Meta、「Muse Code」を8月5日ベータ版公開 ― OpenAI Codex・Anthropic Claude Codeに対抗するターミナル型コーディングエージェント
生成AIによるコーディング支援の分野で、Metaが新たな一手を打ち出した。8月5日、同社は、大規模なコードベースを扱うためのターミナル型コーディングエージェント「Muse Code」のベータ版を公開した。OpenAIの「Codex」やAnthropicの「Claude Code」に対抗する布陣として位置づけられており、AI開発競争における「後発組」とされてきたMetaのキャッチアップの動きとして注目されている。
1. Muse Codeとは何か ― 大規模リポジトリ向けターミナルエージェント
1-1. 単一コマンドでインストール、Muse Spark 1.2が基盤に
Muse Codeは、Metaが開発した最新のコーディング特化モデル「Muse Spark 1.2」を基盤とするターミナル型のコーディングエージェントだ。macOSまたはLinux上で、curl -fsSL https://dev.meta.ai/install.sh | bashという1行のコマンドを実行するだけでインストールできる。
Meta公式ブログでは、Muse Codeについて「大規模リポジトリにまたがる複雑なソフトウェアエンジニアリングタスクに取り組む」プロダクトであり、「変更の計画立案、コードの記述、結果の検証」までを担うと説明されている。各タスクに対して複数の永続的なサブエージェントを協調させることができ、難易度の高い問題をより速く、より正確に、そして人間の介入をより少なくして解決できるという。
1-2. ザッカーバーグ氏が明かす「並列サブエージェント」の仕組み
MetaのCEOであるマーク・ザッカーバーグ氏は、8月5日のSNS投稿でMuse Codeについて言及し、「大規模リポジトリ全体にまたがる完全なソフトウェアエンジニアリングタスクをこなせる」と紹介した。タスクの内容としては、「変更の計画立案、コードの記述、結果の検証」を挙げている。
同氏は、さらに、大規模なタスクの処理方法について「ジョブが十分に大きくなると、隔離されたワークツリー上で並行して作業する複数のサブエージェントに分岐する」と説明し、「作業中のコピーには一切手を加えない。テストでは、衝突を起こすことなく、あるゲームの6つの機能を同時に構築させることができた」と述べている。
2. Meta AIチーフが語る「コスト面での強み」
Meta Superintelligence Labsを率いるAI責任者のアレクサンダー・ワン氏は、Wall Street Journalの取材に対し、「多くのワークフローやユースケースにとって、これは非常に優れた選択肢になり得ると考えている。特にコストの観点からそう言える」と述べた。この発言は、OpenAIのCodexやAnthropicのClaude Codeといった競合に対し、Metaが価格競争力を武器に対抗しようとしていることを示している。
Metaは、今年に入り、AI分野への投資を積み増しており、6月には、広告事業支援という従来の中核的な用途を超え、カスタマーサービス・サポート向けのエージェントを投入する形で企業向けAI市場にも参入していた。今回のMuse Codeは、開発者向けのツール展開としてその延長線上に位置づけられる。
3. Muse Spark 1.2の技術的な特徴
3-1. コーディング特化の学習強化と自己改善ループ
Meta AI Researchのブログによれば、Muse Spark 1.2は、前身のMuse Spark 1.1に対するコーディング特化のアップデートであり、コード生成、複雑なデバッグ、コードベースの理解、そしてエンドツーエンドの開発者ワークフローの改善を図ったモデルだという。コーディングタスクに関する学習計算量を大幅に増やすと同時に、学習環境の多様性も拡張したとしている。
同モデルの特徴の一つが、「自己改善ループ」だ。前身のMuse Spark 1.1を用いて難易度の高いコーディング環境や指示追従のテンプレートを生成し、そのモデル自身が候補となる解答をどれだけ要件を満たしているかで採点することで、スケーラブルな学習データセットを作り出したという。この仕組みにより、Muse Spark 1.2は、前身モデルよりも複雑な指示をより正確に遂行できるようになったとされている。
また、Muse CodeとMuse Spark 1.2は、共同学習(co-training)されており、両者を組み合わせた際に最良のパフォーマンスと使いやすさを発揮するよう設計されている。長期にわたるコーディングタスク(リポジトリ全体の生成、大規模なエンドツーエンドのプロジェクト、自動リサーチなど)にも重点的に学習されており、計画立案によって作業の順序を決め、目標条件付けによって方向性を維持し、コンテキストの圧縮によって作業継続に必要な知識を保持する仕組みを備えているという。
3-2. GPUカーネル最適化の検証 ― 24時間・1000回超のツール呼び出し
Metaは、Muse Spark 1.2のケーススタディとして、GPUカーネルの反復的な最適化タスクを検証している。1000回を超えるツール呼び出し(最大24時間)にわたって、モデルがコードを書き、コンパイルし、プロファイリングし、提供されたベースライン実装に対してカーネル性能を段階的に改善できるかを、NVIDIA HopperGPU向けのKDAおよびMLAカーネルでベンチマークした。
ベースラインにはKDAのFLA Triton実装が用いられ、モデルはFLAなどのサードパーティ製カーネルライブラリを直接インポートすることを禁じられた。既存実装をラップするのではなく、カーネル最適化に関する専門知識を活かしてTritonで自らアルゴリズムを実装する必要があったという。Muse Spark 1.2は、チャンク単位で並列処理する準備カーネルと、逐次的なチャンク間スキャンを組み合わせ、標準的な融合・タイリング処理に加え、ゲート付き累積減衰をチャンクの中間点で再センタリングするといったKDA固有の最適化を適用した。MLAについても、共有KV潜在変数をKとVの両方として再利用するなど、MLA特有の最適化を組み込んだ2カーネル構成のTritonパイプラインを設計している。
4. ランタイム設計とバンドルされたスキル
Muse Codeは、モデルの呼び出し・ツールの実行・承認・編集のすべてが記録される「ローカルイベントログ」を採用している。これが単一の情報源(single source of truth)として機能することで、ランタイムは完全に再現可能かつ再起動に強い設計となっており、クラッシャが発生してもエージェントは中断した地点から正確に再開できる。この仕組みにより、長時間にわたるタスクを、途中の失敗によって頓挫することなく継続できるという。
また、Muse Codeにはいくつかの標準スキルが同梱されている。タスクを承認ゲート付きの計画に変換する「/plan」、その計画が破綻しないか徹底的に検証する「/grill」、そして指定した目標の達成に向けて作業を進める「/goal」だ。
5. 業界内の位置づけ ― 「後発組」からの巻き返し
TechCrunchの報道では、Metaは、「AIハーネス(エージェント基盤)の分野ではやや出遅れていた」存在として位置づけられている。今回のMuse Codeの投入は、その遅れを取り戻そうとする動きの一環だと分析されている。同メディアは、この動きが、「MetaをOpenAIのCodexやAnthropicのClaude Codeといった競合他社とより競争力のある形、かつより手頃な価格で対抗させようとする試みだ」と評している。
Muse Spark 1.2は、Muse Code上だけでなく、Meta Model API上でもグローバルにアクセスが拡大される形で提供が開始されている。Meta AI Researchのブログでは「新しいハーネス機能や、より強力なモデルなど、今後もさらに多くのものを控えている」としており、同社が開発者向けAIツール市場での存在感を継続的に強化していく方針であることがうかがえる。
