có kiểm soát phê duyệt. `/grill` kiểm tra áp lực kế hoạch đó cho đến khi nó đạt yêu cầu. `/goal` thực hiện công việc hướng tới việc hoàn thành mục tiêu cụ thể.

Những thay đổi trong Muse Spark 1.2

Muse Spark 1.2 là bản cập nhật tập trung vào lập trình của Muse Spark 1.1. Meta báo cáo những cải thiện trong việc tạo mã, gỡ lỗi phức tạp, hiểu mã nguồn và quy trình làm việc toàn diện của nhà phát triển. Nhóm nghiên cứu đã tăng đáng kể tài nguyên tính toán huấn luyện cho các tác vụ lập trình và mở rộng sự đa dạng của môi trường. Mô hình vẫn giữ vững thế mạnh ở các lĩnh vực khác, bao gồm cả các tác nhân tổng quát.

Ba chi tiết quan trọng về huấn luyện:

Đánh giá

Báo cáo phương pháp luận của Meta đặc biệt chi tiết. Terminal-Bench 2.1 sử dụng tất cả 89 tác vụ, chỉ số pass@1 qua năm lần thử nghiệm. DeepSWE v1.1 bao gồm 113 tác vụ trên 91 kho lưu trữ và năm ngôn ngữ. Meta Internal Coding Bench chứa 440 tác vụ được lấy từ các yêu cầu kéo (pull request) nội bộ thực tế. Các lượt chạy được thực hiện trong các môi trường sandbox đám mây Daytona biệt lập. Các so sánh bao gồm Grok 4.5, Claude Opus 5, GPT-5.6 Terra, Gemini 3.6 Flash và Kimi K3, mỗi mô hình đều đi kèm với sản phẩm tác nhân riêng. Meta lưu ý rằng bộ khung của họ có thể chưa được tinh chỉnh cho các mô hình của bên thứ ba. Để tham khảo, trang mô hình của Meta liệt kê Muse Spark 1.1 đạt 80.0 điểm trên Terminal-Bench 2.1.

Nghiên cứu điển hình: tối ưu hóa nhân (kernel)

Meta đã thử nghiệm tối ưu hóa nhân GPU lặp đi lặp lại qua hơn 1.000 lượt gọi công cụ, chạy trong tối đa 24 giờ. Mô hình viết, biên dịch, phân tích hiệu năng (profile) và cải thiện dần dần các nhân dựa trên một baseline được cung cấp. Các bài kiểm tra bao gồm nhân KDA và MLA trên GPU NVIDIA Hopper. Đối với KDA, baseline là triển khai FLA Triton, với các thư viện nhân của bên thứ ba bị cấm. Muse Spark 1.2 đã kết hợp một nhân chuẩn bị song song theo khối (chunk-parallel) với một quá trình quét tuần tự giữa các khối. Đối với MLA, tham chiếu là PyTorch ở kích thước batch 1, 64 đầu (heads), độ dài chuỗi 8192 và kích thước tiềm ẩn (latent dimension) 512. Mô hình đã xây dựng một đường ống Triton hai nhân giúp tái sử dụng KV latent chia sẻ cho cả K và V.

Những điểm chính cần lưu ý

Hãy xem qua các Chi tiết kỹ thuật, Mô hình (Muse Spark 1.2) và Phương pháp đánh giá. Ngoài ra, đừng ngần ngại theo dõi chúng tôi trên Twitter, tham gia cộng đồng 150k+ ML SubReddit và đăng ký Bản tin của chúng tôi. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Cần hợp tác với chúng tôi để quảng bá GitHub Repo, trang Hugging Face, sản phẩm mới hoặc hội thảo trực tuyến của bạn? Hãy kết nối với chúng tôi.

Asif Razzaq là CEO của Marktechpost Media Inc. Là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt Nền tảng truyền thông Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về học máy và học sâu, vừa đảm bảo tính kỹ thuật vừa dễ hiểu đối với đông đảo độc giả. Nền tảng này tự hào với hơn 2 triệu lượt xem hàng tháng, minh chứng cho sự phổ biến của nó đối với công chúng.