Muse Code 與 Muse Spark 1.2 發布：聯合訓練終端程式碼代理
為何重要
Muse Code 展現了 Agent 架構在軟體工程中的深遠潛力，特別是透過持久化背景代理與事件日誌實現了錯誤復原與長期執行的穩健性，這對於生產環境的 DevOps 自動化是重大突破。 從技術角度來看，模型與代理的聯合訓練策略證明瞭 AI 在自主軟體開發上具備自我進化能力，降低了人工介入除錯的頻率。 對於硬體生態而言，此 demo 證明瞭大型語言模型可直接駕馭複雜的 GPU 核心最佳化任務，開啟了軟體定義軟硬體整合的新視角。
Muse 團隊發布了名為 Muse Code beta 的終端編碼代理，其背後驅動模型為 Muse Spark 1.2，重點展示了長期任務處理、多代理協作與硬體層級程式碼最佳化的能力。
- Muse Spark 1.2 專注於程式碼生成與複雜除錯，透過聯合訓練（Co-Training）實現與 Muse Code 工具的深度整合。
- 模型被測試能在 1,000+ 次工具呼叫（約 24 小時）範圍內，持續迭代最佳化 NVIDIA Hopper GPU 的 KDA 和 MLA 核心。
- Muse Spark 1.2 自我改良迴圈利用 Muse Spark 1.1 生成挑戰環境進行評分，有效提升對複雜指令的遵循精準度。