Meta CEO’su Mark Zuckerberg, yazılım süreçlerine odaklanan ilk kodlama ajanı Muse Code (beta) ile bu ajana güç veren güncellenmiş yapay zeka modeli Muse Spark 1.2‘yi duyurdu. Her iki çözüm de Meta Model API üzerinden küresel olarak erişime açıldı.

Geliştirici süreçlerini kolaylaştırmak ve karmaşık kodlama görevlerini otomatikleştirmek amacıyla hayata geçirilen bu iki yeniliğe dair öne çıkan detaylar şu şekilde:

  • Muse Code (Beta): Doğal dilde verilen talimatları işleyen terminal tabanlı bir kod aracı. Tüm kod deposu (repository) genelinde planlama yapma, kod yazma, test etme ve doğrulama dahil olmak üzere uçtan uca mühendislik görevlerini yürütebiliyor. Çoklu ajan (multi-agent) mimarisi sayesinde birden fazla ajanı aynı anda çalıştırarak karmaşık işleri hızlandırıyor. Tek bir komutla yüklenebilen araç, geliştiriciler için daha uygun fiyatlı bir seçeneğin de yer aldığı iki farklı fiyatlandırma katmanıyla sunuluyor.
  • Muse Spark 1.2: Muse Code ile birlikte eğitilen kod odaklı bu model güncellemesi, ilk denemede daha yüksek başarı oranı, daha temiz çıktı ve tekrar istem yazma (re-prompting) ihtiyacını en aza indiren bir yapı sunuyor. 1 milyon tokenlık geniş bağlam penceresi (context window) sayesinde uzun soluklu ve çok dosyalı geliştirici iş akışları için optimize edildi.

Birden fazla yapay zekâ ajanı aynı görev üzerinde çalışabiliyor

Muse Code’un öne çıkan özelliklerinden biri, karmaşık görevleri birden fazla alt yapay zekâ ajanına dağıtabilmesi. Ana ajan genel süreci yönetirken, arka planda çalışan uzman ajanlar kod tabanını inceleme, olası çözümleri araştırma, testleri kontrol etme veya farklı uygulama seçenekleri geliştirme gibi görevleri paralel şekilde üstlenebiliyor.

Bu alt ajanlar yalnızca tek bir işlem için oluşturulup kapatılmıyor. Oturum boyunca aktif kalan ajanlar, topladıkları bilgileri koruyarak gerektiğinde ana ajana geri bildirim sağlıyor. Meta’ya göre bu yapı, özellikle büyük kod depolarında tekrar eden araştırmaları azaltıyor ve geliştiricinin sürece sürekli müdahale etme ihtiyacını düşürüyor.

Kesintiye uğrayan görevler kaldığı yerden devam edebiliyor

Muse Code, gerçekleştirilen her model çağrısını, kullanılan aracı, verilen onayı ve yapılan kod değişikliğini yerel bir olay günlüğüne kaydediyor. Böylece uygulama kapanır veya sistemde bir sorun yaşanırsa uzun süren görevler en baştan başlatılmadan kaldığı noktadan devam ettirilebiliyor.

Araçta ayrıca farklı çalışma biçimleri sunan hazır komutlar bulunuyor. /plan, istenen görevi bir plana dönüştürerek uygulamadan önce geliştiricinin onayına sunuyor. /grill, hazırlanan planı olası sorunlara karşı sorgularken /goal ise belirlenen hedef tamamlanana kadar sürecin yönünü korumasını sağlıyor.

Muse Spark 1.2 uzun süreli yazılım görevlerine odaklanıyor

Muse Code’un arkasındaki Muse Spark 1.2, Meta’nın daha önce kullanıma sunduğu Muse Spark 1.1’in kodlama odaklı güncellenmiş sürümü olarak konumlanıyor. Yeni model; kod üretme, karmaşık hataları bulma, büyük kod tabanlarını anlama ve uçtan uca geliştirici iş akışlarını yürütme konularında geliştirildi.

Meta, modelin eğitiminde kodlama görevlerine ayrılan hesaplama gücünü artırdığını ve daha çeşitli yazılım geliştirme ortamlarından yararlandığını belirtiyor. Model ayrıca Muse Code ile birlikte eğitildi. Böylece planlama, görevleri alt ajanlara dağıtma, bağlamı sıkıştırma ve uzun süreli hedefleri takip etme gibi özelliklerin model ile araç arasında uyumlu çalışması hedeflendi.

Muse Spark 1.2’nin eğitiminde tüm kod deposunu oluşturma, büyük çaplı yazılım projelerini tamamlama ve otomatik araştırma yapma gibi uzun süreli görevler de kullanıldı. Meta, önceki Muse Spark 1.1 modelinden yeni ve zorlayıcı kodlama ortamları üretmek ve aday çözümleri değerlendirmek için yararlandığını ifade ediyor. Bu yöntemle oluşturulan veriler, yeni modelin karmaşık talimatlara daha doğru biçimde uymasını sağlamak amacıyla kullanıldı.

Meta’nın testlerinde güçlü sonuçlar elde etti

Meta’nın yayımladığı sonuçlara göre Muse Spark 1.2 ve Muse Code ikilisi, terminal ortamındaki gerçek görevleri ölçen Terminal-Bench 2.1 testinde yüzde 82,9 başarı oranına ulaştı. Model bu ölçümde Opus 5 ve Claude Code ikilisinin gerisinde kalırken GPT-5.6 Terra ve Codex, Grok 4.5 ve Grok Build ile Gemini 3.6 Flash ve Antigravity CLI’ın önünde yer aldı. Önceki Muse Spark 1.1 sürümünün sonucu ise yüzde 76,2 olarak açıklandı.

Farklı yazılım depolarındaki gerçek geliştirme görevlerini kapsayan DeepSWE 1.1 testinde Muse Spark 1.2 yüzde 59,3; Meta’nın kendi kod tabanındaki 440 görevden oluşan şirket içi testte ise yüzde 70,6 başarı gösterdi. Meta, üçüncü taraf modellere ait ajanların aynı çalışma ortamına özel olarak optimize edilmemiş olabileceğini ve bu nedenle sonuçların her modelin kendi ortamındaki en iyi performansını yansıtmayabileceğini de özellikle belirtiyor.

Muse Code, Meta Model API ve OpenRouter üzerinden erişilebiliyor

Muse Spark 1.2; Muse Code’un yanı sıra Meta Model API ve OpenRouter üzerinden genişletilmiş küresel erişimle kullanıma sunuldu. Meta Model API’de modelin 1 milyon tokenlık bağlam penceresine sahip olduğu belirtiliyor. Bu kapasite, büyük kod depolarının ve uzun proje geçmişlerinin aynı çalışma bağlamı içinde ele alınabilmesini kolaylaştırıyor.

Meta, model için farklı veri kullanım koşullarına sahip iki seçenek sunuyor. Standart muse-spark-1.2 sürümüne gönderilen verilerin şirket ürünlerini geliştirmek amacıyla kullanılmadığı belirtilirken, daha düşük fiyatlı muse-spark-1.2-contributor seçeneğindeki veriler Meta’nın ürünlerini geliştirmek için kullanılabiliyor. Geliştiricilerin özellikle özel kodlar ve kurumsal projeler üzerinde çalışırken seçtikleri sürümün veri kullanım koşullarını dikkate almaları gerekiyor.

Muse Code, çalışma alanı ilk kez açıldığında kullanıcıdan güven onayı da istiyor. Projeye özel beceriler, kurallar ve otomasyon bağlantıları yalnızca çalışma alanına güven verildikten sonra yükleniyor. Meta’nın belgelerine göre sistem, macOS’ta Seatbelt, Linux’ta ise bubblewrap tabanlı koruma mekanizmalarından yararlanıyor.

Meta’nın Muse Code ile ortaya koyduğu yaklaşım, yapay zekâ destekli kodlamayı yalnızca birkaç satır kod üreten bir yardımcıdan çıkararak uzun süreli yazılım geliştirme süreçlerini yöneten bir ajan sistemine dönüştürmeyi amaçlıyor. Ürünün beta aşamasında olması nedeniyle gerçek projelerdeki kararlılığı, maliyeti ve geliştiricilerin günlük iş akışlarına ne ölçüde uyum sağlayacağı önümüzdeki dönemde daha net görülecek.