Meta、コードAIを効率化し発表

今週、Meta Superintelligence LabsはMuse Spark 1.3をリリースしました。これは5ヶ月間で4番目のMuse Sparkリリースであり、単一のターン生成ではなく、長期的なagenticなコーディング作業を対象としています。Metaの投稿におけるフレームワークはユーザビリティです。長いスレッドを維持し、ユーザーと協力し、行き詰まったときにそれを知ることです。それは展開可能でしょうか？はい、しかし2つの制限があります。Muse Spark 1.3は本日Muse CodeとMeta Model APIで提供されるため、今すぐ本番環境で呼び出すことができます。しかし、weightsが非公開であるため、自己ホストすることはできません。また、max reasoning modeはさらなる安全性テストの後にゲートされています。何が実際にagentにとって変わったのかMetaはMuse Spark 1.3を複数のagent harnessでトレーニングしたため、その動作は1つの環境を超えて一般化されます。このモデルは、単一の長いスレッド内で複数のワークフローを保持するように構築されています。オープンエンドな目標が与えられると、散らかった矛盾するソースから独自のコンテキストを収集し、計画のギャップを修正します。コラボレーションの変更は、より実用的な部分です。Muse Spark 1.3は、曖昧なプロンプトに対して明確化の質問をし、行き詰まったときにユーザーを巻き込み、重要な行動の前に確認します。長時間の実行では、頻繁なステータス更新、またはサイレントなバックグラウンド実行といった好みに適応します。Metaはまた、モデル自身の限界に対するキャリブレーションが向上したと報告しており、結果を幻覚させる代わりに障害を指摘します。マルチタスクも改善されました。Metaによると、ユーザーが指示しているか中断しているかにかかわらず、モデルは混雑した単一のスレッド内で、入ってくるプロンプトを正しいタスクにマッピングします。コーディングと効率Muse Spark 1.3は、より長期的なコーディングタスクでトレーニングされました。Muse Spark 1.2と比較して、Metaは不要なターンが減り、冗長性が少なくなり、よりクリーンなコードスタイルになったと述べています。Metaのエンジニアによる内部比較では、約20%少ないtool callsと約25%少ないtokensを使用しました。agenticなワークロードの場合、これはコストに直結する数字です。つまり、完了したタスクあたりの往復回数と請求されるtokensが少なくなります。