AI Coding 領域長期由 Anthropic、OpenAI 兩大巨頭盤踞，如今又有新競爭者叩關。Meta 推出首款終端機程式代理 Muse Code，搭配專為程式最佳化的模型 Muse Spark 1.2，對上 Anthropic 的 Claude Code 與 OpenAI 的 Codex。
究竟這款代理有何特別之處？該工具主打可長時間自主運作的背景代理，以及一份完整可重播的執行紀錄，試圖用工作流架構與對手拉開距離。但吸引外界注目的是它的定價：最低方案的 token 單價僅約標準層十分之一。不過這個便宜有前提：想用最低價，就得授權 Meta 把你的程式碼與提示拿去訓練它的下一代模型。
分數仍輸 Anthropic，Meta 把戰場拉到模型之外
Meta 這次沒有在模型分數上取得領先。根據《VentureBeat》整理的基準圖表，Muse Spark 1.2 在 Terminal-Bench 2.1 拿下 82.9%，居次於 Anthropic Opus 5 的 86.7%；在 DeepSWE 1.1 排名第三；即便是 Meta 自訂的內部程式測試，也落後 Opus 5 近九個百分點。三張基準圖表中，Claude 都位居首位。《VentureBeat》指出，Meta 在公告內文並未標榜任何名次，這在對手習於高調宣傳排行榜成績的領域裡並不常見。
既然分數不是強項，Meta 把重心放在工作流架構。Muse Code 最主要的設計賭注是它所稱的「非同步背景代理」（async background agents）。
根據 Meta 官方部落格，這些背景代理會在整場工作階段中持續存在，而非為個別任務臨時生成，藉此避免重複蒐集資訊，並自行執行後續步驟、自行決定何時回報主代理。當任務規模夠大，Muse Code 會將工作分散給多個平行運作的子代理，各自在隔離的 git worktree 中作業，不會動到開發者的工作副本。Meta 執行長 Zuckerberg 在 X 上表示，測試中曾讓它同時為一款遊戲開發六項功能而互不衝突。
另一項設計是可稽核性。每一次模型呼叫、工具執行、核准與編輯，都會先寫入本機事件日誌再執行，Meta 稱這讓執行環境「可精準重播、可安全重啟」，即使在長時間任務中途崩潰，也能精準回到中斷處續跑。此外，Muse Spark 1.2 是與 Muse Code 共同訓練（co-training）而成，Meta 表示這是為了讓模型在搭配自家工具時發揮最佳表現，而這也呼應了業界模型與執行框架走向共同設計的趨勢。
24 小時自主優化 GPU kernel，回應 Agent 跑一跑就停的老問題
Meta 在還展示了一個長時程案例。根據 Meta 官方部落格，該公司讓 Muse Spark 1.2 在 NVIDIA Hopper 硬體上執行超過 1,000 次工具呼叫、最長達 24 小時，持續優化 KDA 與 MLA 兩種 kernel。過程中模型以 Triton 撰寫程式，且不得直接包裝現成的第三方 kernel 函式庫，而是自行撰寫、編譯、分析並逐步改善效能。Zuckerberg 稱它「在初期探索階段之後仍持續找到顯著改善」。
《VentureBeat》指出，這項示範的意義，在於它直接回應了程式代理長期被詬病的一個弱點：初期衝刺一波後便停滯或偏離方向。報導也提醒，若這樣的持續改善能在 Meta 自家展示以外的場景同樣成立，將是對這類質疑的有力回應，但這個前提仍待驗證。
便宜十倍的貢獻者方案，前提是交出你的程式碼
定價是這次發表最受檢視的焦點。Muse Spark 1.2 透過 Meta Model API 提供兩種層級。標準層每百萬 input token 收 1.25 美元、每百萬 output token 收 4.25 美元，Meta 承諾這一層的提示與回應不會被用於訓練模型。
另一層則是貢獻者方案，每百萬 input／output token 分別只收 0.10 與 0.20 美元，約為標準層的十分之一以下，換取的條件是明確授權 Meta 將用戶的提示與回應用於訓練未來模型。Meta AI 主管 Alexandr Wang 對《CNBC》表示，這一層「比隨用隨付方案還便宜十倍以上」。
關鍵在於這個折扣的預設路徑。根據《VentureBeat》，Zuckerberg 正是引導新用戶從貢獻者層入門，等於讓開發者的程式碼與提示預設流入 Meta 的訓練管線；擁有專有程式碼的企業，必須主動改用標準層才能退出。貢獻者層的速率限制也更緊，每分鐘 60 次請求，遠低於標準層的 3,000 次，定位偏向個人與小型實驗，而非正式生產工作負載。
比價脈絡讓這套策略的意圖更清楚。根據《The Wall Street Journal》，Meta 的貢獻者層定價與 DeepSeek 等中國模型同級，後者每百萬 output token 低至 18 美分；相較之下，Claude Code 與 Codex 多以每月約 20 美元的方案綁定，超出用量上限才轉為隨用隨付。
這套「補貼換資料」的打法源自 Meta 的營收結構。《CNBC》指出，Meta 98% 營收來自線上廣告，本就仰賴用戶資料變現。不過便宜不等於免費。《VentureBeat》在 Mac mini 上實測，一行指令即可完成安裝，但代理在真正動工前會要求綁定付款方式。
從開源旗手到按 token 收費，Meta 改寫自己的 AI 打法
值得關注的是，是 Meta 官方在本次發表通篇不見「開源」。Meta 的開發者故事原本建立在 Llama 之上：開放權重、可自行下載與微調，根據《VentureBeat》，Llama 系列累積下載量約 12 億次，企業自行部署最多可較專有 API 供應商省下約 88% 成本。但自 Muse Spark 起，Meta 改採專有、僅限雲端、不提供下載權重的路線，Muse Code 也延續這個方向。
對照之下，競爭對手正朝反方向移動。《VentureBeat》指出，OpenAI 的 Codex CLI 以較寬鬆的 Apache 2.0 授權開源，Google 的 Gemini CLI 同樣採 Apache 授權，而 Meta 如今的姿態最接近始終維持專有的 Anthropic。《VentureBeat》因此將貢獻者方案解讀為 Llama 策略的接班：過去 Meta 以免費權重換取開發者心佔率，如今則以便宜 token 換取訓練資料。至於是否重返開源，Zuckerberg 在 X 上被直接問及時，僅回覆之後會再分享更多。
Coding Agent 的較量，已從「單次生成程式碼」延伸到工作流、執行架構與商業模式的整體比拼。當最便宜的入口是用自己的程式碼換來的，開發者與握有專有程式碼的企業，願不願意、又能不能夠做這筆交易，將是 Meta 未來需要驗證的問題。
【推薦閱讀】
◆ 【AI 代理自我進化】開源 Ornith-1.0 一邊寫程式碼、一邊改進自己的工作框架
＊本文開放合作夥伴轉載，資料來源：Meta、《CNBC》、《VentureBeat》、《SiliconAngle》、《The Wall Street Journal》，首圖來源：Meta
