Meta ha entrado de forma directa en el mercado de los agentes de programación con Muse Code, una herramienta en beta que opera desde el terminal y utiliza Muse Spark 1.2 como modelo subyacente. Desarrollado por Meta Superintelligence Labs, el lanzamiento llega el 5 de agosto, apenas 27 días después de Muse Spark 1.1, y amplía fuera de Estados Unidos el acceso a la Meta Model API. La rapidez entre ambas versiones plantea una cuestión operativa para las empresas: cuánto valor puede extraerse de ciclos de modelo cada vez más cortos sin multiplicar los cambios de herramientas, controles y procesos internos.
Muse Code trabaja sobre repositorios completos
La propuesta supera el patrón del asistente que completa líneas dentro del editor. Muse Code recibe instrucciones en lenguaje natural, analiza repositorios amplios, prepara un plan, modifica archivos, ejecuta herramientas y valida el resultado. Meta lo distribuye para macOS y Linux mediante un único comando. La compañía también muestra un caso multimodal en el que el agente interpreta el vídeo de una vivienda y genera una web de promoción y reservas, un ejemplo que combina percepción visual, código y ejecución.
Su arquitectura incorpora un agente principal y varios subagentes asíncronos que permanecen activos durante la sesión. Esa persistencia evita que cada tarea secundaria vuelva a recopilar información ya disponible. Los subagentes pueden avanzar en paralelo, decidir cuándo devolver resultados y mantener líneas de trabajo separadas, mientras el proceso principal coordina cambios y revisiones. El diseño se acerca al de una pequeña célula de ingeniería automatizada, aunque la responsabilidad sobre las decisiones, las pruebas y la integración continúa en manos del equipo que concede acceso al repositorio.
Otra pieza relevante es el registro local de eventos. Cada llamada al modelo, ejecución de herramienta, aprobación y edición queda añadida a una secuencia que permite reconstruir la sesión. Tras un fallo, Muse Code puede reanudar el trabajo desde el punto anterior. La beta incluye además comandos especializados: «/plan» propone una secuencia sujeta a aprobación, «/grill» somete ese plan a una revisión crítica y «/goal» mantiene el proceso orientado al objetivo indicado.
Muse Spark 1.2 se entrena junto a Muse Code
Muse Spark 1.2 concentra la actualización en generación de código, depuración compleja, comprensión de bases de código y flujos de desarrollo completos. Meta aumentó el cómputo dedicado a tareas de programación y amplió la diversidad de los entornos de entrenamiento. El modelo conserva la ventana de contexto de hasta un millón de tokens ya presente en Muse Spark 1.1, una escala que facilita trabajar con numerosos archivos, historiales largos y documentación extensa.
La diferencia más significativa está en el entrenamiento conjunto. Meta optimizó Muse Spark 1.2 con trayectorias producidas dentro del entorno de Muse Code, incluidos planes, compactación de contexto, uso de herramientas y delegación en subagentes. La compatibilidad entre modelo y agente pasa así a formar parte del producto. Para un departamento de tecnología, esta integración puede reducir reformulaciones y llamadas fallidas, pero también vincula el rendimiento a un entorno concreto: el mismo modelo puede comportarse de otra forma cuando se ejecuta con herramientas distintas.
El proceso de mejora utilizó Muse Spark 1.1 para generar escenarios de programación difíciles y plantillas de instrucciones. Después, el modelo evaluó soluciones candidatas y convirtió esa valoración en nuevos datos de entrenamiento. Meta atribuye a ese ciclo una mayor precisión al seguir requisitos complejos. La compañía también entrenó la versión 1.2 para proyectos de larga duración, como la generación de repositorios completos, desarrollos de extremo a extremo y tareas de investigación automatizada.
Una prueba interna llevó al sistema a optimizar kernels para GPU durante más de 1.000 llamadas a herramientas y sesiones de hasta 24 horas. El agente escribió, compiló, perfiló y modificó implementaciones para hardware NVIDIA Hopper. Es un caso especializado, lejos del trabajo cotidiano de muchas organizaciones, aunque permite observar la dirección del producto: mantener un proceso técnico activo durante horas, acumular resultados y continuar mejorando una solución.
Las comparaciones requieren leer la metodología
Meta presenta Muse Spark 1.2 como competitivo en Terminal-Bench 2.1, DeepSWE 1.1, MCP Atlas y una evaluación interna basada en 440 tareas extraídas de cambios reales en su código. Sin embargo, las cifras no forman una comparación uniforme. En Terminal-Bench y DeepSWE, cada modelo se probó con el agente seleccionado para ese producto, como Muse Code, Claude Code o Codex, y con distintos niveles máximos de razonamiento.
La propia metodología advierte de que las herramientas y los mensajes de sistema usados por Meta podrían no estar ajustados a las fortalezas de los modelos rivales. En DeepSWE, además, el procedimiento no coincide con el listado oficial, que utiliza el mismo agente para todos los modelos. Los resultados describen combinaciones de modelo y agente bajo una configuración concreta; trasladarlos a una decisión de compra exige pruebas con los repositorios, lenguajes, dependencias y controles de cada empresa.
El lanzamiento coloca a Meta frente a productos que ya han desplazado la competencia desde el autocompletado hacia la ejecución de trabajos completos. OpenAI presenta Codex como un sistema capaz de completar solicitudes de cambio, refactorizaciones y revisiones mediante varios agentes en paralelo. Anthropic distribuye Claude Code para terminal e IDE, mientras GitHub integra agentes en Copilot y ofrece acceso a herramientas de terceros. Muse Code llega a un mercado donde la diferenciación depende tanto del modelo como de la supervisión, la integración, el coste y la trazabilidad.
El precio de Muse Code abre una decisión sobre los datos
El acceso estándar funciona por consumo, con un precio publicado de 1,25 dólares por millón de tokens de entrada y 4,25 dólares por millón de tokens de salida. Meta añade una modalidad «contributor» mucho más barata, ligada a la autorización para utilizar la actividad del usuario en la mejora de sus productos. Esa diferencia puede resultar atractiva para proyectos personales, repositorios abiertos o equipos con cargas elevadas, pero modifica el análisis en entornos con código propietario, secretos comerciales o datos sujetos a acuerdos con clientes.
Para las empresas españolas, la disponibilidad global elimina una barrera inicial, aunque no resuelve las preguntas de implantación. Un agente capaz de ejecutar comandos, editar numerosos archivos y coordinar procesos paralelos necesita permisos delimitados, entornos aislados, revisión humana y registros integrados con las políticas internas. El log local aporta continuidad y capacidad de reconstrucción, pero cada organización tendrá que determinar cómo conserva esas evidencias, quién aprueba los cambios y qué información puede salir del perímetro corporativo.
La cadencia de Meta añade otra variable. Muse Spark 1.1 abrió la API a desarrolladores el 9 de julio y la versión 1.2 llega menos de un mes después, ya asociada a un agente propio. Para los responsables de tecnología, la ventaja potencial está en adoptar mejoras rápidas sin esperar grandes renovaciones anuales. El coste aparece en la evaluación continua: regresiones, cambios de comportamiento, presupuestos por tokens y dependencia de una combinación específica de modelo y herramienta. La decisión pasa por establecer cuánto trabajo puede delegarse sin perder control sobre calidad, propiedad intelectual y operación.
