TL;DR
Meta lanzó Muse Spark 1.2 como una actualización enfocada en programación respecto a Muse Spark 1.1. Está diseñado para generación de código, depuración compleja, comprensión de repositorios y flujos de trabajo de desarrolladores de extremo a extremo, más que como un reinicio amplio de especificaciones. El modelo mantiene una ventana de contexto de 1M tokens y acepta entrada de texto, imagen, video y PDF, produciendo salida en texto.
La parte más importante del lanzamiento es la relación entre el modelo y Muse Code. Meta co-entrenó el modelo con Muse Code usando trayectorias de agentes, acondicionamiento por objetivos, compactación de contexto, comportamiento de subagentes y el propio conjunto de herramientas de programación. Eso hace que Muse Spark 1.2 sea especialmente convincente dentro del entorno de programación de Meta, pero también implica que las mejores puntuaciones de lanzamiento deben leerse como resultados del conjunto modelo + sistema de agentes.
En la evaluación de programación de Meta, Muse Spark 1.2 emparejado con Muse Code obtuvo 82.9% en Terminal-Bench 2.1 y 59.3% en DeepSWE 1.1. La página actual del modelo en Artificial Analysis reporta una puntuación de Intelligence Index de 57, reemplazando la puntuación de lanzamiento de 54 bajo una versión anterior del índice. Su última calificación GDPval-AA v2 es 1,623 Elo, ubicándose en 15º lugar entre 213 modelos evaluados. Por lo tanto, Muse Spark 1.2 se mantiene competitivo en trabajo de programación y agentivo, pero no es el líder general, con Claude Opus 5 por delante tanto en los principales benchmarks de programación de Meta como en la clasificación actual de GDPval-AA v2.
Key Takeaways
- Actualización con prioridad en programación: Muse Spark 1.2 concentra sus mejoras en generación, depuración, comprensión de bases de código y flujos de trabajo de desarrolladores de larga duración.
- Contexto de 1M tokens: La API lista una ventana de contexto de 1,048,576 tokens para trabajo a escala de repositorio y sesiones persistentes de agentes.
- Entrada multimodal: El modelo alojado acepta texto, imágenes, video y documentos PDF, y devuelve texto.
- Optimización para sistemas de agentes: El modelo fue entrenado para operar con la planificación, herramientas, compactación y patrones de subagentes de Muse Code.
- Resultados sólidos pero dependientes del arnés: Meta reporta 82.9% en Terminal-Bench 2.1 y 59.3% en DeepSWE 1.1 con Muse Code.
- Economía de API competitiva: El precio estándar es $1.25 por millón de tokens de entrada y $4.25 por millón de tokens de salida, con un nivel Contributor mucho más barato bajo términos de datos diferentes.
- Advertencia importante: No se han divulgado el recuento de parámetros, la arquitectura y las cifras de tokens de entrenamiento.
What Is Muse Spark 1.2?
Muse Spark 1.2 es el modelo multimodal de razonamiento optimizado para programación de Meta Superintelligence Labs. Meta lo describe como una actualización de Muse Spark 1.1 con mejoras en generación de código, depuración compleja, comprensión de bases de código y flujos de trabajo completos para desarrolladores. El lanzamiento vino acompañado de Muse Code beta, un agente de programación para terminal diseñado para planificar cambios, escribir código, ejecutar herramientas, coordinar subagentes persistentes y validar resultados en repositorios grandes.
Este posicionamiento importa. Muse Spark 1.2 no se comercializa principalmente como un mejor chatbot o un modelo generalista más grande. Está diseñado alrededor de las condiciones que hacen difícil el trabajo de los agentes de software: requisitos repartidos por muchos archivos, salida acumulada de terminal, fallos de pruebas repetidos, planes cambiantes, sesiones largas y la necesidad de preservar el objetivo original tras muchos pasos intermedios.
Muse Spark 1.2 Specifications
| Especificación | Muse Spark 1.2 |
|---|---|
| Desarrollador | Meta Superintelligence Labs |
| Fecha de lanzamiento | August 5, 2026 |
| ID de modelo de la API | muse-spark-1.2 |
| Tipo de modelo | Modelo propietario de razonamiento multimodal y programación |
| Enfoque principal | Agentes de programación, depuración, comprensión de repositorios, desarrollo de largo plazo |
| Ventana de contexto | 1,048,576 tokens |
| Modalidades de entrada | Text, image, video, PDF |
| Modalidad de salida | Text |
| Ajuste de razonamiento en la evaluación de Meta | xhigh |
| Perfil de herramientas | Llamadas a herramientas y flujos de trabajo orientados a agentes |
| Precio estándar | $1.25/M de entrada; $0.15/M de entrada en caché; $4.25/M de salida |
| Recuento público de parámetros | Not disclosed |
| Detalles públicos de arquitectura | Not disclosed |
| Despliegue de lanzamiento | Muse Code and Meta Model API |
Nota sobre las especificaciones: La documentación del modelo de Meta proporciona el posicionamiento, el contexto y los precios del modelo; la documentación de la API alojada proporciona las modalidades de entrada y salida admitidas. Los límites de despliegue pueden diferir de la capacidad teórica del modelo subyacente.
What Is New in Muse Spark 1.2?
More Coding Training
Meta afirma que aumentó significativamente el cómputo de entrenamiento en tareas de programación mientras ampliaba la diversidad de entornos de entrenamiento. El objetivo práctico no es solo generar fragmentos correctos, sino mejorar la precisión en el primer intento cuando un agente debe inspeccionar un repositorio desconocido, identificar los archivos relevantes, implementar un cambio, ejecutar la compilación o las pruebas y revisar su trabajo tras la retroalimentación.
Esto hace que la actualización sea más relevante para ingeniería de producción que una mejora en generación de código de un solo turno. Los repositorios reales contienen convenciones de frameworks, acoplamientos ocultos, documentación incompleta, pruebas frágiles y requisitos que no se pueden satisfacer editando una función aislada. Muse Spark 1.2 está entrenado explícitamente para ese sobre de tareas más amplio.
Co-Training With Muse Code
Meta co-entrenó Muse Spark 1.2 con Muse Code para que el modelo se adaptara mejor al conjunto de herramientas y al tiempo de ejecución del agente. El entrenamiento incluyó trayectorias del marco con muestreo por rechazo y optimización de recetas para objetivos, compactación de contexto y subagentes. Esto es más deliberado que acoplar un modelo general a un contenedor de línea de comandos después del entrenamiento.
El beneficio es la compatibilidad: el modelo aprende cómo se ve la retroalimentación de las herramientas, cuándo debe revisarse un plan, cómo se comunican los trabajadores en segundo plano y qué estado debe sobrevivir a la compresión del contexto. La contrapartida es la transferibilidad. Un modelo ajustado a un marco puede seguir funcionando en otros, pero su mejor resultado puede depender de los prompts, herramientas, sistema de memoria y bucle de control que vio durante el entrenamiento.
Long-Horizon Coding
Muse Spark 1.2 se entrenó en generación de repositorios completos y proyectos largos, incluidos flujos de auto-investigación. Meta destaca tres comportamientos: planificación para secuenciar el trabajo, acondicionamiento por objetivos para mantener al agente dirigido hacia el objetivo original y compactación de contexto para retener conocimiento crítico a medida que la sesión crece.
Estos mecanismos abordan un modo de fallo común en agentes de programación: el sistema se vuelve productivo localmente pero se pierde a nivel global. Puede arreglar una prueba rompiendo el requisito, repetir la investigación anterior u olvidar por qué se tomó una decisión de diseño. El entrenamiento de horizonte largo busca que el progreso sea acumulativo y no episódico.
Self-Improvement With Muse Spark 1.1
Meta también usó Muse Spark 1.1 para generar entornos de programación desafiantes y plantillas de seguimiento de instrucciones. El modelo anterior calificó soluciones candidatas frente a los requisitos generados, produciendo datos de entrenamiento escalables para Muse Spark 1.2. Esto se entiende mejor como generación y evaluación de tareas asistidas por modelo, no como auto-modificación sin restricciones del modelo desplegado.
Multimodal Repository Work
La ventana de 1M tokens y las entradas multimodales importan porque muchas tareas de desarrollo no son solo texto. Un agente puede necesitar comparar un frontend con una captura de pantalla, inspeccionar una especificación en PDF, interpretar una grabación de UI o mantener requisitos visuales mientras edita código. La demostración de lanzamiento en la que Muse Code interpreta un video de recorrido de una vivienda y produce una página de marketing y reservas ilustra este flujo de percepción a implementación.
Muse Spark 1.2 vs Muse Spark 1.1: What Actually Changed?
| Muse Spark 1.1 | Muse Spark 1.2 | |
|---|---|---|
| Context | 1M | 1M |
| Standard Input | $1.25 | $1.25 |
| Standard Output | $4.25 | $4.25 |
| Intelligence Index | 53 current | 57 current |
| Terminal-Bench | 78% AA | 80% AA |
| Coding focus | High | Higher |
| Muse Code co-training | No | Yes |
| Long-horizon training | Yes | Expanded |
| Open weights | No | No |
How Muse Spark 1.2 Works With Muse Code
Muse Spark 1.2 es el modelo; Muse Code es el producto de agente que convierte llamadas al modelo en trabajo de ingeniería de software persistente. Muse Code ejecuta un agente principal junto con agentes en segundo plano asíncronos que permanecen activos durante toda la sesión. Estos trabajadores pueden recopilar contexto, ejecutar los siguientes pasos y comunicar hallazgos relevantes al agente principal sin recrearlos para cada tarea.
El entorno de ejecución también mantiene un registro local de eventos. Cada llamada al modelo, ejecución de herramienta, aprobación y edición se añade a un historial único, permitiendo al agente reanudar tras un fallo en lugar de reiniciar la tarea. Habilidades integradas como /plan, /grill y /goal añaden planificación con aprobación, pruebas de estrés del plan y ejecución orientada al objetivo.
Figura 1. Muse Code convierte Muse Spark 1.2 en un sistema persistente de planificación, ejecución y validación. Fuente: Descripción del lanzamiento de Meta
Interpretación: La persistencia de Muse Code, el registro de eventos, las herramientas y la orquestación de subagentes son capacidades del sistema. No deben atribuirse solo al modelo base.
Benchmark Performance of Muse Spark 1.2
Los siguientes resultados son reportados por Meta. Las puntuaciones de programación miden sistemas completos de modelo y agente, mientras que las medidas compuestas multimodales posteriores consideran configuraciones de Meta Model API con y sin herramientas. No deben mezclarse con las métricas independientes de Artificial Analysis que siguen.
Coding Benchmark Performance
| Benchmarks de programación de Meta | Resultado de Muse Spark 1.2 | Comparación líder en la gráfica de Meta | Alcance de la evaluación | Cómo leerlo |
|---|---|---|---|---|
| Terminal-Bench 2.1 | 82.9% with Muse Code | Claude Opus 5: 86.7% with Claude Code | Tareas de terminal en agentes de programación selectos | Resultado de sistema reportado por el proveedor |
| DeepSWE 1.1 | 59.3% with Muse Code | Claude Opus 5: 65.0%; GPT-5.6 Terra: 64.8% | 113 tareas, 91 repositorios, cinco lenguajes | Resultado de sistema reportado por el proveedor |
La metodología de evaluación de Meta usa Muse Code para Muse Spark 1.2, Claude Code para Claude Opus 5, Codex para GPT-5.6 Terra, y Grok Build para Grok 4.5. Una puntuación más alta puede reflejar el modelo, el bucle del agente, los prompts, las herramientas y el diseño de memoria conjuntamente. La formulación precisa es: Muse Spark 1.2 en Muse Code obtuvo 82.9%, no el modelo base por sí solo obtuvo 82.9%.
Multimodal Benchmark Performance
La evaluación multimodal del 20 de agosto de Meta reporta un compuesto de diez benchmarks a través de percepción visual, conocimiento visual, razonamiento espacial y de UI, y comprensión de gráficos. La mayor ganancia aparece cuando Muse Spark 1.2 puede usar herramientas.
| Evaluación multimodal de Meta | Respuesta directa | Con herramientas | Mejora por herramientas | Interpretación |
|---|---|---|---|---|
| Muse Spark 1.2 | 59.8 | 72.0 | +12.2 | Más fuerte en la configuración con herramientas |
| Muse Spark 1.1 | 60.2 | 69.1 | +8.9 | Ligeramente mayor sin herramientas, menor con herramientas |
La metodología multimodal oficial promedia por igual BabyVision, PerceptionBench, ZeroBench, WorldVQA, SimpleVQA, ERQA, OmniSpatial, CharXiv Reasoning, ChartMuseum y ChartQAPro. La comparación es útil para medir la mejora por herramientas dentro del marco de Meta; no es un benchmark replicado de forma independiente.
Independent Benchmark Results
Bajo el actual Artificial Analysis Intelligence Index v4.1.1, Muse Spark 1.2 puntúa 57, frente a 53 de Muse Spark 1.1 y un estimado de 44 del Muse Spark original. Su última calificación GDPval-AA v2 es 1,623 Elo, colocándolo 15º entre 213 modelos evaluados. Muse Spark 1.2 también lidera el actual benchmark de contexto largo AA-LCR con una puntuación de 83.3%, lo que indica que sus fortalezas se extienden al trabajo agentivo de conocimiento, flujos de programación y razonamiento de contexto largo.
| Evaluación | Puntuación | Entorno | Qué te indica |
|---|---|---|---|
| Meta Terminal-Bench 2.1 | 82.90% | Muse Code | Modelo + agente optimizado de Meta |
| Artificial Analysis Terminal-Bench 2.1 | 80% | AA harness | Señal más independiente entre modelos |
| Meta DeepSWE 1.1 | 59.30% | Muse Code | Programación de horizonte largo |
| Meta Internal Coding | 70.60% | Meta internal | Tareas internas de ingeniería |
Fuente:Artificial Analysis
Los datos de fiabilidad requieren una interpretación cuidadosa. AA-Omniscience mejora de 18 a 22 y la tasa de alucinación cae de 38% a 28%, pero la tasa de intentos también desciende de 82% a 67%. La precisión baja de 41% a 38%. En otras palabras, Muse Spark 1.2 está más dispuesto a abstenerse cuando hay incertidumbre, lo que reduce afirmaciones falsas pero también produce menos respuestas intentadas.
El razonamiento científico es comparativamente plano. CritPt mejora de 15% a 18%, mientras que SciCode cae de 58% a 56% y Humanity's Last Exam baja de 45% a 44%. Ese patrón respalda el propio posicionamiento de Meta: Muse Spark 1.2 es una actualización especializada en programación y trabajo agentivo, no un salto uniforme en todos los dominios de razonamiento.
Muse Spark 1.2 Pricing
Meta ofrece acceso Standard y Contributor. El modelo Standard tiene un precio de $1.25 por millón de tokens de entrada, $0.15 por millón de tokens de entrada en caché y $4.25 por millón de tokens de salida. La variante Contributor es mucho más barata, pero Meta indica que sus datos pueden usarse para mejorar productos.
| Nivel | Entrada / 1M | Entrada en caché / 1M | Salida / 1M | Tratamiento de datos |
|---|---|---|---|---|
| Estándar | $1.25 | $0.15 | $4.25 | Not used to improve Meta products |
| Contributor | $0.10 | $0.002 | $0.20 | May be used to improve Meta products |
Fuente de precios: Página oficial del modelo de Meta. Los equipos deben revisar los términos de producto y datos aplicables antes de enviar código propietario, credenciales, datos de clientes o documentos internos mediante la ruta Contributor.
Precios bajos por token no significan automáticamente el menor costo por tarea completada. Artificial Analysis estima alrededor de $0.40 por tarea de Intelligence Index para Muse Spark 1.2, por encima de $0.29 para Muse Spark 1.1. El aumento está impulsado por mayor uso de tokens, especialmente en trabajo agentivo profesional. Por lo tanto, los equipos deberían medir el costo por pull request aceptado, issue resuelto o entregable verificado en lugar de comparar solo precios de lista.
Muse Spark 1.2 vs Other Frontier Coding Models
El conjunto de comparación más relevante incluye Claude Opus 5, GPT-5.6 Terra, Grok 4.5, y Kimi K3. Estos modelos se solapan en programación, herramientas, contexto largo y flujos profesionales de agentes, pero difieren en despliegue, amplitud de modalidades, ecosistema y prioridades de precio-rendimiento.
| Modelo | Contexto | Entradas | Señal de Terminal-Bench 2.1 | Despliegue | Mejor encaje |
|---|---|---|---|---|---|
| Muse Spark 1.2 | 1M | Text, image, video, PDF | 82.9% with Muse Code | Meta hosted API | Muse Code, trabajo de repositorio de larga duración, menor precio de API |
| Claude Opus 5 | 1M | Text, image, documents | 86.7% with Claude Code | Hosted API | Máxima fiabilidad en programación y juicio agentivo complejo |
| GPT-5.6 Terra | ~1.05M | Text, image | 81.8% with Codex | Hosted API | Equilibrio entre programación, productividad y amplios flujos con herramientas |
| Grok 4.5 | 500K | Text, image | 81.6% with Grok Build | Hosted API | Programación combinada con herramientas de xAI e información actual |
| Kimi K3 | 1M | Text, image, video | Not shown in Meta chart | Hosted and open-weight options | Trabajo de horizonte largo y flexibilidad de despliegue |
Where Muse Spark 1.2 Has the Clearest Advantage
Muse Spark 1.2 se diferencia más cuando la aplicación puede usar el registro de eventos persistente de Muse Code, el diseño de subagentes y el entrenamiento específico del modelo. Su precio estándar de API también es agresivo en relación con modelos de programación de vanguardia premium. Para equipos que valoran un sistema de agentes estrechamente integrado, la combinación puede importar más que una pequeña diferencia en un único benchmark.
Where Claude Opus 5 Remains Stronger
Claude Opus 5 lidera los tres gráficos de programación de Meta en los que aparece. Sigue siendo la opción más segura cuando el costo de un cambio fallido es alto y la máxima fiabilidad de programación de extremo a extremo importa más que el precio por token. Muse Spark 1.2 reduce la brecha, especialmente en tareas de terminal, pero no la elimina.
Where GPT-5.6 Terra Fits
GPT-5.6 Terra está cerca de Muse Spark 1.2 en Terminal-Bench y por delante en DeepSWE según la evaluación de Meta. Su ventaja es la amplitud: equipos que ya usan las herramientas de respuesta, búsqueda, archivos, shell, computadora y MCP de OpenAI pueden preferir un modelo que encaje en un stack de producción existente incluso cuando otro modelo sea ligeramente más barato.
When Grok 4.5 or Kimi K3 May Be Better
Grok 4.5 es una alternativa sólida para flujos que combinan programación con el ecosistema de herramientas e información actual de xAI. Kimi K3 es más atractivo cuando el rendimiento de horizonte largo, el despliegue de pesos abiertos o el control del proveedor importan. La elección práctica depende del runtime completo: prompts, herramientas, memoria, requisitos de seguridad y estrategia de verificación pueden cambiar los resultados tanto como el modelo base.
What Can Muse Spark 1.2 Do?
Repository-Scale Software Engineering
Un contexto de 1M tokens puede contener una cantidad sustancial de código fuente, documentación, salida de pruebas, historial de issues y estado del agente. Las tareas adecuadas incluyen funcionalidades multiarchivo, actualizaciones de frameworks, refactors a nivel de repositorio, migraciones de API, reparación de pruebas, revisión de pull requests y análisis de arquitectura. El contexto largo es más útil cuando se combina con recuperación y compactación en lugar de cargar un repositorio indiscriminadamente.
Complex Debugging
Muse Spark 1.2 puede inspeccionar código, ejecutar herramientas, leer fallos, formular hipótesis, aplicar ediciones y volver a probar. Su entrenamiento enfocado en programación busca mejorar este bucle, donde la parte difícil no es proponer una corrección plausible sino identificar la causa raíz y verificar que el parche no crea regresiones.
Long-Running Coding Agents
Los proyectos persistentes son un caso de uso central. El registro de eventos y los agentes en segundo plano de Muse Code permiten continuar el trabajo a través de muchas llamadas al modelo y pasos de herramientas. Esto es útil para actualizaciones, optimización de rendimiento, generación de documentación, modernización de pruebas y slices de funcionalidades que no se pueden completar de forma segura en una sola respuesta.
Automated Technical Research
Meta probó Muse Spark 1.2 en optimización de kernels de GPU con más de 1,000 llamadas a herramientas y hasta 24 horas. El agente escribió, compiló, perfiló y refinó implementaciones de Triton frente a bases de referencia. La lección más amplia es que el modelo está diseñado para trabajo técnico iterativo en el que los experimentos guían la siguiente acción.
Multimodal Development
La entrada de imagen, video y PDF amplía el bucle de desarrollo más allá del código fuente. Un equipo puede usar el modelo para comparar una UI con una captura de pantalla, extraer requisitos de un documento de producto, interpretar una interacción grabada o generar una implementación a partir de una referencia visual. La revisión humana sigue siendo necesaria para accesibilidad, coherencia de marca, seguridad y afirmaciones fácticas incrustadas en contenido visual.
When should you NOT use Muse Spark 1.2?
Don't choose it primarily for:
- chat simple
- autocompletado básico de código
- autocompletado de baja latencia
- redacción general
- tareas donde la máxima fiabilidad en benchmarks sea lo más importante
- cargas de trabajo altamente reguladas si los términos de datos de Contributor no son adecuados
Limitations of Muse Spark 1.2
- Arquitectura no divulgada: Meta no ha publicado el recuento de parámetros, la topología del modelo, el enrutamiento de expertos ni las cifras de tokens de entrenamiento.
- Resultados de lanzamiento dependientes del marco: Las puntuaciones más fuertes emparejan Muse Spark 1.2 con Muse Code mientras que los competidores usan diferentes productos de programación.
- Benchmark interno privado: Meta Internal Coding Bench no puede ser reproducido o auditado de forma independiente por desarrolladores externos.
- Ganancias de capacidad desiguales: La evaluación independiente muestra mejoras mucho mayores en trabajo agentivo que en razonamiento científico.
- Compensación por abstención: Una menor tasa de alucinación viene acompañada de una menor tasa de intentos y una precisión ligeramente inferior en AA-Omniscience.
- Elección de política de datos: El nivel Contributor más barato puede usar los datos enviados para mejorar productos de Meta y puede no ser adecuado para código sensible.
- Un contexto largo no es memoria perfecta: Un límite de 1M tokens no garantiza recuperación, atención o precisión uniformes en cada posición.
- Lanzamiento alojado: El paquete de lanzamiento proporciona acceso por API y Muse Code en lugar de pesos de modelo descargables.
How to Access Muse Spark 1.2
Los desarrolladores pueden usar Muse Spark 1.2 a través de Muse Code o la Meta Model API. El ID de modelo estándar de la API es muse-spark-1.2; la ruta de menor costo para colaboradores usa muse-spark-1.2-contributor. La API alojada de Meta expone una URL base compatible con OpenAI, permitiendo adaptar muchos clientes existentes de chat-completions con una clave, URL base y nombre de modelo diferentes.
import os
from openai import OpenAI
client = OpenAI(
api_key=os.environ["MODEL_API_KEY"],
base_url="https://api.meta.ai/v1",
)
response = client.chat.completions.create(
model="muse-spark-1.2",
messages=[
{"role": "user", "content": "Revisa este plan del repositorio e identifica los pasos de implementación de mayor riesgo."}
],
)
print(response.choices[0].message.content)
Nota de implementación: Verifica el nombre de modelo activo, la elegibilidad de la cuenta, los límites de tasa, los parámetros admitidos y la disponibilidad regional en la documentación de la API de Meta antes de desplegar. No coloques una clave de API directamente en el código fuente.
Para pruebas lado a lado, CometAPI ya ofrece acceso unificado a Claude Opus 5, GPT-5.6, Grok 4.5, y Kimi K3, lo cual puede simplificar pruebas A/B y cambios de proveedor. Muse Spark 1.2 también estará disponible en CometAPI pronto.
Is Muse Spark 1.2 Worth Using?
Muse Spark 1.2 vale la pena probarlo cuando la carga de trabajo está dominada por programación a escala de repositorio, ejecución de larga duración, retroalimentación repetida de herramientas y coordinación multiagente. Su argumento más fuerte es la combinación de un modelo especializado en programación, un agente persistente diseñado para ello, un contexto multimodal de 1M tokens y precios estándar de API bajos.
No es el líder universal de benchmarks. Claude Opus 5 sigue por delante en las evaluaciones de programación destacadas de Meta, GPT-5.6 Terra es altamente competitivo en programación y herramientas de producción generales, y los datos independientes muestran que las mejoras de Muse Spark 1.2 están concentradas más que uniformemente distribuidas. El mejor proceso de selección es, por tanto, basado en la carga de trabajo: prueba cada modelo dentro del runtime real del agente, mide la finalización de tareas verificadas e incluye revisión humana para cambios sensibles a la seguridad o de alto impacto.
Conclusión:
Muse Spark 1.2 es la actualización orientada a programación más sólida de Muse hasta ahora. Su verdadero diferenciador no es una puntuación de benchmark, sino lo estrechamente diseñados que están el modelo, Muse Code, los subagentes persistentes, el contexto largo y el bucle de verificación para trabajar juntos.