Hacker News Digest

Представлена серия моделей Muse Wonder и Muse Wonder Full — самые мощные на сегодняшний день модели для персональных и профессиональных агентных задач, знаменующие шаг к «персональному сверхинтеллекту». Ключевые новшества — «Активная память» (Active Memory), переносящая важный контекст о пользователе между диалогами и подтягивающая нужные детали, и «Активный фокус» (Active Focus), позволяющий модели упорно идти к цели: пробовать альтернативные подходы, преодолевать препятствия, адаптироваться к новой информации, запрашивать уточнения и согласовывать важные действия. Модели обучены в дата-центре Prometheus гигаваттного масштаба и уже доступны через Meta Model API и Muse Code, а Muse Wonder Full — для подписчиков Muse Code.

Модели показывают лучшие результаты по бенчмаркам для агентов, памяти и кода, включая юридические задачи (Legal Agent Benchmark от Harvey), оценку фокуса FocusBench и длительного выполнения SWE-Marathon. Отдельно подчёркивается безопасность: это самая выровненная модель компании с сильнейшей защитой от злоупотреблений в областях CBRN и кибербезопасности при сохранении оборонительных возможностей.

Пользователи выявили проблемы с Muse Wonder: утечка персональных данных (профили чужих людей в Muse Code, невозможность отключения аккаунта, спам‐коды), завышенные цены (~$4 за ввод, $20 за вывод), ограниченная доступность (только Северная Америка), отсутствие открытых весов и несоответствие рекламных бенчмарков реальной производительности. Тесты показывают уступание Muse Wonder по сравнению с Opus 5.5, Astra и Fable, особенно в компьютерном зрении. Метрика нарушения персональной информации составляет ~3%, что считается неприемлемо высокой. Сообщество требует открытых весов от Meta для честной конкуренции и прозрачности, а также советует проявлять осторожность при использовании сервисов Meta из‐за проблем с управлением аккаунтом и некорректных запросов отписки. Наличие нескольких лидеров в ИИ (Meta, OpenAI, Anthropic) рассматривается как фактор предотвращения монополии.

Muse Spark 1.3 — новая версия кодогенерирующей модели от Meta, ориентированная на сложные задачи программирования. Она поддерживает контекстное окно до 1 миллиона токенов, что позволяет обрабатывать крупные кодовые базы и многоэтапные задачи. Доступна в двух версиях: бесплатная «contributor» (данные используются для улучшения моделей) и платная — с ценами $1,25 за Мток входа, $0,15 за кэшированный вход и $4,25 за Мток вывода. В отличие от конкурентов, она интегрируется через Meta Model API, совместимый с OpenAI SDK, что упрощает миграцию существующих инструментов.

Модель поддерживает продвинутые паттерны работы: агентные команды, параллельную обработку в изолированных средах, взаимодействие с интерфейсом компьютера и доступ к реальному вебу через search grounding. Уже доступны кукибуки для автоматизации создания SaaS-приложений, построения GitHub-ботов и использования OpenCode. Muse Spark 1.3 также интегрируется с Muse Code — инструментом для агентного кодирования в терминале, что делает её мощным решением для автономной разработки ПО.

Muse Spark 1.3 предлагает выдающуюся цену за производительность, особенно в бесплатной версии 'contributor' — $0.002 за кэшированный токен, $0.10 за входной — что делает её привлекательной для хобби-разработчиков и малых проектов. На бенчмарках (например, DeepSWE 75.4) она конкурентоспособна, уступая лишь Gemini 3.8 Flash по цене и скорости, но превосходя его в некоторых сценариях кодогенерации. Модель ведёт себя как инструмент: не навязывает мнений, точно следует инструкциям и лучше адаптируется к стилю кода, чем другие LLM. Особенно сильна в генерации UI-элементов (SVG, Python UI), где её скорость и чистота результата превосходят конкурентов, а также в нестандартных задачах, например, переводе на латынь. 1M контекста позволяет эффективно работать с крупными кодовыми базами — уникальное преимущество для рефакторинга и анализа. Споры вызывают этические вопросы: модель обучается на данных пользователей, что некоторые называют «быть продуктом»; при этом Meta впервые прозрачно разделила цены на обучающую и платную версии, что привлекает тех, кто готов пожертвовать приватностью ради экономии. Однако Meta не выпустила веса Muse Spark 1.2, как обещала, и сомнения в открытии 1.3 снижают доверие к прозрачности. Некоторые пользователи считают, что 1.3 не превзошла 1.2 и уступает GPT-5.6 Terra и DeepSeek V4 в C/C++ и агентных задачах, где модель переобучена на узкие паттерны. Для C/C++ советуют осторожно подходить — DeepSeek V4f показывает лучшие результаты на внутренних бенчмарках. В бесплатном сегменте 1.2 превосходила конкурентов в фронтенд-задачах, и ожидается аналогичный или лучший результат от 1.3. Некоторые считают Gemini 3.8 Flash более выгодным из-за низкой цены и частых обновлений Google, другие — Muse Spark 1.3 лучшим по соотношению цена/качество. Рекомендации: использовать через OpenRouter или прямой API, особенно при интеграции с Claude Code; для UI-генерации применять 'anti-slop' фильтры, чтобы избежать шаблонности.

Muse Code — бета‑агент для терминала, работающий на новой модели Muse Spark 1.2. Он умеет планировать изменения, писать и проверять код в больших репозиториях, используя несколько постоянных подагентов, которые остаются активными в течение всей сессии. Это позволяет сократить задержки и избежать повторного сбора информации, а благодаря локальному событию‑логу каждый шаг можно воспроизвести после сбоя.

Muse Spark 1.2 — улучшенная версия модели, обученная на значительно большем объёме кода и более разнообразных сценариев. Она лучше справляется с генерацией целых репозиториев, автогенерацией тестов и длительными задачами, а также проходит «самообучение»: генерирует сложные задачи, оценивает решения и использует полученные данные для дальнейшего дообучения. В тестах на оптимизацию GPU‑ядер модель достигла заметных ускорений, применяя специализированные схемы фьюзии и тайлинга, что подтверждает её способность к длительным, многошаговым улучшениям.

Пользователи обсуждают потенциал и ограничения Muse Code и Muse Spark 1.2, выражая скептицизм по поводу их качества, безопасности и маркетинговых заявлений Meta. Отмечаются риски: отсутствие открытых весов, возможная утечка данных, неясные условия использования и политика конфиденциальности. Сравниваются с Claude Code, OpenAI’s Terra и DeepSeek V4 Flash — споры идут о достоверности таких сравнений и соотношении цены и возможностей. В целом, модель признаётся перспективной, но требующей дальнейшей проверки и улучшения. Рекомендуется использовать с осторожностью.