TechTalkThai ศูนย์รวมข่าว Enterprise IT ออนไลน์แห่งแรกในประเทศไทย
Meta เปิดตัว Muse Code เวอร์ชัน Beta เครื่องมือ coding agent ที่ทำงานบน Terminal ขับเคลื่อนด้วย Muse Spark 1.2 โมเดลใหม่ล่าสุดที่เน้นงานด้านการเขียนโค้ดโดยเฉพาะ
Muse Code ถูกออกแบบมาเพื่อรับมืองาน software engineering ที่ซับซ้อนบน repository ขนาดใหญ่ ตั้งแต่การวางแผนการแก้ไข การเขียนโค้ด ไปจนถึงการตรวจสอบผลลัพธ์ จุดเด่นสำคัญคือความสามารถในการประสานงาน subagent แบบ persistent หลายตัวพร้อมกันในแต่ละงาน ทำให้แก้ปัญหายาก ๆ ได้เร็วขึ้น แม่นยำขึ้น และผู้ใช้งานต้องเข้าไปแทรกแซงน้อยลง พร้อมรองรับการใช้งานบน macOS และ Linux
ในเชิงสถาปัตยกรรม Muse Code ทำงานด้วย agent loop แบบเรียบง่าย เสริมด้วย async background agent ที่ทำหน้าที่เฉพาะทางและยังคงทำงานอยู่ตลอดทั้ง session แทนที่จะถูกสร้างขึ้นใหม่ทีละงาน ช่วยลดการเก็บข้อมูลซ้ำซ้อน โดย agent เหล่านี้จะดำเนินงานขั้นถัดไปเองและเลือกจังหวะที่จะส่งข้อมูลกลับไปยัง agent หลัก ส่งผลให้ latency ลดลงและลดความจำเป็นในการคอยกำกับทิศทางบนงานหลายขั้นตอน
ด้าน runtime ใช้ local event log ที่บันทึกทุกการเรียกโมเดล การรันเครื่องมือ การอนุมัติ และการแก้ไขไฟล์ต่อท้ายไปเรื่อย ๆ ทำให้ replay ได้ตรงและทนต่อการ restart หากระบบ crash agent จะกลับมาทำงานต่อจากจุดเดิมได้ทันที นอกจากนี้ยังมี skill มาให้ในตัว ได้แก่ /plan สำหรับแปลงงานเป็นแผนที่ต้องผ่านการอนุมัติ /grill สำหรับทดสอบแผนซ้ำจนกว่าจะรัดกุม และ /goal สำหรับเดินหน้าทำงานจนบรรลุเป้าหมายที่กำหนด
ตัวอย่างการใช้งานที่ Meta สาธิตคือ ผู้ใช้งานป้อนไฟล์วิดีโอ mp4 ที่เป็นภาพ fly-through ของบ้านเข้าไปใน Terminal แล้ว Muse Code ตีความวิดีโอและสร้างหน้าเว็บสำหรับทำการตลาดและจองบ้านพักตากอากาศออกมาให้
สำหรับ Muse Spark 1.2 เป็นการอัปเดตจาก Muse Spark 1.1 โดยเน้นด้านการเขียนโค้ด ทั้งการ generate code การ debug ปัญหาซับซ้อน ความเข้าใจ codebase และ workflow ของนักพัฒนาแบบ end-to-end ทีมงานได้เพิ่ม training compute บนงานเขียนโค้ดอย่างมีนัยสำคัญพร้อมขยายความหลากหลายของ training environment ขณะที่ยังคงความสามารถด้านอื่นอย่าง general agent เอาไว้ โมเดลนี้ผ่านการ co-train ร่วมกับ Muse Code โดยตรง ทั้งการใช้ rejection sampled harness trajectory และการปรับ recipe สำหรับ goal, compaction และ subagent รวมถึงการผนวก toolset ของ Muse Code เข้าไปเพื่อให้เข้ากันได้กับ harness มากที่สุด อีกทั้งยังถูกฝึกกับงานเขียนโค้ดแบบ long-horizon อย่างการ generate ทั้ง repository โปรเจ็กต์ end-to-end ขนาดใหญ่ และ auto-research โดยอาศัยการวางแผนจัดลำดับงาน goal conditioning เพื่อคงทิศทาง และ context compaction เพื่อเก็บความรู้ที่จำเป็นไว้ต่อยอด
ส่วนอีกเทคนิคที่น่าสนใจคือ self-improvement ที่ใช้ Muse Spark 1.1 สร้างโจทย์ coding environment และ template สำหรับ instruction following แล้วให้โมเดลให้คะแนนคำตอบว่าตรงตามเงื่อนไขแค่ไหน กลายเป็นชุดข้อมูลฝึกที่ขยายขนาดได้ ทำให้ Muse Spark 1.2 ทำตามคำสั่งซับซ้อนได้แม่นยำกว่ารุ่นก่อน โดย Meta ได้เผยแพร่ผลการประเมินบน Terminal-Bench 2.1, DeepSWE 1.1 และ Meta Internal Coding Bench พร้อมรายงาน methodologyประกอบ
กรณีศึกษาที่ Meta นำมาแสดงคือการปรับแต่ง GPU kernel แบบวนซ้ำ ซึ่งใช้ tool call มากกว่า 1,000 ครั้ง กินเวลาสูงสุดถึง 24 ชั่วโมง โดยโมเดลจะเขียนโค้ด compile ทำ profile และปรับปรุงประสิทธิภาพของ kernel เทียบกับ baseline ที่กำหนดให้ ทดสอบบน KDA และ MLA kernel สำหรับ NVIDIA Hopper GPU ซึ่ง agent ยังคงทำผลลัพธ์ได้ดีกว่า baseline อย่างมีนัยสำคัญ
Muse Spark 1.2 เปิดให้ใช้งานแล้ววันนี้ทั้งใน Muse Code และบน Meta Model API ซึ่งขยายการเข้าถึงในระดับ global โดย Meta ระบุว่ายังมีทั้งฟีเจอร์ใหม่ของ harness และโมเดลที่มีขนาดใหญ่และความสามารถสูงขึ้นตามมาอีก ผู้ที่สนใจสามารถเริ่มต้นใช้งานได้ที่ https://dev.meta.ai
ที่มา: https://research.meta.ai/blog/introducing-muse-code-and-muse-spark-1-2
